במאמר הזה מוסבר איך להגדיר גישה לנתונים חוצי-עננים כדי לאחד מאגרי נתונים מבודדים ב-Amazon Web Services (AWS), ב- Google Cloudוב-AlloyDB ל-PostgreSQL בלי ETL מורכב.
אתם משתמשים ב-Lakehouse ללא גבולות כמרכז המידע המרכזי, ב-AlloyDB כמקור נתונים תפעולי וב-Managed Service for Apache Spark לעיבוד וקטורי עם ביצועים גבוהים. לבסוף, אתם משתמשים ב-Gemini כדי להפיק תובנות עסקיות חשובות מה-lakehouse.
תרחיש
בתרחיש הזה, יש לכם נתונים במקורות הבאים:
- נתוני עסקאות (משתמשים, הזמנות, פריטים בהזמנה) במסד נתונים תפעולי של AlloyDB.
- נתוני מוצרים בקטגוריית AWS S3.
- יומני אירועים של נתוני קליקים ב-Cloud Storage.
אתם מחברים בין קבוצות הנתונים האלה כדי לזהות את הדמוגרפיה של קהל היעד לקמפיין השיווק הבא שלכם, וליצור אימיילים מותאמים אישית לפנייה ללקוחות.
מה לומדים
ב-Codelab הזה תבצעו את המשימות הבאות:
- הגדרת נקודות קצה של קטלוג Lakehouse כדי לאחד סילו נתונים ב-AWS S3, ב-Cloud Storage וב-AlloyDB.
- להריץ עיבוד וקטורי של שאילתות בביצועים גבוהים באמצעות Managed Service for Apache Spark.
- אפשר לשלב מערכי נתונים של עסקאות, מוצרים וקליקים בלי להעביר נתונים או להשתמש בצינורות עיבוד נתונים מורכבים של ETL.
- אתם יכולים להשתמש ב-Gemini כדי להפיק תובנות עסקיות וליצור פנייה שיווקית מותאמת אישית מ-Lakehouse.
ל-Codelab
מפעילים את ה-Codelab שלב אחר שלב:
התחלת ה-Codelab בנושא Lakehouse ללא גבולות