Azure Data Factory: differenze tra le versioni

Versione delle 23:29, 11 giu 2023

Versione delle 23:36, 11 giu 2023

Riga 26:

* Pipeline di dati<ref>{{Cita web|url=https://azure.microsoft.com/it-it/products/devops/pipelines/|titolo=Pipeline di Azure {{!}} Microsoft Azure|sito=azure.microsoft.com|lingua=it|accesso=11 giugno 2023}}</ref>: permette di definire e orchestrare flussi di lavoro per l'estrazione, la trasformazione e il caricamento dei dati da varie sorgenti verso le destinazioni desiderate.

* Connessioni ai dati<ref>{{Cita web|url=https://learn.microsoft.com/it-ch/azure/data-factory/connector-overview/|titolo=Connettori di Azure {{!}} Microsoft Azure|sito=azure.microsoft.com|lingua=it|accesso=11 giugno 2023}}</ref>: supporta una vasta gamma di origini e destinazioni di dati, inclusi database relazionali, servizi cloud, file system, servizi di archiviazione, ecc.

* Trasformazione dei dati: fornisce una serie di strumenti per manipolare e trasformare i dati, tra cui il data wrangling, l'elaborazione dei dati in batch e in streaming, e l'uso di funzioni di data wrangling.

* Monitoraggio e gestione<ref>{{Cita web|url=https://learn.microsoft.com/en-us/azure/data-factory/monitor-using-azure-monitor|titolo=Azure monitor{{!}} Microsoft Azure|sito=azure.microsoft.com|lingua=it|accesso=11 giugno 2023}}</ref>: permette di monitorare le pipeline di dati, controllare le prestazioni e gestire le risorse in modo efficiente.

== Utilizzo ==

Riga 36:

Azure Data Factory è ampiamente utilizzato in scenari aziendali in cui è necessario integrare e orchestrare grandi quantità di dati provenienti da diverse fonti. Alcuni esempi di utilizzo includono:

* Data integration: Azure Data Factory consente alle aziende di aggregare dati provenienti da varie origini, come [[Base di dati|database]], servizi [[Cloud computing|cloud]], applicazioni [[Software as a service|SaaS]], file system, ecc., e di trasformarli in un formato unificato per un'analisi più approfondita.

* Data transformation: offre funzionalità avanzate per la trasformazione dei dati, inclusa l'elaborazione in [[batch]] e in tempo reale, la pulizia dei dati, la normalizzazione, la deduplicazione, ecc.

* Data orchestration: permette di definire flussi di lavoro complessi per orchestrare il movimento dei dati tra le origini e le destinazioni desiderate, garantendo la coerenza e l'integrità dei dati durante il processo.