O que é a arquitetura Medallion Lakehouse?

A arquitetura medallion descreve uma série de camadas de dados que indicam a qualidade dos dados armazenados no lakehouse. O Azure Databricks recomenda adotar uma abordagem em várias camadas para criar uma única fonte de verdade para produtos de dados corporativos.

Essa arquitetura garante atomicidade, consistência, isolamento e durabilidade à medida que os dados passam por várias camadas de validações e transformações antes de serem armazenados em um layout otimizado para análises eficientes. Os termos bronze (bruto), prata (validado) e ouro (enriquecido) descrevem a qualidade dos dados em cada uma dessas camadas.

Arquitetura Medallion como padrão de concepção de dados

Uma arquitetura de medalhão é um padrão de design de dados usado para organizar logicamente os dados. Seu objetivo é melhorar incremental e progressivamente a estrutura e a qualidade dos dados à medida que fluem através de cada camada da arquitetura (de tabelas de camada Bronze ⇒ Prata ⇒ Ouro). As arquiteturas Medallion são por vezes também referidas como arquiteturas multi-hop.

Ao progredir os dados através dessas camadas, as organizações podem melhorar incrementalmente a qualidade e a confiabilidade dos dados, tornando-os mais adequados para aplicativos de business intelligence e aprendizado de máquina.

Seguir a arquitetura Medallion é uma prática recomendada, mas não é uma obrigação.

Exemplo de arquitetura de medalhão

Este exemplo de arquitetura de medalhão mostra camadas de bronze, prata e ouro para uso por uma equipe de operações de negócios. Cada camada é armazenada em um esquema diferente do catálogo de operações.

• Camada de bronze (ops.bronze): Processa dados brutos do armazenamento em nuvem, Kafka e Salesforce. Nenhuma limpeza ou validação de dados é realizada aqui.
• Camada prateada (ops.silver): A limpeza e validação de dados são realizadas nesta camada.
  • Os dados sobre clientes e transações são limpos eliminando nulos e colocando em quarentena registros inválidos. Esses conjuntos de dados são unidos em um novo conjunto de dados chamado customer_transactions. Os cientistas de dados podem usar esse conjunto de dados para análises preditivas.
  • Da mesma forma, contas e conjuntos de dados de oportunidade do Salesforce são unidos para criar account_opportunities, que é enriquecido com informações de conta.
  • Os leads_raw dados são limpos num conjunto de dados chamado leads_cleaned.
• Camada de ouro (ops.gold): Esta camada foi concebida para utilizadores empresariais. Ele contém menos conjuntos de dados do que prata e ouro.
  • customer_spending: Gasto médio e total para cada cliente.
  • account_performance: Desempenho diário para cada conta.
  • sales_pipeline_summary: Informações sobre o processo integral de vendas.
  • business_summary: Informação altamente agregada para o pessoal executivo.

Ingerir dados brutos para a camada de bronze

A camada de bronze contém dados brutos e não validados. Os dados ingeridos na camada de bronze normalmente têm as seguintes características:

• Contém e mantém o estado bruto da fonte de dados em seus formatos originais.
• É anexado incrementalmente e cresce ao longo do tempo.
• Destina-se ao consumo por processos que enriquecem dados para silver tables, não para acesso por analistas e cientistas de dados.
• Serve como a única fonte de verdade, preservando a fidelidade dos dados.
• Permite o reprocessamento e a auditoria, retendo todos os dados históricos.
• Pode ser qualquer combinação de streaming e transações em lote de fontes, incluindo armazenamento de objetos na nuvem (por exemplo, S3, GCS, ADLS), barramentos de mensagens (por exemplo, Kafka, Kinesis, etc.) e sistemas federados (por exemplo, Lakehouse Federation).

Limitar a limpeza ou validação de dados

A validação mínima dos dados é realizada na camada de bronze. Para garantir contra dados descartados, o Azure Databricks recomenda armazenar a maioria dos campos como string, VARIANT ou binário para proteger contra alterações inesperadas de esquema. Colunas de metadados podem ser adicionadas, como a proveniência ou a fonte dos dados (por exemplo, _metadata.file_name ).

Validar e desduplicar dados na camada prateada

A limpeza e validação de dados são realizadas em camada prateada.

Construa mesas de prata a partir da camada de bronze

Para construir a camada de prata, leia os dados de uma ou mais tabelas de bronze ou prata e escreva dados em tabelas de prata.

O Azure Databricks não recomenda escrever diretamente em "tabelas de prata" a partir do processo de ingestão. Se escrever diretamente a partir da ingestão, introduzirá erros devido a alterações de esquema ou a registos corrompidos nas fontes de dados. Supondo que todas as fontes sejam somente acréscimo, configure a maioria das leituras a partir da camada bronze como leituras em streaming. As leituras em lote devem ser reservadas para pequenos conjuntos de dados (por exemplo, tabelas dimensionais pequenas).

A camada prateada representa versões validadas, limpas e enriquecidas dos dados. A camada de prata:

• Deve sempre incluir pelo menos uma representação validada e não agregada de cada registo. Se as representações agregadas gerarem muitas cargas de trabalho downstream, essas representações podem estar na camada prata, mas normalmente estão na camada ouro.
• É onde você executa a limpeza, a desduplicação e a normalização de dados.
• Melhora a qualidade dos dados corrigindo erros e inconsistências.
• Estrutura os dados em um formato mais consumível para processamento a jusante.

Reforçar a qualidade dos dados

As seguintes operações são realizadas em tabelas de prata:

• Aplicação do esquema
• Manipulação de valores nulos e ausentes
• Eliminação de dados duplicados
• Resolução de problemas de dados fora de ordem e de chegada tardia
• Controlos da qualidade dos dados e aplicação da legislação
• Evolução do esquema
• Tipo de fundição
• Junções

Iniciar a modelagem de dados

É comum começar a executar a modelagem de dados na camada prateada, incluindo a escolha de como representar dados fortemente aninhados ou semiestruturados:

• Use o tipo de dados VARIANT.
• Utilize JSON cadeias de caracteres.
• Crie estruturas, mapas e matrizes.
• Nivele o esquema ou normalize os dados em várias tabelas.

Análise de energia com a camada de ouro

A camada ouro representa visualizações altamente refinadas dos dados que impulsionam análises, painéis, ML e aplicativos downstream. Os dados da camada Gold geralmente são altamente agregados e filtrados para períodos de tempo específicos ou regiões geográficas. Ele contém conjuntos de dados semanticamente relevantes que se relacionam com funções e necessidades empresariais.

A camada de ouro:

• Consiste em dados agregados adaptados para análises e relatórios.
• Alinha-se com a lógica e os requisitos de negócios.
• É otimizado para desempenho em consultas e painéis.

Alinhe-se com a lógica e os requisitos de negócios

A camada ouro é onde você modelará seus dados para relatórios e análises usando um modelo dimensional, estabelecendo relacionamentos e definindo medidas. Os analistas com acesso a dados em ouro devem ser capazes de encontrar dados específicos do domínio e responder a perguntas.

Como a camada ouro modela um domínio de negócios, alguns clientes criam várias camadas de ouro para atender a diferentes necessidades de negócios, como RH, finanças e TI.

Crie agregados personalizados para análises e relatórios

As organizações geralmente precisam criar funções agregadas para medidas como médias, contagens, máximos e mínimos. Por exemplo, se sua empresa precisa responder a perguntas sobre vendas semanais totais, você pode criar uma visão materializada chamada weekly_sales que pré-agrega esses dados para que analistas e outros não precisem recriar visualizações materializadas usadas com frequência.

CREATE OR REPLACE MATERIALIZED VIEW weekly_sales AS
SELECT week,
       prod_id,
       region,
       SUM(units) AS total_units,
       SUM(units * rate) AS total_sales
FROM orders
GROUP BY week, prod_id, region

Otimizar o desempenho de consultas e painéis

A otimização de tabelas de camada ouro para desempenho é uma prática recomendada porque esses conjuntos de dados são consultados com frequência. Grandes quantidades de dados históricos são normalmente acessadas na camada de lasca e não materializadas na camada de ouro.

Controle os custos ajustando a frequência de ingestão de dados

Controle os custos determinando a frequência com que os dados devem ser ingeridos.