Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Utilisation de requêtes planifiées dans Timestream pour LiveAnalytics

La fonctionnalité de requêtes planifiées d'Amazon Timestream LiveAnalytics for est une solution entièrement gérée, évolutive et sans serveur permettant de calculer et de stocker des agrégats, des cumuls et d'autres formes de données prétraitées généralement utilisées pour les tableaux de bord opérationnels, les rapports commerciaux, les analyses ad hoc et d'autres applications. Les requêtes planifiées rendent les analyses en temps réel plus performantes et plus rentables, ce qui vous permet de tirer des informations supplémentaires de vos données et de continuer à prendre de meilleures décisions commerciales.

Avec les requêtes planifiées, vous définissez les requêtes d'analyse en temps réel qui calculent les agrégats, les cumuls et les autres opérations sur les données. Amazon Timestream exécute régulièrement et automatiquement ces requêtes et écrit de manière fiable les résultats des requêtes dans une table séparée. LiveAnalytics Les données sont généralement calculées et mises à jour dans ces tables en quelques minutes.

Vous pouvez ensuite diriger vos tableaux de bord et vos rapports vers les tables contenant des données agrégées au lieu d'interroger les tables sources considérablement plus volumineuses. Cela se traduit par des gains de performance et de coûts qui peuvent dépasser des ordres de grandeur. Cela est dû au fait que les tables contenant des données agrégées contiennent beaucoup moins de données que les tables sources, ce qui leur permet d'effectuer des requêtes plus rapidement et de stocker les données à moindre coût.

En outre, les tables comportant des requêtes planifiées offrent toutes les fonctionnalités existantes d'un Timestream pour LiveAnalytics une table. Par exemple, vous pouvez interroger les tables à l'aide deSQL. Vous pouvez visualiser les données stockées dans les tables à l'aide de Grafana. Vous pouvez également ingérer des données dans le tableau à l'aide d'Amazon Kinesis, AmazonMSK, AWS IoT Core et Telegraf. Vous pouvez configurer des politiques de conservation des données sur ces tables pour une gestion automatique du cycle de vie des données.

La conservation des données des tables contenant des données agrégées étant totalement découplée de celle des tables sources, vous pouvez également choisir de réduire la rétention des données des tables sources et de conserver les données agrégées pendant une durée beaucoup plus longue, à une fraction du coût de stockage des données. Les requêtes planifiées rendent les analyses en temps réel plus rapides, moins coûteuses et donc plus accessibles à un plus grand nombre de clients, afin qu'ils puissent surveiller leurs applications et prendre de meilleures décisions commerciales basées sur les données.

Avantages des requêtes planifiées

Cas d'utilisation des requêtes planifiées

Vous pouvez utiliser des requêtes planifiées pour des rapports commerciaux qui résument l'activité de l'utilisateur final à partir de vos applications, afin de former des modèles d'apprentissage automatique à des fins de personnalisation. Vous pouvez également utiliser des requêtes planifiées pour les alarmes qui détectent des anomalies, des intrusions sur le réseau ou des activités frauduleuses, afin de prendre des mesures correctives immédiates.

En outre, vous pouvez utiliser des requêtes planifiées pour une gouvernance des données plus efficace. Vous pouvez le faire en accordant l'accès aux tables source exclusivement aux requêtes planifiées et en fournissant à vos développeurs l'accès uniquement aux tables remplies par des requêtes planifiées. Cela permet de minimiser l'impact des requêtes involontaires de longue durée.

Exemple : utilisation d'analyses en temps réel pour détecter les paiements frauduleux et prendre de meilleures décisions commerciales

Imaginons un système de paiement qui traite les transactions envoyées à partir de plusieurs point-of-sale terminaux répartis dans les grandes villes métropolitaines des États-Unis d'Amérique. Vous souhaitez utiliser Amazon Timestream LiveAnalytics pour stocker et analyser les données des transactions, afin de détecter les transactions frauduleuses et d'exécuter des requêtes d'analyse en temps réel. Ces requêtes peuvent vous aider à répondre à des questions commerciales telles que l'identification des point-of-sale terminaux les plus fréquentés et les moins utilisés par heure, l'heure la plus chargée de la journée dans chaque ville et la ville enregistrant le plus grand nombre de transactions par heure.

Le système traite environ 100 000 transactions par minute. Chaque transaction stockée dans Amazon Timestream LiveAnalytics est de 100 octets. Vous avez configuré 10 requêtes exécutées toutes les minutes pour détecter différents types de paiements frauduleux. Vous avez également créé 25 requêtes qui regroupent et découpent vos données selon différentes dimensions afin de répondre à vos questions commerciales. Chacune de ces requêtes traite les données de la dernière heure.

Vous avez créé un tableau de bord pour afficher les données générées par ces requêtes. Le tableau de bord contient 25 widgets, il est actualisé toutes les heures et 10 utilisateurs y accèdent généralement à tout moment. Enfin, votre mémoire est configurée avec une période de conservation des données de 2 heures et la mémoire magnétique est configurée pour une période de conservation des données de 6 mois.

Dans ce cas, vous pouvez utiliser des requêtes d'analyse en temps réel qui recalculent les données chaque fois que le tableau de bord est consulté et actualisé, ou utiliser des tables dérivées pour le tableau de bord. Le coût des requêtes pour les tableaux de bord basés sur des requêtes d'analyse en temps réel sera de 120,70$ par mois. En revanche, le coût des requêtes de tableau de bord basées sur des tables dérivées sera de 12,27 dollars par mois (consultez Amazon Timestream pour les tarifs). LiveAnalytics Dans ce cas, l'utilisation de tables dérivées réduit le coût des requêtes d'environ 10 fois.