Erkunden eines relationalen Data Warehouse

Azure Synapse Analytics basiert auf skalierbaren Funktionen zur Unterstützung von Data Warehousing auf Unternehmensniveau. Es bietet dateibasierte Datenanalysen von einzelnen Data Lakes bis zu mehreren riesigen relationalen Data Warehouses sowie die zum Laden verwendeten Datenübertragungs- und Transformationspipelines. In diesem Lab erfahren Sie, wie Sie einen dedizierten SQL-Pool in Azure Synapse Analytics verwenden, um Daten in einem relationalen Data Warehouse zu speichern und abzufragen.

Dieses Lab dauert ungefähr 45 Minuten.

Vor der Installation

Sie benötigen ein Azure-Abonnement, in dem Sie Administratorzugriff besitzen.

Bereitstellen eines Azure Synapse Analytics-Arbeitsbereichs

Ein Azure Synapse Analytics-Arbeitsbereich ** bietet einen zentralen Punkt für die Verwaltung von Daten und Datenverarbeitungslaufzeiten. Sie können einen Arbeitsbereich mithilfe der interaktiven Benutzeroberfläche im Azure-Portal bereitstellen, oder Sie können einen Arbeitsbereich und darin befindliche Ressourcen mithilfe eines Skripts oder einer Vorlage bereitstellen. In den meisten Produktionsszenarien empfiehlt es sich, die Bereitstellung mit Skripten oder Vorlagen zu automatisieren, damit Sie die Ressourcenbereitstellung in einen wiederholbaren DevOps-Prozess (Development/Operations, Entwicklung/Betrieb) integrieren können.

In dieser Übung verwenden Sie eine Kombination aus einem PowerShell-Skript und einer ARM-Vorlage, um einen Azure Synapse Analytics-Arbeitsbereich bereitzustellen.

Melden Sie sich beim Azure-Portal unter https://portal.azure.com an.
Verwenden Sie rechts neben der Suchleiste oben auf der Seite die Schaltfläche [>_], um eine neue Cloud Shell-Instanz im Azure-Portal zu erstellen. Wählen Sie eine PowerShell-Umgebung aus, und erstellen Sie Speicher, falls Sie dazu aufgefordert werden. Die Cloud Shell bietet eine Befehlszeilenschnittstelle in einem Bereich am unteren Rand des Azure-Portals, wie hier gezeigt:

Hinweis: Wenn Sie zuvor eine Cloud Shell erstellt haben, die eine Bash-Umgebung verwendet, ändern Sie diese mithilfe des Dropdownmenüs oben links im Cloud Shell-Bereich zu PowerShell.
Beachten Sie, dass Sie die Größe der Cloud Shell durch Ziehen der Trennzeichenleiste oben im Bereich ändern können oder den Bereich mithilfe der Symbole —, ◻ und X oben rechts minimieren, maximieren und schließen können. Weitere Informationen zur Verwendung von Azure Cloud Shell finden Sie in der Azure Cloud Shell-Dokumentation.

Geben Sie im PowerShell-Bereich die folgenden Befehle ein, um dieses Repository zu klonen:

 rm -r dp203 -f
 git clone  https://github.com/MicrosoftLearning/Dp-203-azure-data-engineer dp203

Nachdem das Repository geklont wurde, geben Sie die folgenden Befehle ein, um in den Ordner für dieses Lab zu wechseln. Führen Sie das darin enthaltene Skript setup.ps1 aus:
```
 cd dp203/Allfiles/labs/08
 ./setup.ps1
```
Wenn Sie dazu aufgefordert werden, wählen Sie aus, welches Abonnement Sie verwenden möchten (dies geschieht nur, wenn Sie Zugriff auf mehrere Azure-Abonnements haben).
Wenn Sie dazu aufgefordert werden, geben Sie ein geeignetes Kennwort ein, das für Ihren Azure Synapse SQL-Pool festgelegt werden soll.

Hinweis: Merken Sie sich unbedingt dieses Kennwort!
Warten Sie, bis das Skript abgeschlossen ist. Dies dauert in der Regel etwa 15 Minuten, in einigen Fällen kann es jedoch länger dauern. Während Sie warten, können Sie den Artikel Was ist ein dedizierter SQL-Pool in Azure Synapse Analytics? in der Dokumentation zu Azure Synapse Analytics lesen.

Erkunden des Data Warehouse-Schemas

In diesem Lab wird das Data Warehouse in einem dedizierten SQL-Pool in Azure Synapse Analytics gehostet.

Starten des dedizierten SQL-Pools

Wechseln Sie nach Abschluss des Skripts im Azure-Portal zur Ressourcengruppedp500-xxxxx und wählen Sie ihren Synapse-Arbeitsbereich aus.
Wählen Sie auf der Seite Übersicht für Ihren Synapse-Arbeitsbereich auf der Karte Open Synapse Studio die OptionÖffnen aus, um Synapse Studio auf einer neuen Browserregisterkarte zu öffnen.
Verwenden Sie im linken Bereich von Synapse Studio das Symbol ››, um das Menü zu erweitern. Dadurch werden die verschiedenen Seiten in Synapse Studio angezeigt, die Sie zur Verwaltung von Ressourcen und zur Durchführung von Datenanalyseaufgaben verwenden werden.
Stellen Sie auf der Seite Verwalten sicher, dass die Registerkarte SQL-Pools ausgewählt ist, wählen Sie anschließend den dedizierten SQL-Pool sqlxxxxxxx aus, und verwenden Sie dann das zugehörige Symbol ▷, um ihn zu starten. Bestätigen Sie, dass Sie ihn fortsetzen möchten, wenn Sie dazu aufgefordert werden.
Warten Sie, bis der SQL-Pool fortgesetzt wird. Dies kann einige Minuten dauern. Verwenden Sie die Schaltfläche & #8635; Aktualisieren, um den Status regelmäßig zu überprüfen. Der Status wird als Online angezeigt, wenn er bereit ist.

Anzeigen der Tabellen in der Datenbank

Wählen Sie in Synapse Studio die Seite Daten aus, und stellen Sie sicher, dass die Registerkarte Arbeitsbereich ausgewählt ist und eine Kategorie SQL-Datenbank enthält.
Erweitern Sie SQL-Datenbank, den Pool sqlxxxxxxx und den zugehörigen Ordner Tables, um die Tabellen in der Datenbank anzuzeigen.

Ein relationales Data Warehouse basiert in der Regel auf einem Schema, das aus Fakten- und Dimensionstabellen besteht. Die Tabellen sind für analytische Abfragen optimiert, in denen numerische Metriken in den Faktentabellen durch Attribute der Entitäten aggregiert werden, die durch die Dimensionstabellen dargestellt werden, so haben Sie z. B. die Möglichkeit, Internetverkäufe nach Produkt, Kundin/Kunde, Datum usw. zu aggregieren.
Erweitern Sie die Tabelle dbo.FactInternetSales und deren Ordner Columns, um die Spalten in dieser Tabelle anzuzeigen. Beachten Sie, dass viele der Spalten Schlüssel sind, die auf Zeilen in den Dimensionstabellen verweisen. Andere sind numerische Werte (Measures) für die Analyse.

Die Schlüssel dienen dazu, eine Faktentabelle mit mindestens einer Dimensionstabelle zu verknüpfen. Dies erfolgt häufig in Form eines Sternschemas, in dem die Faktentabelle direkt mit jeder Dimensionstabelle verknüpft ist (und so einen mehrzackigen „Stern“ mit der Faktentabelle in der Mitte bildet).
Zeigen Sie die Spalten für die Tabelle dbo. DimPromotion an. Beachten Sie, dass sie über einen eindeutigen Schlüssel namens PromotionKey verfügt, der jede Zeile in der Tabelle eindeutig identifiziert. Außerdem verfügt sie über den Schlüssel AlternateKey.

In der Regel wurden Daten in einem Data Warehouse aus mindestens einer Transaktionsquelle importiert. Der alternative Schlüssel spiegelt den Geschäftsbezeichner für die Instanz dieser Entität in der Quelle wider. Es wird aber normalerweise ein eindeutiger numerischer Ersatzschlüssel generiert, um jede Zeile in der Dimensionstabelle des Data Warehouse eindeutig zu identifizieren. Einer der Vorteile dieses Ansatzes besteht darin, dass das Data Warehouse zu verschiedenen Zeitpunkten mehrere Instanzen derselben Entität enthalten kann (z. B. Datensätze für dieselbe Kundin oder denselben Kunden für unterschiedliche Adressen zum Zeitpunkt der Bestellung).
Zeigen Sie die Spalten für dbo.DimProduct an. Beachten Sie, dass sie die Spalte ProductSubcategoryKey enthält, die auf die Tabelle dbo.DimProductSubcategory verweist, die wiederum eine Spalte ProductCategoryKey enthält, die auf die Tabelle dbo.DimProductCategory verweist.

In einigen Fällen werden Dimensionen teilweise in mehrere verknüpfte Tabellen normalisiert, um unterschiedliche Granularitätsstufen zu ermöglichen. So können z. B. Produkte in Unterkategorien und Kategorien gruppiert werden. Dadurch kann ein einfacher Stern auf ein Schneeflockenschema erweitert werden, in dem die zentrale Faktentabelle mit einer Dimensionstabelle verknüpft ist, die wiederum mit weiteren Dimensionstabellen verknüpft ist.
Zeigen Sie die Spalten für die Tabelle dbo.DimDate. Beachten Sie, dass sie mehrere Spalten enthält, die unterschiedliche zeitliche Attribute eines Datums widerspiegeln – einschließlich Wochentag, Monat, Monat, Jahr, Tagesname, Monatsname usw.

Zeitdimensionen in einem Data Warehouse werden in der Regel als Dimensionstabelle implementiert, die eine Zeile für jede der kleinsten zeitlichen Einheiten der Granularität enthält (häufig als Korn der Dimension bezeichnet), nach denen Sie die Measures in den Faktentabellen aggregieren möchten. In diesem Fall ist das kleinste Korn, nach dem Measures aggregiert werden können, ein einzelnes Datum, und die Tabelle enthält eine Zeile für jedes Datum – vom ersten bis zum letzten Datum, auf das in den Daten verwiesen wird. Mit den Attributen in der Tabelle DimDate können Analystinnen und Analysten Measures basierend auf einem beliebigen Datumsschlüssel in der Faktentabelle mithilfe einer konsistenten Gruppe zeitlicher Attribute aggregieren (um z. B. Bestellungen nach Monat basierend auf dem Bestelldatum anzuzeigen). Die Tabelle FactInternetSales enthält drei Schlüssel, die mit der Tabelle DimDate verknüpft sind: OrderDateKey, DueDateKey und ShipDateKey.

Abfragen von Data Warehouse-Tabellen

Nachdem Sie nun einige der wichtigeren Aspekte des Data Warehouse-Schemas untersucht haben, können Sie die Tabellen abfragen und einige Daten abrufen.

Abfragen von Fakten- und Dimensionstabellen

Numerische Werte in einem relationalen Data Warehouse werden in Faktentabellen mit verknüpften Dimensionstabellen gespeichert, mit denen Sie die Daten nach mehreren Attribute aggregieren können. Aufgrund dieses Designs umfassen die meisten Abfragen in einem relationalen Data Warehouse das Aggregieren und Gruppieren von Daten (mithilfe von Aggregatfunktionen und GROUP BY-Klauseln) aus verknüpften Tabellen (mithilfe von JOIN-Klauseln).

Wählen Sie auf der Seite Daten den SQL-Pool sqlxxxxxxx und dann im Menü … die Option Neues SQL-Skript > Leeres Skript aus.
Wenn eine neue Registerkarte SQL-Skript 1 geöffnet wird, ändern Sie im Eigenschaftenbereich den Namen des Skripts in Internetumsatz analysieren, und ändern Sie die Ergebniseinstellungen pro Abfrage so, dass alle Zeilen zurückgegeben werden. Verwenden Sie danach die Schaltfläche Veröffentlichen auf der Symbolleiste, um das Skript zu speichern, und die Schaltfläche Eigenschaften (ähnelt 🗏.) am rechten Ende der Symbolleiste, um den Eigenschaftenbereich zu schließen, sodass der Skriptbereich sichtbar wird.

Fügen Sie im leeren Skript folgenden Code hinzu:

 SELECT  d.CalendarYear AS Year,
         SUM(i.SalesAmount) AS InternetSalesAmount
 FROM FactInternetSales AS i
 JOIN DimDate AS d ON i.OrderDateKey = d.DateKey
 GROUP BY d.CalendarYear
 ORDER BY Year;

Verwenden Sie die Schaltfläche ▷ Ausführen, um das Skript auszuführen, und überprüfen Sie die Ergebnisse, die die Summe der Internetverkäufe für jedes Jahr enthalten sollen. Diese Abfrage verknüpft die Faktentabelle für Internetverkäufe basierend auf dem Bestelldatum mit einer Zeitdimensionstabelle und aggregiert das Measure mit dem Verkaufsbetrag in der Faktentabelle nach dem Kalendermonatsattribut der Dimensionstabelle.
Ändern Sie die Abfrage wie folgt, um das Monatsattribut aus der Zeitdimension hinzuzufügen, und führen Sie dann die geänderte Abfrage aus.
```
 SELECT  d.CalendarYear AS Year,
         d.MonthNumberOfYear AS Month,
         SUM(i.SalesAmount) AS InternetSalesAmount
 FROM FactInternetSales AS i
 JOIN DimDate AS d ON i.OrderDateKey = d.DateKey
 GROUP BY d.CalendarYear, d.MonthNumberOfYear
 ORDER BY Year, Month;
```
Beachten Sie, dass Sie mit den Attributen in der Zeitdimension die Measures in der Faktentabelle auf mehreren Hierarchieebenen – in diesem Fall Jahr und Monat – aggregieren können. Dies ist ein gängiges Muster in Data Warehouses.
Ändern Sie die Abfrage wie folgt, um den Monat zu entfernen und der Aggregation eine zweite Dimension hinzuzufügen. Führen Sie sie dann aus, um die Ergebnisse anzuzeigen (also die jährlichen Summen für Internetverkäufe der einzelnen Regionen):
```
 SELECT  d.CalendarYear AS Year,
         g.EnglishCountryRegionName AS Region,
         SUM(i.SalesAmount) AS InternetSalesAmount
 FROM FactInternetSales AS i
 JOIN DimDate AS d ON i.OrderDateKey = d.DateKey
 JOIN DimCustomer AS c ON i.CustomerKey = c.CustomerKey
 JOIN DimGeography AS g ON c.GeographyKey = g.GeographyKey
 GROUP BY d.CalendarYear, g.EnglishCountryRegionName
 ORDER BY Year, Region;
```
Beachten Sie, dass es sich bei der Geografie um eine Schneeflockendimension handelt, die über die Kundendimension mit der Faktentabelle mit den Internetverkäufen verknüpft ist. Daher benötigen Sie zwei Joins in der Abfrage, um die Internetverkäufe nach Geografie zu aggregieren.

Ändern Sie die Abfrage, und führen Sie sie erneut aus, um eine weitere Schneeflockendimension hinzuzufügen und die jährlichen regionalen Verkäufe nach Produktkategorie zu aggregieren:

 SELECT  d.CalendarYear AS Year,
         pc.EnglishProductCategoryName AS ProductCategory,
         g.EnglishCountryRegionName AS Region,
         SUM(i.SalesAmount) AS InternetSalesAmount
 FROM FactInternetSales AS i
 JOIN DimDate AS d ON i.OrderDateKey = d.DateKey
 JOIN DimCustomer AS c ON i.CustomerKey = c.CustomerKey
 JOIN DimGeography AS g ON c.GeographyKey = g.GeographyKey
 JOIN DimProduct AS p ON i.ProductKey = p.ProductKey
 JOIN DimProductSubcategory AS ps ON p.ProductSubcategoryKey = ps.ProductSubcategoryKey
 JOIN DimProductCategory AS pc ON ps.ProductCategoryKey = pc.ProductCategoryKey
 GROUP BY d.CalendarYear, pc.EnglishProductCategoryName, g.EnglishCountryRegionName
 ORDER BY Year, ProductCategory, Region;

Dieses Mal erfordert die Schneeflockendimension für die Produktkategorie drei Joins, um die hierarchische Beziehung zwischen Produkten, Unterkategorien und Kategorien widerzuspiegeln.

Veröffentlichen Sie das Skript, um es zu speichern.

Verwenden von Rangfolgefunktionen

Beim Analysieren großer Datenmengen ist es häufig erforderlich, die Daten nach Partitionen zu gruppieren und den Rang jeder Entität in der Partition basierend auf einer bestimmten Metrik zu bestimmen.

Fügen Sie unter der vorhandenen Abfrage folgenden SQL-Code hinzu, um basierend auf dem Namen des Landes/der Region Verkaufswerte für das Jahr 2022 über Partitionen abzurufen:

 SELECT  g.EnglishCountryRegionName AS Region,
         ROW_NUMBER() OVER(PARTITION BY g.EnglishCountryRegionName
                           ORDER BY i.SalesAmount ASC) AS RowNumber,
         i.SalesOrderNumber AS OrderNo,
         i.SalesOrderLineNumber AS LineItem,
         i.SalesAmount AS SalesAmount,
         SUM(i.SalesAmount) OVER(PARTITION BY g.EnglishCountryRegionName) AS RegionTotal,
         AVG(i.SalesAmount) OVER(PARTITION BY g.EnglishCountryRegionName) AS RegionAverage
 FROM FactInternetSales AS i
 JOIN DimDate AS d ON i.OrderDateKey = d.DateKey
 JOIN DimCustomer AS c ON i.CustomerKey = c.CustomerKey
 JOIN DimGeography AS g ON c.GeographyKey = g.GeographyKey
 WHERE d.CalendarYear = 2022
 ORDER BY Region;

Wählen Sie nur den neuen Abfragecode aus, und verwenden Sie die Schaltfläche ▷ Ausführen, um sie auszuführen. Überprüfen Sie dann die Ergebnisse, die denen in der folgenden Tabelle ähneln sollten:

Region	RowNumber	OrderNo	LineItem	SalesAmount	RegionTotal	RegionAverage
Australien	1	SO73943	2	2.2900	2.172.278,7900	375,8918
Australien	2	SO74100	4	2.2900	2.172.278,7900	375,8918
…	…	…	…	…	…	…
Australien	5.779	SO64284	1	2.443,3500	2.172.278,7900	375,8918
Kanada	1	SO66332	2	2.2900	563.177,1000	157,8411
Kanada	2	SO68234	2	2.2900	563.177,1000	157,8411
…	…	…	…	…	…	…
Kanada	3568	SO70911	1	2.443,3500	563.177,1000	157,8411
Frankreich	1	SO68226	3	2.2900	816.259,4300	315,4016
Frankreich	2	SO63460	2	2.2900	816.259,4300	315,4016
…	…	…	…	…	…	…
Frankreich	2588	SO69100	1	2.443,3500	816.259,4300	315,4016
Deutschland	1	SO70829	3	2.2900	922.368,2100	352,4525
Deutschland	2	SO71651	2	2.2900	922.368,2100	352,4525
…	…	…	…	…	…	…
Deutschland	2.617	SO67908	1	2.443,3500	922.368,2100	352,4525
Vereinigtes Königreich	1	SO66124	3	2.2900	1.051.560,1000	341,7484
Vereinigtes Königreich	2	SO67823	3	2.2900	1.051.560,1000	341,7484
…	…	…	…	…	…	…
Vereinigtes Königreich	3077	SO71568	1	2.443,3500	1.051.560,1000	341,7484
USA	1	SO74796	2	2.2900	2.905.011,1600	289,0270
USA	2	SO65114	2	2.2900	2.905.011,1600	289,0270
…	…	…	…	…	…	…
USA	10051	SO66863	1	2.443,3500	2.905.011,1600	289,0270

Beachten Sie die folgenden Informationen zu diesen Ergebnissen:

Für jeden bestellten Artikel gibt es eine Zeile.
Die Zeilen sind basierend auf der Geografie, in der der Verkauf getätigt wurde, in Partitionen organisiert.
Die Zeilen innerhalb jeder geografischen Partition sind in der Reihenfolge des Verkaufsbetrags nummeriert (von kleinstem zum höchsten Wert) sortiert.
Jede Zeile enthält den Verkaufsbetrag der Artikel sowie die regionalen Gesamt- und durchschnittlichen Verkaufsbeträge.

Fügen Sie unter den vorhandenen Abfragen den folgenden Code hinzu, um Fensterfunktionen in einer GROUP BY-Abfrage anzuwenden und die Städte in jeder Region basierend auf ihrem Gesamtumsatz zu bewerten:

 SELECT  g.EnglishCountryRegionName AS Region,
         g.City,
         SUM(i.SalesAmount) AS CityTotal,
         SUM(SUM(i.SalesAmount)) OVER(PARTITION BY g.EnglishCountryRegionName) AS RegionTotal,
         RANK() OVER(PARTITION BY g.EnglishCountryRegionName
                     ORDER BY SUM(i.SalesAmount) DESC) AS RegionalRank
 FROM FactInternetSales AS i
 JOIN DimDate AS d ON i.OrderDateKey = d.DateKey
 JOIN DimCustomer AS c ON i.CustomerKey = c.CustomerKey
 JOIN DimGeography AS g ON c.GeographyKey = g.GeographyKey
 GROUP BY g.EnglishCountryRegionName, g.City
 ORDER BY Region;

Wählen Sie nur den neuen Abfragecode aus, und verwenden Sie die Schaltfläche ▷ Ausführen, um sie auszuführen. Überprüfen Sie dann die Ergebnisse auf Folgendes:
- Die Ergebnisse enthalten eine Zeile für jede Stadt, gruppiert nach Region.
- Der Gesamtumsatz (Summe einzelner Verkaufsbeträge) wird für jede Stadt berechnet.
- Die Summe des regionalen Umsatzes (die Summe der Verkaufsbeträge für jede Stadt in der Region) wird basierend auf der regionalen Partition berechnet.
- Der Rang jeder Stadt innerhalb ihrer regionalen Partition wird berechnet, indem der Gesamtumsatz pro Stadt in absteigender Reihenfolge sortiert wird.
Veröffentlichen Sie das aktualisierte Skript, um die Änderungen zu speichern.

Tipp: ROW_NUMBER und RANK sind Beispiele für Rangfolgefunktionen, die in Transact-SQL verfügbar sind. Weitere Informationen finden Sie in der Dokumentation zur Transact-SQL-Sprache in der Referenz zu Rangfolgefunktionen.

Abrufen einer Schätzung

Bei der Untersuchung sehr großer Datenmengen kann die Ausführung von Abfragen sehr viel Zeit und Ressourcen in Anspruch nehmen. Häufig erfordert die Datenanalyse keine absolut genauen Werte – ein Vergleich der ungefähren Werte reicht möglicherweise aus.

Fügen Sie unter den vorhandenen Abfragen den folgenden Code hinzu, um die Anzahl der Bestellungen für jedes Kalenderjahr abzurufen:

 SELECT d.CalendarYear AS CalendarYear,
     COUNT(DISTINCT i.SalesOrderNumber) AS Orders
 FROM FactInternetSales AS i
 JOIN DimDate AS d ON i.OrderDateKey = d.DateKey
 GROUP BY d.CalendarYear
 ORDER BY CalendarYear;

Wählen Sie nur den neuen Abfragecode aus, und verwenden Sie die Schaltfläche ▷ Ausführen, um sie auszuführen. Überprüfen Sie dann die zurückgegebene Ausgabe:
- Zeigen Sie auf der Registerkarte Ergebnisse unter der Abfrage die Anzahl der Bestellungen für jedes Jahr an.
- Zeigen Sie auf der Registerkarte Nachrichten die Gesamtzeit für die Ausführung der Abfrage an.

Ändern Sie die Abfrage wie folgt, um eine Schätzung der Anzahl für jedes Jahr zurückzugeben. Führen Sie die Abfrage dann erneut aus.

 SELECT d.CalendarYear AS CalendarYear,
     APPROX_COUNT_DISTINCT(i.SalesOrderNumber) AS Orders
 FROM FactInternetSales AS i
 JOIN DimDate AS d ON i.OrderDateKey = d.DateKey
 GROUP BY d.CalendarYear
 ORDER BY CalendarYear;

Überprüfen Sie die zurückgegebene Ausgabe:
- Zeigen Sie auf der Registerkarte Ergebnisse unter der Abfrage die Anzahl der Bestellungen für jedes Jahr an. Diese sollten in einem Rahmen von 2 % der tatsächlichen Anzahl liegen, die von der vorherigen Abfrage abgerufen wurden.
- Zeigen Sie auf der Registerkarte Nachrichten die Gesamtzeit für die Ausführung der Abfrage an. Sie sollte kürzer sein als für die vorherige Abfrage.
Veröffentlichen Sie das Skript, um die Änderungen zu speichern.

Tipp: Weitere Details finden Sie in der Dokumentation zur APPROX_COUNT_DISTINCT-Funktion.

Herausforderung: Analysieren der Verkäufe von Handelspartnern

Erstellen Sie ein neues leeres Skript für den SQL-Pool sqlxxxxxxx, und speichern Sie es unter dem Namen Handelspartnerverkäufe analysieren.
Erstellen Sie SQL-Abfragen im Skript, um die folgenden Informationen basierend auf der Faktentabelle FactResellerSales und den damit verknüpften Dimensionstabellen zu ermitteln:
- Die Gesamtmenge der pro Geschäftsjahr und Quartal verkauften Artikel
- Die Gesamtmenge der verkauften Artikel pro Geschäftsjahr, Quartal und Vertriebsregion, die der Verkäuferin oder dem Verkäufer zugeordnet ist
- Die Gesamtmenge der pro Geschäftsjahr, Quartal und Vertriebsregion verkauften Artikel nach Produktkategorie
- Den Rang jeder Vertriebsregion pro Geschäftsjahr basierend auf dem Gesamtumsatz für das Jahr
- Die geschätzte Anzahl der Verkaufsbestellungen pro Jahr in jeder Vertriebsregion
Tipp: Vergleichen Sie Ihre Abfragen mit den Abfragen im Lösungsskript auf der Seite Entwickeln in Synapse Studio.
Sie können gerne mit weiteren Abfragen experimentieren, um die restlichen Tabellen im Data Warehouse-Schema zu erkunden.
Wenn Sie fertig sind, halten Sie auf der Seite Verwalten den dedizierten SQL-Pool sqlxxxxxxx an.

Löschen von Azure-Ressourcen

Wenn Sie sich mit Azure Synapse Analytics vertraut gemacht haben, sollten Sie die erstellten Ressourcen löschen, um unnötige Azure-Kosten zu vermeiden.

Schließen Sie die Registerkarte mit Synapse Studio, und kehren Sie zum Azure-Portal zurück.
Wählen Sie auf der Startseite des Azure-Portals die Option Ressourcengruppen aus.
Wählen Sie die Ressourcengruppe dp500-xxxxxxx für Ihren Synapse Analytics-Arbeitsbereich (nicht die verwaltete Ressourcengruppe) aus, und überprüfen Sie, ob sie den Synapse-Arbeitsbereich, das Speicherkonto und den dedizierten SQL-Pool für Ihren Arbeitsbereich enthält.
Wählen Sie oben auf der Seite Übersicht für Ihre Ressourcengruppe die Option Ressourcengruppe löschen aus.
Geben Sie den dp500-xxxxxxx Namen der Ressourcengruppe ein, um zu bestätigen, dass Sie sie löschen möchten, und wählen Sie Löschen aus.

Nach ein paar Minuten werden Ihr Azure Synapse-Arbeitsbereich und der ihm zugeordnete verwaltete Arbeitsbereich gelöscht.