システム構成例：

データ分析基盤システムを構築する際の基本構成（要素）は以下の通りです。

　①データ収集・蓄積
　②データ処理・変換（加工）
　③データ分析・可視化

それぞれのステップで活用できる Azure のサービス（リソース）を当てはめてみましょう。

構成例：


①データ収集・蓄積

　　Storage Account（Azure Data Lake Storage）を用意し、他システムから収集したソースデータを蓄積していきます。
　　データは1種類だけでなく、様々な形式（RDBMS、csv等）で格納されることもあります。

②データ処理・変換（加工）

　　Azure Data Factory により、データの抽出・変換・読み込み（＝ETL） 処理を実現します。
　　GUI 操作での設定が可能なため、プログラミングに関する詳細な知識がなくても直感的に操作できる ETL ツールです。

　　# 基本的には画面（GUI）上からの設定ですが、データベースに対する処理を組み込む場合には、
　　# 具体的なスクリプトを記述するため、データベース操作言語（SQL）の知識が必要です。

　　例：一連の処理（データ移動や変更等のアクティビティ）のパイプラインを定義する際の画面
　　具体的なデータ加工の流れについて、以下の図をもとに細かく見ていきましょう。

　　1．まず、Storage Account から分析に必要となるソースデータを抽出し、
　　　  データベース（Azure SQL Database）に無加工の状態で格納します（緑枠箇所）

　　2．続いて、事前に定義した変換ルール（※）に基づきデータを加工して、
　　　  加工済み結果用の表に格納します（青枠箇所）
　　　　※例：ソースデータを結合できる形に揃えるためフォーマットを統一させる等

　　3．加工済みのデータから分析に必要なデータを抽出し、データマート（分析結果を集約した表）に
　　　 格納します（オレンジ枠箇所）

　　また、上記処理の他にも、失敗時のエラーハンドリングや、分析結果がデータマートに格納された後に
　　Storage Account 上にあるソースデータを別のストレージに移す（アーカイブ）といったことも可能です。

③データ分析・可視化

　　加工前後のデータや最終的な分析データ格納用のデータベースとして、Azure SQL Database を利用します。

　　# データ容量や処理量が大規模な場合、Azure Synapse Analytics を利用する方が望ましいケースがありますが、
　　# 今回は、コストを抑えつつ構築・管理が比較的容易な Azure SQL Database を選定しています。

　　以下の図では、用途を分けた表（無加工、加工済、データマート）を事前に用意しておくことで、
　　Azure Data Factory の ETL 処理の結果をそれぞれの用途に合わせて表に格納することを示しています。

　　以下の場合、基本的にエンドユーザーが確認するのは、データマート上に格納されたデータ（分析結果）です。

　　なお、分析結果については直接データベースを参照するのではなく、Power BI 等の BI ツールを
　　使用することが一般的です。

　　BIツールでグラフ等を作成することにより、非技術者（経営者等）でも経営状況や課題等の可視化が実現できます。

<補足>
・上記の各リソースを構築するにあたり、事前にリソースグループ（構成リソースを管理するための論理的なコンテナ）
　を用意しておく必要があります。

まとめ：