设计师：贝妮
注：站在体验设计的角度所以我对 Synapse Analytics 适合的业务场景以及产品使用的方式可能有些许不准确，还望大家帮忙指正

一、用户使用数据典型需求

客户在使用数据时，一般会分为两大典型需求，分别是：

BI型：对海量数据进行关联分析，为企业经营提供决策指导以及商业洞察

AI型：用数据做训练，通过机器学习等方法得到模型，用于人工智能和数据科学研究，驱动业务创新

二、Azure推出的产品

针对以上两大不同类型的需求，Azure也面对不同的场景提供了出色的产品，如：

面向数据科学场景：Azure Databriks

面向商业分析场景：Azure Synapse Analytics

Azure Synapse Analytics 是微软提供的一个基于云的数据仓库。能帮助企业更有效地从各种复杂的业务系统、应用、渠道中快速获取有效数据，对海量数据进行实时分析处理，以最快速度获取可用于指导决策或者机器学习的业务洞察，同时也是阿里云MaxCompute相关竞品

如synapse 分析平台，微软不断的将与分析相关的核心产品均整合进来，在OLAP侧堆砌了数据分析能力厚度；这次的产品更是将除数据应用以外的核心产品进行了封装，面向企业提供数据平台能力；通过平台，微软在平台侧整合了OLTP & OLAP，实现了体验上的HTAP，为复杂分析集成了ML，在数据可视化上提供了powerBI，同时作为企业级的入口，完善数据治理等；这个平台最大程度上强化了产品间的联动，通过企业能力覆盖度做到了1+1>2的解决方案牵引；同时微软在数据下游，通过Dynamic 365（企业级数据应用）+365 Power Platform （智能数据解决方案）来完成于IDP平台对接，实现了解决方案+数据平台的企业数据场景大链路闭环；

Azure Synapse Analytics 架构

三、Synapse Analytics产品功能

Azure Synapse Analytics 功能

2.1.1、统一的分析平台

通过单个统一的环境执行数据集成、数据探索、数据仓库、大数据分析和机器学习任务

2.1.2、无服务器和专用选项

同时支持数据湖和数据仓库用例，并为每个工作负载选择性价比最高的定价选项

2.1.3、企业数据仓库

在性能业界领先的 SQL 引擎久经考验的基础上构建任务关键型数据仓库

2.1.4、数据湖探索

结合关系数据和非关系数据，并使用用于构建数据仓库解决方案的服务轻松查询数据湖中的文件

2.1.5、无代码的混合数据集成

在无代码的视觉环境中生成 ETL/ELT 进程，从超过 95 个本机连接器轻松引入数据

2.1.6、深度集成的 Apache Spark 和 SQL 引擎

加强处理高级分析解决方案的数据专业人员之间的协作。在数据仓库和 Spark 引擎上轻松使用 T-SQL 查询

2.1.7、日志和遥测分析

使用业界领先的文本索引技术，通过 Azure Synapse 数据资源管理器分布式查询引擎从时序、日志和遥测数据中获取见解

2.1.8、语言选项

无论使用无服务器资源还是专用资源，都可使用你偏好的语言，包括 T-SQL、KQL、Python、Scala、Spark SQL 和 .Net

2.1.9、集成的 AI 和 BI

通过 Azure 机器学习、Azure 认知服务和 Power BI 的深入集成来完善端到端分析解决方案

2.2.0、云原生 HTAP

只需单击一下，即可从操作数据库（例如 Azure Cosmos DB）存储的实时事务数据中获取见解

四、适合的业务场景

• 数据仓库：能够与各种数据平台和服务集成
• 描述/诊断分析：对 Synapse 数据库使用 T-SQL 查询来执行数据探索和发现
• 实时分析：Azure Synapse Link 支持与不同的运营数据源集成，以实施实时分析解决方案
• 高级分析：通过利用 Azure Databricks 来支持决策制定
• 报告和可视化：与 PowerBI 集成以授权和增强业务决策

五、功能试用

4.1.1 Home

已在 Azure 订阅中设置并配置了 Azure Synapse Analytics 工作区，可以看见产品首页做了引导以及透出最近使用的资源，并且用户进入产品左侧只展示Icon，保留产品更多空间

• 引入数据

• 浏览分析（外链文档）

• 可视化（创建报表和数据集）

首页还有一些功能展示以及社区博客文章之类

4.1.2 Data

分类两种不同的数据源

一、工作区中定义的数据库的工作区选项卡（包括专用 SQL 数据库和 Data Explorer 数据库）

二、链接到工作区的数据源的链接选项卡，包括 Azure Data Lake 存储

我通过浏览模版找到需要的数据以试用Notebook以及SQL，流程如下：

• 步骤一：点击browse gallery
• 步骤二：点击Bing COVID-19 Data
• 步骤三：数据集打开新的 Spark notebook、SQL
• 步骤四：运行Notebook、SQL

步骤一：点击 Browse gallery

步骤二：点击Bing COVID-19 Data

步骤三：数据集打开新的 Spark notebook

步骤四：运行 Notebook、SQL

试用 Pipeline

从 PB 级数据仓库到 Power BI

4.1.3 Develop

用于开发数据处理解决方案的脚本和其他资产

Develop页面

4.1.4 Integrate

用于管理数据摄取和集成资产，例如在数据源之间传输和转换数据的管道，可以通过业务流程管道从多个数据源引入数据

4.1.5 Monitor

用户观察数据处理作业的运行情况并查看其历史记录

Apache Spark applications

点击进入详情页

4.1.6 Manage

用于管理、整合关联 Azure Synapse 工作区中使用的池、运行时和其他资产

六、容器框架

总结

该产品框架内容在用语、功能、操作跟微软开源的 Fluent Design 设计语言保持较好的一致性，大致的框架区域都是由：公共头+菜单栏+二级目录+主体构成；

从宏观的角度来看：帮助产品把控大方向，落实产品形态符合企业形象以及多领域业界趋势，保障企业商业思维、模式上达到一致性；

从微观角度来看：微软各线产品在操作、界面、流程内容上，给予用户相对一致的体验，帮助产品实现风格、交互统一，降低用户学习成本；

公共头

承载产品用户基本信息以及相关通知设置等，比如 Synapse 透出了产品 Logo 品牌标识、搜索功能等，以便用户能够在几秒内看到关于自己的账户信息以及通知内容

菜单栏+二级菜单

将所有功能放在左侧矩形框内，产品提供按顺序浏览、允许直接跳转到任何页面的框架；Synapse 整体内容分层结构展示，我认为页面更像是一个树状结构，每个子页面都有一个父页面，它比较适合跨多页面的复杂内容，但缺点是后续该产品如果增加功能结构层次过深的话，在页面之间切换的点击数量就越多

主体

响应式布局方便跨各种设备缩放，保证 UI 清晰可见并可在所有支持 Windows 的设备上使用，Synapse 可针对特定断点来切换用户界面，比如右下方截图在较小布局上产品省略了左侧菜单栏

原始页面尺寸

自适应页面尺寸

框架结构

4.1.1 Home

4.1.1 Data

4.1.1 Develop

4.1.1 Integrate

4.1.1 Monitor

4.1.1 Manage

七、交互逻辑

抽一个功能流程分析

7.1.1、Monitor 总结

使用链路：点击Monitor->点击Apache Spark applications->查看列表

用户在进入 Apache Spark applications 之后

1. 产品提供默认值，如时间区间默认前 24 小时，状态默认选择所有，用户后续可以点击自行选择，不能删除；
2. 提供增加过滤器选项，如应用程序名称、结束时间等，交互方式比较有趣，用户添加筛选器确定之后，该内容变成一个标签点击后可以重复编辑，并能够继续添加过滤内容，除了结束时间和 Livy ID 只能筛选一次之外，其他内容可以重复添加；
3. 除固定时间区间、状态之外，过滤器添加的内容可以删除，正文部分也可以添加、删除列，并可以做排序；

交互优点

1. 二级菜单分类清晰，可扩展性更强，另外产品内部按钮较少，界面看起来更简洁，上手成本更低，Synapse 添加过滤器是让用户自己选择，并不是把需要筛选的功能一一枚举；
2. Application name 可以直接点击进入详情，确实比 MC 要方便，MC 需要点击后面的操作才能打开 logview，Synapse Spark History Server 同样也是需要跳转的内容，但给予的是按钮标签形式，后期 MC 是可以考虑把 logview basic info 主要详情前置；
3. 对比产品内部“比较应用程序”永远应该使用较频繁，故前置了相关功能；

交互不足

1. Synapse 添加过滤器如果超过一行则会导致页面抖动严重，影响用户体验，也影响前端的适配效果；
2. Synapse 添加过滤器需要用户不停的增加选项，提高了用户的点击次数，并且没有相关提示是否已添加成功该选项，需要通过鼠标点击空白确定，该功能易见性较低；
3. Synapse 每添加一次过滤器等待时间大概要一秒才显示右侧的内容，会有短暂的等待时长，并且没有筛选器重置功能

八、视觉表现

Synapse 整体视觉符合微软 Fluent 样式

颜色

Synapse 颜色主要由主题色决定，目前使用的蓝是微软的品牌色，设计师相对谨慎地使用该颜色突出显示重要元素，并使用同一种颜色来指示应用程序中处于交互状态，目前该产品只有浅色模式

图标

Synapse 图标在产品内部工具栏展示的形式为线性图标，通过线来塑造轮廓。线性图标具有辨识度高，清晰，简约易识别等优点，线性图标不会对页面造成太多的视觉干扰。缺点是：线性图标的创作空间较少，太复杂的线性图标对识别性产生较大的困扰；产品菜单展示形式为面性图标，主要是为了跟工具栏做更好的区分，并且识别度更好

字体

全部 UI 使用同一种字体，那就是 Windows 应用的默认字体 Segoe UI Variable，Segoe UI Variable 是用于英语、欧洲语言、希腊语和俄语的字体。

对于其他语言，请参阅（其他链接，站酷没有表格）

九、总结

Azure Synapse Analytics 服务能帮助企业更有效地从复杂的业务系统、应用、渠道中快速获取有效数据，对海量数据进行实时分析处理，以最快速度获取可用于 指导决策 或 机器学习 的业务洞察。

Synapse Analytics = Azure SQL Data warehouse（数仓） + Azure Data Lake(用于大数据分析的数据湖） + ADF(数据集成服务)，整体产品使用 Fluent Design 设计语言，微软旗下服务如 Windows 10、Office 365，乃至 Azure 都能串接应用，同时也呼应目前推动云端化、其化现代化应用服务的市场策略。

从产品层面来说：

• 使用简单的 SQL 查询将数据湖中的关系数据和非关系数据进行汇集；
• 通过智能工作负载隔离、工作负载管理、无限并发简化所有查询性能；
• 与 Power BI 和机器学习 (ML) 深度集成，减少 BI 和 ML 项目的开发时间，并应用于所有关键数据——从 Office 365、Dynamics 365 到支持开放数据计划的 SaaS 服务；
• 提供无代码可视化环境管理数据管道；

从体验层面来说：

• 一致性：统一文字基线确保用户阅读流畅性，并引导用户阅读；相近的图标指引与配色，帮助确保用户正确判断功能含义；
• 易操作性：根据用户熟悉的微软交互元素以及使用场景搭建用户界面及链路；
• 易见性：用户容易找到需要的功能，尤其针对 Synapse 菜单栏结构清晰并分类准确；
• 易学性：使用过程中有模版库可以让用户试用并给出相关示例，帮助用户更好上手；