Generieren Sie Dateneinblicke mithilfe AWS Mainframe Modernization von Amazon Q in Quick Sight

Shubham Roy, Roshna Razack und Santosh Kumar Singh, Amazon Web Services

Zusammenfassung

Hinweis: AWS Mainframe Modernization Der Service (Managed Runtime Environment-Erlebnis) steht Neukunden nicht mehr zur Verfügung. Funktionen, die AWS Mainframe Modernization Service (Managed Runtime Environment-Erfahrung) ähneln, finden Sie unter AWS Mainframe Modernization Service (Self-Managed Experience). Bestandskunden können den Service weiterhin wie gewohnt nutzen. Weitere Informationen finden Sie unter Änderung der AWS Mainframe Modernization Verfügbarkeit.

Wenn Ihr Unternehmen geschäftskritische Daten in einer Mainframe-Umgebung hostet, ist es entscheidend, Erkenntnisse aus diesen Daten zu gewinnen, um Wachstum und Innovation voranzutreiben. Durch die Erschließung von Mainframe-Daten können Sie schnellere, sichere und skalierbare Business Intelligence aufbauen, um datengestützte Entscheidungen, Wachstum und Innovation in der Amazon Web Services ()AWS Cloud zu beschleunigen.

Dieses Muster bietet eine Lösung für die Generierung von Geschäftseinblicken und die Erstellung gemeinsam nutzbarer Geschichten aus Mainframe-Daten mithilfe der AWS Mainframe Modernization Dateiübertragung mit BMC und Amazon Q in Quick Sight. Mainframe-Datensätze werden mithilfe der AWS Mainframe Modernization Dateiübertragung mit BMC an Amazon Simple Storage Service (Amazon S3) übertragen. Eine AWS Lambda Funktion formatiert die Mainframe-Datendatei und bereitet sie für das Laden in Quick Sight vor.

Sobald die Daten in Quick Sight verfügbar sind, können Sie mit Amazon Q in Quick Sight Aufforderungen in natürlicher Sprache verwenden, um Zusammenfassungen der Daten zu erstellen, Fragen zu stellen und Datenstorys zu generieren. Sie müssen keine SQL-Abfragen schreiben oder ein Business Intelligence (BI) -Tool erlernen.

Geschäftlicher Kontext

Dieses Muster stellt eine Lösung für Anwendungsfälle von Mainframe-Datenanalysen und Datenerkenntnissen dar. Mithilfe des Musters erstellen Sie ein visuelles Dashboard für die Daten Ihres Unternehmens. Um die Lösung zu demonstrieren, verwendet dieses Muster ein Gesundheitsunternehmen, das seinen Mitgliedern in den USA medizinische, zahnärztliche und augenärztliche Pläne anbietet. In diesem Beispiel werden demografische Daten und Versicherungsinformationen der Mitglieder in den Mainframe-Datensätzen gespeichert. Das visuelle Dashboard zeigt Folgendes:

Nachdem Sie das Dashboard erstellt haben, generieren Sie eine Datenstory, die die Erkenntnisse aus der vorherigen Analyse erklärt. Die Datenstory enthält Empfehlungen zur Erhöhung der Zahl der Mitglieder, die präventive Impfungen abgeschlossen haben.

Voraussetzungen und Einschränkungen

Voraussetzungen

Einschränkungen

Architektur

Das folgende Diagramm zeigt eine Architektur zur Generierung von Geschäftseinblicken aus Mainframe-Daten mithilfe von AWS Mainframe Modernization Dateiübertragung mit BMC und Amazon Q in Quick Sight.

Das Diagramm zeigt den folgenden Workflow:

Tools

AWS-Services

Best Practices

Epen

Fehlerbehebung

Zugehörige Ressourcen

Um Mainframe-Datentypen wie PACKED-DECIMAL (COMP-3) oder BINARY (COMP oder COMP-4) in einen von Quick Sight unterstützten Datentyp zu konvertieren, verwenden Sie die folgenden Muster:

Zusätzliche Informationen

S3 .py CopyLambda

Der folgende Python-Code wurde mithilfe einer Aufforderung mit Amazon Q in einer IDE generiert:

#Create a lambda function triggered by S3. display the S3 bucket name and key
import boto3
s3 = boto3.client('s3')
def lambda_handler(event, context):
print(event)
bucket = event['Records'][0]['s3']['bucket']['name']
key = event['Records'][0]['s3']['object']['key']
print(bucket, key)
#If key starts with object_created, skip copy, print "copy skipped". Return lambda with key value.
if key.startswith('object_created'):
print("copy skipped")
return {
'statusCode': 200,
'body': key
}
# Copy the file from the source bucket to the destination bucket. Destination_bucket_name = 'm2-filetransfer-final-opt-bkt'. Destination_file_key = 'healthdata.csv'
copy_source = {'Bucket': bucket, 'Key': key}
s3.copy_object(Bucket='m2-filetransfer-final-opt-bkt', Key='healthdata.csv', CopySource=copy_source)
print("file copied")
#Delete the file from the source bucket.
s3.delete_object(Bucket=bucket, Key=key)
return {
'statusCode': 200,
'body': 'Copy Successful'
}

Visuelles Mainframe-Dashboard

Das folgende Datenbild wurde von Amazon Q in Quick Sight für die Analysefrage erstellt show member distribution by region.

Das folgende Datenbild wurde von Amazon Q in Quick Sight für die Frage erstelltshow member distribution by Region who have not completed preventive immunization, in pie chart.

Ausgabe von Data Story

Die folgenden Screenshots zeigen Abschnitte der Data Story, die von Amazon Q in Quick Sight für die Aufforderung erstellt wurde. Build a data story about Region with most numbers of members. Also show the member distribution by medical plan, vision plan, dental plan. Recommend how to motivate members to complete immunization. Include 4 points of supporting data.

In der Einleitung wird in der Datenstory empfohlen, die Region mit den meisten Mitgliedern auszuwählen, um die größtmögliche Wirkung der Impfmaßnahmen zu erzielen.

Die Datenstory enthält eine Analyse der Mitgliederzahlen für die drei wichtigsten Regionen und nennt den Südwesten als die Region, in der der Schwerpunkt auf Impfmaßnahmen liegt.

Anlagen

Um auf zusätzliche Inhalte zuzugreifen, die mit diesem Dokument verknüpft sind, entpacken Sie die folgende Datei: attachment.zip