Forberedelse af selvbetjenings data med dataflows

  • Artikel

I takt med at datamængden fortsat vokser, er det vigtigt at udforme disse data til velstrukturerede oplysninger, der kan handles ud fra. Du ønsker data, der er klar til apps, AI-arbejdsbelastninger eller-analyser, så du hurtigt kan gøre datamængder til indsigt, der kan handles ud fra. Med den selvbetjente dataforberedelse i Power Apps-portalen, kan du transformere og indlæse data til Microsoft Dataverse eller din organisations Azure Data Lake Storage Gen2-konto med blot få klik.

Dataflows blev introduceret for at hjælpe organisationer med at samle data fra forskellige kilder og gøre dem klar til brug. Du kan nemt oprette dataflows ved hjælp af velkendte, selvbetjeningsværktøjer til at indtage, transformere, integrere og forbedre store mængder data. Når du opretter en dataflow, definerer du datakildeforbindelser, ETL-logik (udtræk, transformer, indlæs) og destination, som de resulterende data skal indlæses i. Når de først er oprettet, kan du konfigurere en opdateringstidsplan for dataflowet, der angiver, hvor ofte den skal køre. Derudover gør det nye modelbaserede beregningsprogram processen med dataforberedelse mere håndterbar, mere deterministisk og mindre besværlig for dataflow-kunder. Med dataflows kan opgaver, der før krævede en data-it-organisation at oprette og styre (og som er mange timer eller dage at fuldføre), nu håndteres med få klik af personer, der ikke engang er dataspecialister, f.eks. appudviklere, forretningsanalytikere og rapportudviklere.

Dataflows lagrer data i tabeller. En tabel er et sæt rækker, der bruges til at gemme data, på samme måde som en datatabel gemmer data i en database. Kunder kan definere et brugerdefineret tabelskema eller udnytte standardtabellerne i Common Data Model. Common Data Model er et fælles datasprog til forretnings-og analyseprogrammer. Common Data Model-systemet skaber konsistens i dataene og deres betydning på tværs af applikationer og forretningsprocesser, f.eks. Power Apps, Power BI, visse Dynamics 365-apps (modelbaserede apps) og Azure, som lagrer data i overensstemmelse med Common Data Model. Et dataflows resulterende tabeller kan derefter gemmes på en af følgende måder:

  • Dataverse. Med Power Apps og Power Automate kan du sikkert gemme og administrere data, der bruges af virksomhedsprogrammer.

  • Azure Data Lake Storage Gen2. Giver dig mulighed for at samarbejde med personer i organisationen ved hjælp af Power BI, Azure-data og AI-tjenester eller brugerdefinerede line of business-applikationer, der læser data fra søen. Dataflows, der indlæser data til en Azure Data Lake Storage Gen2-konto, lagrer data i Common Data Model-mapper. Common Data Model-mapper indeholder skematiserede data og metadata i et standardiseret format for at lette dataudveksling og give mulighed for fuld kompatibilitet på tværs af tjenester, der producerer eller forbruger data, der er gemt i en organisations Azure Data Lake Storage-konto som delt lagerlag.

Du kan bruge dataflows til at indtage data fra et stort og voksende sæt af understøttede lokale og skybaserede datakilder, herunder Excel, Azure SQL Database, SharePoint, Azure Data Explorer, Salesforce, Oracle Database og meget mere.

Når du har valgt datakilden, kan du bruge oplevelsen i Power Query med lidt/ingen kode til at omdanne dataene og knytte dem til standardtabellerne i Common Data Model eller oprette brugerdefinerede tabeller. Avancerede brugere kan direkte redigere et dataflow med et M-sprog for at tilpasse dataflows fuldstændigt, hvilket svarer til den oplevelse i Power Query som millioner af Power BI Desktop- og Excel-brugere allerede kender.

Når du har oprettet og gemt et dataflow, skal du køre det i skyen. Du kan vælge at udløse et dataflow til at køre manuelt eller planlægge, hvor hyppigt Power Platform-dataflowtjenesten skal køre det for dig. Når en dataflow er færdig med at køre, kan dataene bruges. Hvis du vil indlæse dataflowdata i Dataverse, kan Common Data Service-connectoren bruges i Power Apps, Power Automate, Excel og alle andre applikationer, der understøtter Dataverse-connectoren. Hvis du vil hente fra dataflows, der er gemt i organisationens Azure Data Lake Storage Gen2-konto. kan du bruge Power Platform-dataflowconnectoren i Power BI Desktop eller få adgang til filerne direkte i søen.

Sådan bruges dataflows

Forrige afsnit gav baggrund for dataflowsteknologien. I dette afsnit får du en præsentation af, hvordan dataflows kan bruges i en organisation.

Bemærk

Du skal have en betalt Power Apps-plan for at kunne bruge dataflows, men du skal ikke betale separat for at bruge dataflows.

Indlæse data i Dataverse

Dataflows kan bruges til at udfylde tabeller i Common Data Service, der derefter bruges i Power Apps-applikationer. Med få klik kan du integrere data fra online kildedatakilder og datakilder fra det lokale miljø.

Udvide Common Data Model til dine forretningsmæssige behov

I forbindelse med organisationer, der ønsker at udvide og bygge på Common Data Model, giver dataflows business intelligence-medarbejdere mulighed for at tilpasse standardtabellerne eller oprette nye. Denne selvbetjeningsmetode til tilpasning af datamodellen kan derefter bruges sammen med dataflows til at oprette Power BI-dashboards, der er skræddersyet til en organisation.

Udvid dine muligheder med Azure Data and AI-tjenester

Du kan konfigurere Power Platform-dataflows til at gemme dataflowdata i organisationens Azure Data Lake Storage Gen2-konto. Når et miljø har forbindelse til organisationens datasø, kan dataspecialister og udviklere udnytte effektive Azure-produkter, f.eks. Azure Machine Learning, Azure Databricks, Azure Data Factory og mange flere.

Du kan finde flere oplysninger om Azure Data Lake Storage Gen2 og dataflowintegration, herunder hvordan du opretter dataflows, der findes i organisationens Azure Data Lake, under Oprette forbindelse for Azure Data Lake Storage Gen2 til dataflowintegration.

Oversigt over selvbetjent dataforberedelse til store mængder data i Power Apps

Der findes flere scenarier og eksempler, hvor dataflows kan give dig mulighed for at opnå bedre styring – og hurtigere indsigt – fra dine forretningsdata. Andre personer i organisationen kan udnytte dataflows enten via Dataverse, Power Platform-dataflowconnectoren i Power BI eller via direkte adgang til Common Data Service-mappen for dataflows i organisationens Azure Data Lake Storage Gen2-konto. Ved hjælp af en standarddatamodel (skema), der er defineret af Common Data Model, kan forretningsprogrammer være afhængige af en tabels skema og være udtrukket fra, hvordan dataene blev oprettet, eller fra hvilken datakilde. Når en dataflow fuldfører en planlagt kørsel, er dataene klar til modellering og oprettelse af apps, flows eller BI-indsigt i løbet af en kort periode... i modsætning til tidligere, hvor det plejede at tage måneder eller længere til at oprette.

Det standardiserede format for Common Data Model gør det muligt for medarbejdere i organisationen at oprette apps, der genererer hurtige, nemme og automatiske visualiseringer og rapporter. Disse omfatter, men er ikke begrænset til, følgende:

  • Tilknytning af data fra forskellige kilder til standardtabeller i Common Data Model for at samle data og udnytte det kendte skema til at drive indbyggede applikationer.

  • Oprettelse af dine egne brugerdefinerede tabeller til samling af data på tværs af organisationen.

  • Oprettelse af Power BI-rapporter og -dashboards, der bruger dataflowdata.

  • Oprettelse af integration med Azure Data og AI-tjenester via organisationens Azure Data Lake Storage Gen2-konto.

Næste trin

Denne artikel indeholdt en oversigt over selvbetjent dataforberedelse i Power Apps-portalen, og hvordan du kan bruge den. I de følgende emner finder du flere oplysninger om almindelige brugsscenarier for dataflows:

Du kan finde flere oplysninger om Power Query og planlagt opdatering ved at læse disse artikler:

Du kan finde flere oplysninger om Common Data Model ved at læse oversigtsartiklen:

Bemærk

Kan du fortælle os om dine sprogpræferencer for dokumentation? Tag en kort undersøgelse. (bemærk, at denne undersøgelse er på engelsk)

Undersøgelsen tager ca. syv minutter. Der indsamles ingen personlige data (erklæring om beskyttelse af personlige oplysninger).