Arbejde med data

Microsoft Dataverse indeholder en abstraktion, der gør det muligt at arbejde med alle typer data, herunder relationsrelateret, ikke-relationsrelateret, billeder, filer, relativ søgning eller datasø. Det er ikke nødvendigt at forstå typen af data, da Dataverse viser et sæt datatyper, der giver dig mulighed for at bygge din model. Lagertypen er optimeret for den valgte datatype.

Det er nemt at importere og eksportere data med dataflows, Power Query og Azure Data Factory. Dynamics-kunder kan også anvende Data Export Service.

Dataverse har også en connector til Power Automate og Azure Logic Apps, der kan bruges sammen med flere hundrede af andre connectorer i disse tjenester til det lokale miljø, infrastruktur som en service (IaaS), en platform som en service (PaaS) eller software som en service (SaaS). Dette omfatter kilder i Azure, Microsoft 365, Dynamics 365, SAP ERP, Salesforce, Amazon Redshift, Access, Excel, tekst/CSV, SharePoint-lister, SQL Server-databaser, Oracle, MySQL, PostgreSQL, Blockchain og Azure Synapse Analytics.

Common Data Model

Hvis du har været nødt til at samle data fra flere systemer og apps, ved du, at det kan være en kostbar og tidskrævende opgave. Uden at kunne dele og forstå de samme data på en nem måde, kræver de enkelte app eller dataintegrationsprojekter en brugerdefineret implementering.

En almindelig data model leverer reference arkitektur, der er udviklet til at strømline denne proces ved at levere et delt data sprog, som bruges af forretnings-og analyseprogrammer til at bruge. Metadatasystemet til Common Data Model gør det muligt at dele data og betydningen heraf på tværs af apps og forretningsprocesser i f.eks. Power Apps, Power BI, Dynamics 365 og Azure.

Common Data Model indeholder et sæt standardiserede, udvidede dataskemaer, som Microsoft og Microsofts partnere har publiceret. Denne samling foruddefinerede skemaer inkluderer tabeller, attributter, semantiske metadata og relationer. Skemaerne repræsenterer almindeligt anvendte koncepter og aktiviteter, f eks. Konto og Kampagne, for at gøre det nemmere at oprette, samle og analysere data.

Common Data Model-skemaer kan tilføre information under oprettelsen af tabeller i Dataverse. De tabeller, der oprettes, er herefter kompatible med apps og analyser, der er rettet mod denne definition af Common Data Model.

I følgende billede vises nogle af elementerne i Common Data Model-standardtabellerne. 

Tabeller

I Dataverse bruges tabeller til at modellere og styre virksomhedsdata. For at øge produktiviteten indeholder Dataverse et sæt tabeller, der er kendt som standardtabeller. Disse tabeller er i overensstemmelse med bedste praksis udviklet til at registrere de mest almindelige begreber og scenarier i en organisation. Standardtabellerne overholder Common Data Model.

Et sæt tabeller, der ofte bruges på tværs af brancher, f.eks. Bruger og Team, er inkluderet i Dataverse og omtales som standardtabeller. Disse foruddefinerede tabeller kan også tilpasses, f.eks. ved tilføjelse af ekstra kolonner. Derudover kan du nemt oprette dine egne brugerdefinerede tabeller i Dataverse.

Kolonner

Kolonner definerer de individuelle dataelementer, der kan bruges til at lagre data i en tabel. Udviklere kalder undertiden felter for attributter. En tabel, der repræsenterer et kursus i et område, kan indeholde kolonner som "Navn", "Placering", "Afdeling", "Registrerede studerende" osv.

Kolonner kan have forskellige typer data, f.eks. tal, strenge, digitale data, billeder og filer. Der er ingen grund til at bevare relationsrelaterede og ikke-relationelle data adskilt, hvis de er en del af samme virksomhedsproces eller flow. Dataverse gemmer dataene i den bedste lagertype for den oprettede model.

Hver af disse kolonner kan knyttes til en af de mange datatyper, der understøttes af Dataverse.

Flere oplysninger: Typer kolonner

Relationer

Dataene i én tabel er ofte relateret til data i en anden tabel. Tabelrelationer definerer, hvordan rækker kan være relateret til hinanden i Dataverse-modellen.

Dataverse indeholder brugervenlige visuelle designere til definition af de forskellige typer relationer fra én tabel til en anden (eller mellem en tabel og den selv). De enkelte tabeller kan have en relation med mere end én tabel og de enkelte tabeller kan have mere end én relation til en anden tabel.

Relationstyperne er:

• Mange til en: I denne relationstype kan mange tabel A-poster knyttes til en enkelt tabel B-post. En klasse af studerende har f.eks. et enkelt klasseværelse.

• En til mange: I denne relationstype kan en enkelt tabel B-post knyttes til mange tabel A-poster. F.eks. underviser en enkelt lærer mange klasser.

• Mange til mange: I denne type relation kan hver post i tabel A matche mere end én post i tabel B og omvendt. For eksempel går studerende på mange hold (klasser), og hvert hold (klasse) kan have flere studerende.

Da mange til en-relationer er de mest almindelige, indeholder Dataverse en bestemt datatype med navnet opslag, som ikke blot gør det nemt at definere denne relation, men øger produktiviteten i forbindelse med oprettelse af formularer og apps.

Du kan finde flere oplysninger om oprettelse af tabelrelationer, i Oprette en relation mellem tabeller.

Organisationer er ofte nødt til at overholde forskellige bestemmelser for at sikre tilgængeligheden af oversigten over kundeinteraktioner, overvågningslogge, adgangsrapporter og sporingsrapporter over sikkerhedshændelser. Med henblik på sikkerheds- og analysemæssige formål kan det være en god ide for organisationer at spore ændringer i Dataverse-data.

Dataverse har en overvågningsfunktion, hvor ændringer i tabeller og attributdata i en organisation over tid kan danne rækker til brug i analyser og rapportering. Overvågning understøttes i alle brugerdefinerede tabeller og attributter, og i de fleste tabeller og attributter, der kan tilpasses. Revision er ikke understøttet på ændringer af metadata, hentninger, eksport eller under godkendelse. Du kan finde oplysninger om, hvordan du konfigurerer overvågning i Administrere Dataverse-overvågning.

Dataverse understøtter analyser ved at gøre det muligt at vælge tabeller for modeller til maskinel indlæring, der skal køres. Den har en forudindstillet AI-funktion via AI Builder.

Søge

Dataverse indeholder tre måder at forespørge på rækker på:

• Dataverse-søgning

• Hurtig søgning (enkelt tabel eller flere tabeller)

• Avanceret søgning

Bemærk

Hurtig søgning efter flere tabeller kaldes også kategoriseret søgning.

For flere oplysninger se Sammenlign søgninger.

Dataverse-søgning

Dataverse-søgning leverer hurtigt og omfattende resultater på tværs af flere tabeller i en enkelt liste, sorteret efter relevans. Den bruger en dedikeret søgetjeneste eksternt til Dataverse (drevet af Azure) for at forbedre søgeydeevnen.

Dataverse-søgning leverer følgende forbedringer og fordele:

• Forbedrer ydeevnen ved hjælp af ekstern indeksering og Azure Search-teknologi.

• Søger efter et ord i søgeudtrykket i en hvilken som helst kolonne i tabellen, mens alle ord fra søgeudtrykket skal findes i én kolonne, hvis du bruger hurtigsøgning.

• Søger efter resultater, der omfatter bøjede ord såsom stream, streaming eller streamet.

• Returnerer resultater fra alle tabeller, der kan søges i, på en enkelt liste, der er sorteret efter relevans, dvs. jo bedre match, jo højere oppe på listen vises resultatet. Et match har en højere relevans, hvis flere ord fra søgeordet er fundet i nærheden af hinanden. Jo mindre mængde tekst, hvor søgeordene er fundet, jo højere relevans. Hvis du f.eks. finder søgeordene i et firmanavn og en firmaadresse, kan det være et bedre match, end hvis de samme ord findes i en lang artikel langt fra hinanden.

• Fremhæver resultater på listen med resultater. Når et søgeord svarer til et ord i en række, er ordet fremhævet med fed og kursiv i søgeresultaterne.

Du kan finde flere oplysninger om Dataverse-søgning i Brug af Dataverse-søgning til at søge efter rækker.

Hurtig søgning

I Dataverse kan du hurtigt finde rækker og søge i kun én type tabel, f.eks. kunde, eller du kan søge på tværs af flere typer tabeller samtidig, f.eks. kontaktpersoner, brugere, kunder osv.

Hurtigsøgning i en enkelt tabel bruges til kun at finde rækker af én type. Denne søgeindstilling er tilgængelig i en visning.

Hurtig søgning efter flere tabeller (kategoriseret søgning) bruges også til at søge efter rækker, men finder dem på tværs af forskellige typer tabeller, f.eks. konti eller kontaktpersoner.

Data Lake

Dataverse understøtter løbende replikering af tabeldata til Azure Data Lake Storage, som så kan bruges til at køre analyser, f.eks Power BI-rapportering, maskinel indlæring, datalagerfunktioner og andre downstream-integrationsprocesser.

Denne funktion er udviklet til virksomheders analyser af big data. Den er omkostningseffektiv, skalerbar, har funktioner til større tilgængelighed og funktioner til it-katastrofeberedskab samt gør det muligt at udføre den bedste analyse af ydeevne overhovedet.

Data gemmes i Common Data Model-formatet, hvilket giver semantisk konsistens på tværs af apps og installationer. Standardiserede metadata og selv-beskrivende data i Common Data Model faciliterer opdagelse af metadata og samarbejde mellem dataproducenter og forbrugere, f.eks. Power BI, Azure Data Factory, Azure Databricks og Azure Machine Learning.

Se også

Import og eksport af data

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).