Mit allen Daten arbeiten

Microsoft Dataverse bietet eine Abstraktion, die es ermöglicht, mit jeder Art von Daten zu arbeiten, einschließlich relationaler und nicht-relationaler Daten, Bildern, Dateien, relativer Suche oder Data Lakes. Es ist nicht notwendig, den Datentyp zu verstehen, da Dataverse einen Satz von Datentypen offenlegt, mit denen Sie Ihr Modell aufbauen können. Die Art der Speicherung ist für den gewählten Datentyp optimiert.

Daten können einfach mit Datenflüssen, Power Query und Azure Data Factory importiert und exportiert werden. Dynamics-Kunden können auch den Data Export Service nutzen.

Dataverse verfügt auch über einen Konnektor für Power Automate und Azure Logic Apps, die mit den Hunderten von anderen Konnektoren in diesen Diensten für Vor-Ort-Dienste, Infrastructure as a Service (IaaS), Platform as a Service (PaaS) oder Software as a Service (SaaS)-Dienste verwendet werden können. Dazu gehören Quellen in Azure, Microsoft 365, Dynamics 365, SAP ERP, Salesforce, Amazon Redshift, Access, Excel, Text/CSV, SharePoint Listen, SQL Server-Datenbanken, Oracle, MySQL, PostgreSQL, Blockchain und Azure Synapse Analytics.

Common Data Model

Wenn Sie schon einmal Daten aus mehreren Systemen und Apps zusammenführen mussten, wissen Sie, was für eine teure und zeitraubende Aufgabe das sein kann. Ohne die Möglichkeit, die gleichen Daten problemlos gemeinsam zu nutzen und zu verstehen, erfordert jede App oder jedes Datenintegrationsprojekt eine benutzerdefinierte Implementierung.

Das gemeinsame Datenmodell bietet eine Referenzarchitektur, die diesen Prozess rationalisieren soll, indem sie eine gemeinsame Datensprache für geschäftliche und analytische Apps zur Verfügung stellt. Das Common Data Model-Metadatensystem ermöglicht die gemeinsame Nutzung von Daten und ihrer Bedeutung in Apps und Geschäftsprozessen wie Power Apps, Power BI, Dynamics 365 und Azure.

Das Common Data Model umfasst einen Satz standardisierter, erweiterbarer Datenschemata, die von Microsoft und seinen Partnern veröffentlicht wurden. Diese Sammlung vordefinierter Schemas enthält Tabellen, Attribute, semantische Metadaten und Beziehungen. Die Schemata repräsentieren häufig verwendete Konzepte und Aktivitäten, wie z.B. Konto und Kampagne, um die Erstellung, Aggregation und Analyse von Daten zu vereinfachen.

Die Schemata des Common Data Model können als Information für die Erstellung von Tabellen in Dataverse verwendet werden. Die resultierenden Tabellen sind dann mit Apps und Analysen kompatibel, die auf diese Common Data Model-Definition abzielen.

Das folgende Bild zeigt einige Elemente der Common Data Model-Standardtabellen. 

Tabellen

In Dataverse werden Tabellen zum Modellieren und Verwalten von Geschäftsdaten verwendet. Um die Produktivität zu erhöhen, enthält Dataverse eine Reihe von Tischen, die als Standardtische bekannt sind. Diese Tabellen wurden in Übereinstimmung mit Best Practices entwickelt, um die gängigsten Konzepte und Szenarien innerhalb einer Organisation zu erfassen. Die Standardtabellen entsprechen dem Common Data Model.

Eine Reihe von Tabellen, die allgemein in verschiedenen Branchen verwendet werden, wie Benutzer und Team, sind in Dataverse enthalten und werden als Standardtabellen bezeichnet. Diese sofort einsatzbereiten Tabellen können auch angepasst werden, z. B. durch Hinzufügen zusätzlicher Spalten. Außerdem können Sie ganz einfach Ihre eigenen angepassten Tabellen in Dataverse erstellen.

Spalten

Spalten definieren die einzelnen Datenelemente, mit denen Daten in einer Tabelle gespeichert werden können. Felder werden von Entwicklern manchmal als Attribute bezeichnet. Eine Tabelle, die einen Kurs an einer Universität darstellt, kann Spalten wie „Name“, „Ort“, „Abteilung“, „Eingeschriebene Studierende“ usw. enthalten.

Spalten können unterschiedliche Datentypen wie Zahlen, Zeichenfolgen, digitale Daten, Bilder und Dateien enthalten. Es besteht keine Notwendigkeit, relationale und nicht-relationale Daten künstlich getrennt zu halten, wenn sie Teil desselben Geschäftsprozesses oder Flusses sind. Dataverse speichert die Daten im besten Speichertyp für das erstellte Modell.

Jede dieser Spalten kann mit einem der vielen von Dataverse unterstützten Datentypen verbunden sein.

Weitere Informationen: Spaltentypen.

Beziehungen

Daten in einer Tabelle beziehen sich häufig auf Daten in einer anderen Tabelle. Tabellenbeziehungen definieren, wie Zeilen im Dataverse-Modell miteinander in Beziehung stehen können.

Dataverse bietet einfach zu bedienende visuelle Designer, um die verschiedenen Arten von Beziehungen von einer Tabelle zu einer anderen (oder zwischen einer Tabelle und sich selbst) zu definieren. Jede Tabelle kann eine Beziehung zu mehr als einer Tabelle haben, und jede Tabelle kann mehr als eine Beziehung zu einer anderen Tabelle haben.

Die Beziehungstypen sind:

• Many-to-one: Bei dieser Art von Beziehung können viele Datensätze der Tabelle A mit einem einzigen Datensatz der Tabelle B verknüpft sein. Zum Beispiel hat eine Klasse von Schülern ein einzelnes Klassenzimmer.

• One-to-many: Bei dieser Art von Beziehung kann ein einzelner Datensatz der Tabelle B mit vielen Datensätzen der Tabelle A verknüpft werden. Beispiel: Ein einziger Lehrer unterrichtet viele Klassen.

• Many-to-many: Bei dieser Art von Beziehung kann jeder Datensatz in Tabelle A mehr als einem Datensatz in Tabelle B entsprechen und umgekehrt. Beispielsweise besuchen Schüler viele Klassen, und jede Klasse kann mehrere Schüler haben.

Da Viele-zu-eins-Beziehungen am häufigsten vorkommen, bietet Dataverse einen bestimmten Datentyp mit der Bezeichnung Lookup, was nicht nur die Definition dieser Beziehung erleichtert, sondern auch die Produktivität bei der Erstellung von Formularen und Apps erhöht.

Weitere Informationen zum Erstellen von Tabellenbeziehungen finden Sie unter Eine Beziehung zwischen Tabellen erstellen.

Organisationen müssen oft verschiedene Vorschriften einhalten, um die Verfügbarkeit von Kundeninteraktionsverläufen, Audit-Protokollen, Zugriffsberichten und Berichten zur Verfolgung von Sicherheitsvorfällen zu gewährleisten. Organisationen können Änderungen an Dataverse-Daten zu Sicherheits- und Analysezwecken verfolgen.

Dataverse bietet eine Funktionalität, mit der Änderungen an Tabellen und Attributdaten in einer Organisation im Laufe der Zeit für die Verwendung in Analysen und Berichten aufgezeichnet werden können. Die Überwachung wird für alle benutzerdefinierten—und für die meisten anpassbaren—Tabellen und Attribute unterstützt. Auditing wird bei Metadatenänderungen, Abrufvorgängen, Exportoperationen oder während der Authentifizierung nicht unterstützt. Informationen über die Konfiguration der Prüfung finden Sie unter Verwalten von Dataverse-Prüfung.

Dataverse unterstützt Analysen, indem es die Funktionalität bietet, Tabellen auszuwählen, auf denen Machine-Learning-Modelle ausgeführt werden können. Es verfügt über eine vorgefertigte KI-Fähigkeit über AI Builder.

Suche

Dataverse bietet drei Möglichkeiten zur Abfrage von Zeilen:

• Dataverse-Suche

• Schnellsuche (in einzelnen oder mehreren Tabellen)

• Erweiterte Suche

Hinweis

Schnellsuche in mehreren Tabellen wird auch als Kategoriesuche bezeichnet.

Weitere Informationen finden Sie unter Suchen vergleichen.

Dataverse-Suche

Die Dataverse-Suche liefert schnelle und umfassende Ergebnisse über mehrere Tabellen in einer einzigen Liste, sortiert nach Relevanz. Sie verwendet einen speziellen Suchdienst außerhalb von Dataverse (powered by Azure) zur Steigerung der Suchleistung.

Die Dataverse-Suche bietet die folgenden Verbesserungen und Vorteile:

• Verbessert die Leistung durch externe Indexierung und Azure-Suchtechnologie.

• Findet Übereinstimmungen mit einem beliebigen Wort im Suchbegriff in jeder beliebigen Spalte der Tabelle, im Gegensatz zur Schnellsuche, bei der alle Wörter aus dem Suchbegriff in einer Spalte gefunden werden müssen.

• Findet Übereinstimmungen, die flektierende Wörter enthalten, wie z.B. Stream, Streaming, oder Streamed.

• Gibt Ergebnisse aus allen durchsuchbaren Tabellen in einer einzelnen Liste nach Relevanz sortiert zurück, je besser also die Übereinstimmung, desto weiter oben in der Liste wird das Ergebnis angezeigt. Eine Übereinstimmung hat eine größere Relevanz, wenn mehr Wörter vom Suchbegriff in unmittelbarer Nähe zueinander gefunden werden. Je kleiner der Text, in dem die Suchbegriffe gefunden werden, desto größer die Relevanz. Wenn Sie beispielsweise die Suchbegriffe im Namen und der Adresse eines Unternehmens finden, kann das eine größere Übereinstimmung sein, als die gleichen Wörter in einem langen Artikel zu finden, weit voneinander entfernt.

• Übereinstimmungen werden in der Ergebnisliste hervorgehoben. Wenn ein Suchbegriff mit einem Begriff in einer Zeile übereinstimmt, wird der Begriff als kursiv und fett formatierter Text in Ihren Suchergebnissen angezeigt.

Weitere Informationen über die Dataverse-Suche finden Sie unter Verwenden der Dataverse-Suche für die Suche nach Zeilen.

Schnellsuche

Dataverse beinhaltet die Fähigkeit, Zeilen schnell zu finden und verfügt über Ansätze, die nur einen Tabellentyp durchsuchen, wie z.B. Kunden, oder die verwendet werden können, um mehrere Tabellentypen gleichzeitig zu durchsuchen, wie z.B. Kontakte, Benutzer, Kunden und so weiter.

Die Schnellsuche mit einer einzelnen Tabelle wird verwendet, um Zeilen nur eines Typs zu suchen. Diese Suchoption ist aus einer Ansicht heraus verfügbar.

Die Schnellsuche mit mehreren Tabellen (kategorisierte Suche) wird auch zum Suchen von Zeilen verwendet, findet sie jedoch in verschiedenen Tabellentypen, z. B. Konten oder Kontakte.

Data Lake

Dataverse unterstützt die kontinuierliche Replikation von Tabellendaten nach Azure Data Lake Storage, die dann für das Ausführen von Analysen wie Power BI Reporting, maschinelles Lernen, Data Warehousing und andere nachgelagerte Integrationsprozesse verwendet werden können.

Diese Funktion ist für die Analyse großer Unternehmensdaten konzipiert. Sie ist kostengünstig, skalierbar, verfügt über Hochverfügbarkeits- und Notfallwiederherstellungsfunktionen und ermöglicht eine erstklassige Analyseleistung.

Die Daten werden im Common Data Model-Format gespeichert, das für semantische Konsistenz über Anwendungen und Implementierungen hinweg sorgt. Standardisierte Metadaten und selbstbeschreibende Daten im gemeinsamen Datenmodell erleichtern die Metadatensuche und die Interoperabilität zwischen Datenproduzenten und -verbrauchern wie Power BI, Data Factory, Azure Databricks und Azure Machine Learning.

Siehe auch

Daten exportieren und importieren

Hinweis

Können Sie uns Ihre Präferenzen für die Dokumentationssprache mitteilen? Nehmen Sie an einer kurzen Umfrage teil. (Beachten Sie, dass diese Umfrage auf Englisch ist.)

Die Umfrage dauert etwa sieben Minuten. Es werden keine personenbezogenen Daten erhoben. (Datenschutzbestimmungen).