Bármilyen adattal dolgozhat

A Microsoft Dataverse olyan absztrakciót biztosít, amelynek segítségével bármilyen típusú adat használható, ideértve a relációs, nem relációs, kép-, fájl-, relatív keresés vagy adattó típusokat. Nincs szükség az adattípus ismeretére, mivel a Dataverse olyan adattípusokkal dolgozik, amelyek lehetővé teszik a modell összeállítását. A rendszer a kiválasztott adattípushoz optimalizálja a tárolóterület típusát.

Az adatok könnyen importálhatók és exportálhatók az adatfolyamok, a Power Query és az Azure Data Factory segítségével. A Dynamics-ügyfelek is használhatják az adatexportálási szolgáltatást.

A Dataverse emellett rendelkezik összekötővel a Power Automate és Azure Logic Apps szolgáltatásokhoz is, amelyek a több száz egyéb összekötővel a helyszíni, az infrastruktúra mint szolgáltatás (IaaS), a platform mint szolgáltatás (PaaS), vagy a szoftver mint szolgáltatás (SaaS) használatához. Idetartoznak az Azure, a Microsoft 365, a Dynamics 365, a SAP ERP, az Salesforce, az Amazon Redshift, az Access, az Excel, a szöveges/CSV-fájlok, a SharePoint-listák, az SQL Server adatbázisok, az Oracle, a MySQL, a PostgreSQL, a Blockchain és az Azure Synapse Analytics forrásai.

Common Data Model

Ha valaha is be kellett hoznia adatokat több rendszerből és alkalmazásból, akkor tudja, hogy milyen költséges és időigényes feladat lehet. Ha nem képes könnyedén megosztani és megérteni ugyanazokat az adatokat. minden alkalmazás vagy adatintegrációs projekt egyéni megvalósítást igényel.

A Common Data Model olyan referenciaarchitektúrát biztosít, amelynek célja a folyamat gördülékenyebbé tétele azáltal, hogy megosztott adatnyelvet biztosít az üzleti és az elemző alkalmazások számára. A Common Data Model metaadatrendszer lehetővé teszi az adatok és az értelmük megosztását az alkalmazások és az üzleti folyamatok, például a Power Apps, a Power BI Dynamics 365 és az Azure között.

A Common Data Model egy sor szabványosított, bővíthető adatsémát tartalmaz, amelyeket a Microsoft és partnerei tettek közzé. Az előre definiált sémák gyűjteménye táblákat, attribútumokat, szemantikai metaadatokat és kapcsolatok tartalmaz. A sémák a leggyakrabban használt fogalmakat és tevékenységeket, például a Partnert és a Kampányt jelképezik az adatok létrehozásának, összesítésének és elemzésének egyszerűbbé tételéhez.

A Common Data Model-sémák segítségével informálhatja a táblák létrehozását a Dataverse-szolgáltatásban. Az így kapott táblázatok kompatibilisek lesznek az ezt a Common Data Model definíciót megcélzó alkalmazásokkal és elemzésekkel.

A következő kép mutatja a szabványos közös Common Data Model-táblázatok egyes elemeit. 

Táblák

A Dataverse-táblákat üzleti adatok modellezéséhez és kezeléséhez használják. A termelékenység növelése érdekében a Dataverse tartalmazza a szabványos táblázatok néven ismert táblázatok halmazát. Ezek a táblázatok úgy vannak kialakítva – a bevált gyakorlatoknak megfelelően –, hogy rögzítsék a leggyakrabban használt koncepciókat és forgatókönyveket a szervezeten belül. A szabványos táblázatok megfelelnek a Common Data Modelnek.

Az egyes iparágakban gyakran használt táblázatok készletei, például a Felhasználó és a Csoport, megtalálhatók a Dataverse-ben, és azokra szabványos táblázatokként hivatkoznak. Ezek az gyári táblázatok testreszabhatók is, például további oszlopokat is tartalmazhatnak. Emellett a Dataverse-ben egyszerűen létrehozhatók saját egyéni táblázatok is.

Oszlopok

Az oszlopok határozzák meg az egyedi adatelemeket, amelyek a táblázatokban történő adattárolásra használhatók. A mezőket a fejlesztők néha attribútumnak is nevezik. A tanfolyamot képviselő táblázatban olyan oszlopok lehetnek, mint például "Név", "Hely", "Osztály", "Regisztrált tanulók" stb.

Az oszlopok többféle típusú adatot tartalmaznak, például számjegyeket, karakterláncokat, digitális adatokat, képeket és fájlokat. Nincs szükség arra, hogy a relációs és nem relációs adatokat mesterségesen szétválassza, ha az ugyanannak az üzleti folyamatnak vagy adatfolyamnak a részét képezi. A Dataverse a létrehozott modellhez legjobban illő tárolási típusban tárolja az adatokat.

Az oszlopok mindegyike a Dataverse által támogatott számos adattípusok egyikéhez társítható.

További információ: Oszloptípusok

Kapcsolatok

Egy táblázatban található adatok gyakran olyan adatokra vonatkoznak, amelyek egy másik táblázatban találhatók. A táblakapcsolatok határozzák meg, hogy hogyan kapcsolódnak egymáshoz a sorok a Dataverse-modelben.

A Dataverse könnyen használható vizuális tervezőket biztosít a különböző típusú kapcsolatokhoz az egyes táblázatok között (vagy egy táblázat és saját maga között). Minden táblázat egynél több táblázattal lehet kapcsolatban, és minden egyes táblázat több kapcsolatban is lehet egy másik táblázattal.

A kapcsolattípusok a következők:

• Sok-az-egyhez: Ebben a típusú kapcsolatban számos A tábla-bejegyzés társítható egyetlen B tábla bejegyzéshez. Például egy osztálynyi tanulónak egy osztályterme van.

• Egy-az-sokhoz: Ebben a típusú kapcsolatban egyetlen B tábla-bejegyzés társítható számos A tábla bejegyzéshez. Egy tanár például sok osztályt tud tanítani.

• Sok-a-sokhoz: Az ilyen típusú kapcsolatban az A tábla mindegyik rekordja a B tábla egyszerre több rekordjának felelhet meg, és ez fordítva is igaz. Példa: a diákok sok órán vesznek részt, és minden órára több diák jár.

Mivel a több-az-egyhez kapcsolatok a leggyakoribbak, a Dataverse biztosít egy keresés nevű konkrét adattípust biztosít, amely nemcsak megkönnyíti a kapcsolat definiálását, hanem növeli is a termelékenységet az űrlapok és alkalmazások készítése során.

A táblakapcsolatok létrehozására vonatkozó további információk: Táblázatok közötti kapcsolatok létrehozása.

A szervezeteknek gyakran meg kell felelniük különböző szabályoknak az ügyfélinterakció-előzmények, az auditnaplók, a hozzáférési jelentések és a biztonsági incidensek nyomonkövetési jelentéseinek biztosítására vonatkozóan. A szervezetek számára célszerű lehet a változások követése a Dataverse alkalmazásban biztonsági és elemzési célokból.

A Dataverse naplózási funkciót biztosít, ahol a szervezet tábláiban és attribútumadataiban bekövetkezett változásokat az elemzés és a jelentéskészítés során lehet időben sorba rendezni. A naplózás minden egyéni — és a legtöbb testreszabható — táblázat és attribútum esetében támogatott. A naplózás nem támogatott a metaadatok változásai, a műveletek lekérése, az exportálási műveletek vagy a hitelesítés esetén. A naplózás konfigurálásáról további információt a Naplózás kezelése című témakörben Dataverse talál.

A Dataverse támogatja az analitikákat, biztosítva a képességet futtatandó táblák választására a gépi tanulási modellek számára. Az AI Builder révén rendelkezik előre elkészített AI-képességgel is.

Keresés

A Dataverse három módszert biztosít a sorok lekérdezéséhez:

• Dataverse-keresés

• Gyorskeresés (egyetlen táblázat vagy több táblázat)

• Irányított keresés

Megjegyzés

A több táblás gyorskeresést kategorizált keresésnek is nevezik.

A további tudnivalók a Keresések összehasonlítása témakörben olvashatók.

Dataverse-keresés

A Dataverse keresés segítségével gyors és átfogó keresési eredményeket kaphat több tábla között, amelyek egyetlen listában, relevancia alapján csoportosítva jelennek meg. A rendszer az (Azure-rendszeren alapuló) Dataverse szoftveren kívüli keresési szolgáltatást használ a keresési teljesítmény növelésére.

A Dataverse-keresés az alábbi fejlesztésekkel és előnyökkel jár:

• A külső indexelés és az Azure keresési technológia révén javítja a teljesítményt.

• A keresési kifejezésben szereplő bármely szót megtalálja a tábla bármely oszlopában, eltérően a gyors kereséstől, ahol a keresési kifejezésből származó összes szót egyetlen oszlopban kell megtalálni.

• Megtalálja a szavak ragozott alakjait, mint például a stream, a streaming, és a streamed.

• Az adott lista összes kereshető táblázatból visszaadja a relevanciaalapú eredményeket, ezért minél pontosabb az egyezés, annál előrébb kerül az eredmény a listában. Az egyezés relevanciája magas, ha a keresési kifejezés több szava is megtalálható benne, egymáshoz közeli helyen. Minél kisebb mennyiségű a szöveg, amelyben a keresett szavak megtalálhatók, annál nagyobb a relevancia. Ha például a keresett szavakat egy cég nevében és címében találja meg, akkor az egyezés jobb lehet, mintha ugyanazok a szavak egy hosszú cikkben, egymástól távol lennének.

• Kiemeli a találatokat az eredménylistában. Ha a keresési eredmény egyezik egy sor valamely kifejezésével, a kifejezés félkövér, dőlt betűs alakban jelenik meg a találatok között.

A Dataverse keresésről a további információt A Dataverse keresés használata sorok keresésére részben találhat.

Gyorskeresés

A Dataverse segítségével gyorsan megkereshetők a sorok, és olyan megközelítésekkel rendelkezik, amelyek csak egy típusú táblát keresnek (például ügyfél), vagy használhatók több típusú táblában egyszerre (például kapcsolattartók, felhasználók, ügyfelek stb.).

Az Egytáblázatos gyorskeresés segítségével egyetlen típushoz tartozó sorok kereshetők. A keresési lehetőség a nézeten belül érhető el.

A Többtáblázatos gyorskeresés (kategorizált keresés) a sorok keresésére is használható, de a különböző típusú táblák, például partnerek vagy kapcsolattartók között is megtalálja azokat.

Data Lake

A Dataverse támogatja a táblázatok adatainak folyamatos replikálását az Azure Data Lake Storage tárolóba, amelyet aztán az elemzések futtatására használhat, például Power BI-jelentéskészítési, gépi tanulási, adatraktározási és egyéb későbbi integrációs folyamatok.

Ez a funkció a nagyvállalati big data adatelemzések számára készült. Költséghatékony, méretezhető, magas rendelkezésre állású és rendelkezik katasztrófa utáni helyreállítási lehetőségekkel, és a kategóriájában a legjobb elemzési teljesítményt teszi lehetővé.

Az adatokat Common Data Model formátumban tárolják, amely szemantikai következetességet biztosít az alkalmazások és a telepítések között. Az Azure Common Data Model rendszerbeli szabványos metaadatok és önleíró adatok lehetővé teszik a metaadatok felderítését és az együttműködést az olyan adatelőállítók és -fogyasztók között, mint a Power BI, az Azure Data Factory, az Azure Databricks és az Azure Machine Learning.

Kapcsolódó információk

Adatok importálása és exportálása

Megjegyzés

Megosztja velünk a dokumentációja nyelvi preferenciáit? Rövid felmérés elvégzése. (ne feledje, hogy ez a felmérés angol nyelvű)

A felmérés elvégzése körülbelül hét percet vesz igénybe. Semmilyen személyes adatot nem gyűjtünk (adatvédelmi nyilatkozat).