Pola arsitektur ini menunjukkan bagaimana Anda dapat menggabungkan manajemen data master (MDM) ke dalam ekosistem layanan data Azure untuk meningkatkan kualitas data yang digunakan untuk analitik dan pengambilan keputusan operasional. MDM memecahkan beberapa tantangan umum, termasuk:
- Mengidentifikasi dan mengelola data duplikat (cocokkan dan gabungkan).
- Menandai dan mengatasi masalah kualitas data.
- Menstandarkan dan memperkaya data.
- Memungkinkan pengurus data mengelola dan meningkatkan data secara proaktif.
Pola ini menyajikan pendekatan modern untuk MDM. Semua teknologi dapat disebarkan secara asli di Azure, termasuk Profisee, yang dapat Anda sebarkan melalui kontainer dan mengelola dengan Azure Kubernetes Service.
Sistem
Unduh file Visio dari diagram yang digunakan dalam arsitektur ini.
Aliran data
Aliran data berikut sesuai dengan diagram sebelumnya:
Beban data sumber: Data sumber dari aplikasi bisnis disalin ke Azure Data Lake dan menyimpannya untuk transformasi dan penggunaan lebih lanjut dalam analitik hilir. Data sumber biasanya termasuk dalam salah satu dari tiga kategori:
- Data master terstruktur – Informasi yang menjelaskan pelanggan, produk, lokasi, dan sebagainya. Data master adalah volume rendah, kompleksitas tinggi, dan berubah perlahan dari waktu ke waktu. Sering kali data yang paling banyak diperjuangkan organisasi dalam hal kualitas data.
- Data transaksional terstruktur – Peristiwa bisnis yang terjadi pada titik waktu tertentu, seperti pesanan, faktur, atau perulangan. Transaksi termasuk metrik untuk transaksi tersebut (seperti harga penjualan) dan referensi ke data master (seperti produk dan pelanggan yang terlibat dalam pembelian). Data transaksi biasanya volume tinggi, kompleksitas rendah, dan tidak berubah dari waktu ke waktu.
- Data yang tidak terstruktur – Data yang dapat mencakup dokumen, gambar, video, konten media sosial, dan audio. Platform analitik modern dapat semakin menggunakan data yang tidak terstruktur untuk mempelajari wawasan baru. Data yang tidak terstruktur sering dikaitkan dengan data master, seperti pelanggan yang terkait dengan akun media sosial, atau produk yang terkait dengan gambar.
Beban data master sumber: Data master dari aplikasi bisnis sumber dimuat ke dalam aplikasi MDM "apa adanya", dengan informasi silsilah lengkap dan transformasi minimal.
Pemrosesan MDM otomatis: Solusi MDM menggunakan proses otomatis untuk menstandarkan, memverifikasi, dan memperkaya data, seperti data alamat. Solusi ini juga mengidentifikasi masalah kualitas data, mengelompokkan rekaman duplikat (seperti pelanggan duplikat), dan menghasilkan rekaman master, juga disebut "rekaman emas".
Pengurusan data: Jika perlu, pengurus data dapat:
- Meninjau dan mengelola grup rekaman yang cocok
- Membuat dan mengelola hubungan data
- Isi informasi yang hilang
- Atasi masalah kualitas data.
Pengurus data dapat mengelola beberapa roll-up hierarki alternatif seperti yang diperlukan, seperti hierarki produk.
Beban data master terkelola: Data master berkualitas tinggi mengalir ke solusi analitik hilir. Tindakan ini menyederhanakan proses karena integrasi data tidak lagi memerlukan transformasi kualitas data apa pun.
Beban data transaksi dan tidak terstruktur: Beban data transaksi dan tidak terstruktur ke dalam solusi analitik hilir tempat data tersebut digabungkan dengan data master berkualitas tinggi.
Visualisasi dan analisis: Data dimodelkan dan disediakan untuk pengguna bisnis untuk dianalisis. Data master berkualitas tinggi menghilangkan masalah kualitas data umum, yang menghasilkan wawasan yang ditingkatkan.
Komponen
Azure Data Factory adalah layanan integrasi data hibrid yang memungkinkan Anda membuat, menjadwalkan, dan mengatur alur kerja ekstrak, transformasi, pemuatan (ETL) dan ekstrak, muat, transformasi (ELT).
Azure Data Lake menyediakan penyimpanan tanpa batas untuk data analitik.
Profisee adalah platform MDM yang dapat diskalakan yang dirancang untuk dengan mudah diintegrasikan dengan ekosistem Microsoft.
Azure Synapse Analytics adalah gudang data cloud yang cepat, fleksibel, dan tepercaya yang memungkinkan Anda menskalakan, menghitung, dan menyimpan data secara elastis dan independen, dengan arsitektur pemrosesan paralel besar-besaran.
Power BI adalah rangkaian alat analitik bisnis yang memberikan wawasan ke seluruh organisasi Anda. Terhubung ke ratusan sumber data, sederhanakan persiapan data, dan dorong analisis improvisasi. Buat laporan yang menarik, lalu terbitkan untuk digunakan organisasi Anda di web dan di seluruh perangkat seluler.
Alternatif
Tidak ada aplikasi MDM yang dibuat khusus, Anda dapat menemukan beberapa kemampuan teknis yang diperlukan untuk membangun solusi MDM dalam ekosistem Azure.
- Kualitas data - Saat memuat ke platform analitik, Anda dapat membangun kualitas data ke dalam proses integrasi. Misalnya, terapkan transformasi kualitas data dalam alur Azure Data Factory dengan skrip yang dikodekan secara permanen.
- Standardisasi dan pengayaan data - Azure Peta membantu menyediakan verifikasi dan standarisasi data untuk data alamat, yang dapat Anda gunakan di Azure Functions dan Azure Data Factory. Standardisasi data lain mungkin memerlukan pengembangan skrip yang dikodekan secara permanen.
- Manajemen data duplikat - Anda dapat menggunakan Azure Data Factory untuk mendeduplikasi baris di mana pengidentifikasi yang memadai tersedia untuk kecocokan yang tepat. Dalam kasus ini, logika untuk menggabungkan yang cocok dengan yang bertahan yang sesuai kemungkinan akan memerlukan skrip yang dikodekan secara permanen secara kustom.
- Pengelolaan data - Gunakan Power Apps untuk mengembangkan solusi pengelolaan data sederhana dengan cepat untuk mengelola data di Azure, bersama dengan antarmuka pengguna yang sesuai untuk peninjauan, alur kerja, pemberitahuan, dan validasi.
Detail skenario
Banyak program transformasi digital menggunakan Azure sebagai intinya. Tetapi tergantung pada kualitas dan konsistensi data dari berbagai sumber, seperti aplikasi bisnis, database, umpan data, dan sebagainya. Ini juga memberikan nilai melalui kecerdasan bisnis, analitik, pembelajaran mesin, dan banyak lagi. Solusi Manajemen Data Master (MDM) Profisee menyelesaikan data estate Azure dengan metode praktis untuk "menyelaraskan dan menggabungkan" data dari beberapa sumber. Hal ini dilakukan dengan memberlakukan standar data yang konsisten pada data sumber, seperti mencocokkan, menggabungkan, menstandarkan, memverifikasi, dan memperbaiki. Integrasi asli dengan Azure Data Factory dan Azure Data Services lainnya semakin menyederhanakan proses ini untuk mempercepat pengiriman manfaat bisnis Azure.
Aspek inti dari cara kerja solusi MDM adalah penggabungan data dari berbagai sumber untuk membuat "master data emas" yang berisi data yang paling populer dan tepercaya untuk setiap rekaman. Struktur ini membangun domain-demi-domain sesuai dengan persyaratan, tetapi hampir selalu memerlukan beberapa domain. Domain umum adalah pelanggan, produk, dan lokasi. Tetapi domain dapat mewakili apa pun mulai dari data referensi hingga kontrak dan nama obat. Secara umum, cakupan domain yang lebih baik yang dapat Anda bangun relatif terhadap persyaratan data Azure yang luas semakin baik.
Alur integrasi MDM
Unduh file Visio arsitektur ini.
Gambar sebelumnya menunjukkan detail integrasi dengan solusi Profisee MDM. Perhatikan bahwa Azure Data Factory dan Profisee menyertakan dukungan integrasi REST asli, menyediakan integrasi yang ringan dan modern.
Memuat data sumber ke MDM: Azure Data Factory mengekstrak data dari data lake, mengubahnya agar sesuai dengan model data master, dan mengalirkannya ke repositori MDM melalui sink REST.
Pemrosesan MDM: Platform MDM memproses data master sumber melalui urutan kegiatan untuk memverifikasi, membakukan, dan memperkaya data, dan untuk menjalankan proses kualitas data. Terakhir, MDM melakukan pencocokan dan penyintas untuk mengidentifikasi dan mengelompokkan rekaman duplikat dan membuat rekaman master. Secara opsional, pengurus data dapat melakukan tugas yang menghasilkan sekumpulan data master untuk digunakan dalam analitik hilir.
Memuat data master untuk analitik: Azure Data Factory menggunakan sumber REST-nya untuk mengalirkan data master dari Profisee ke Azure Synapse Analytics.
Templat Azure Data Factory untuk Profisee
Bekerja sama dengan Microsoft, Profisee telah mengembangkan serangkaian templat Azure Data Factory yang mempermudah dan mempercepat integrasi Profisee ke dalam ekosistem Azure Data Services. Templat ini menggunakan sumber data dan sink data Azure Data Factories REST untuk membaca dan menulis data dari REST Gateway API Profisee. Mereka menyediakan templat untuk membaca dari dan menulis ke Profisee.
Contoh templat Data Factory: JSON ke Profisee melalui REST
Cuplikan layar berikut menunjukkan templat Azure Data Factory yang menyalin data dari file JSON di Azure Data Lake ke Profisee melalui REST.
Templat menyalin data JSON sumber:
Kemudian, data disinkronkan ke Profisee melalui REST:
Untuk informasi selengkapnya, lihat templat Azure Data Factory untuk Profisee.
Pemrosesan MDM
Dalam kasus penggunaan MDM analitis, data sering diproses melalui solusi MDM secara otomatis untuk memuat data untuk analitik. Bagian berikut menunjukkan proses umum untuk data pelanggan dalam konteks ini.
1. Beban data sumber
Data sumber dimuat ke dalam solusi MDM dari sistem sumber, termasuk informasi silsilah data. Dalam hal ini, kami memiliki dua catatan sumber, satu dari manajemen hubungan pelanggan (CRM) dan satu dari aplikasi perencanaan sumber daya perusahaan (ERP). Setelah inspeksi visual, kedua rekaman tampak mewakili orang yang sama.
| Nama Sumber | Alamat Sumber | Status Sumber | Telepon Sumber | ID Sumber | Alamat Standar | Negara Standar | Nama Standar | Telepon Standar | Kesamaan |
|---|---|---|---|---|---|---|---|---|---|
| Alana Bosh | 123 Main Street | GA | 7708434125 | CRM-100 | |||||
| Bosch, Alana | 123 St Utama. | Georgia | 404-854-7736 | CRM-121 | |||||
| Alana Bosch | (404) 854-7736 | ERP-988 |
2. Verifikasi dan Standardisasi data
Aturan dan layanan verifikasi dan standardisasi membantu menstandarkan dan memverifikasi informasi alamat, nama, dan nomor telepon.
| Nama Sumber | Alamat Sumber | Status Sumber | Telepon Sumber | ID Sumber | Alamat Standar | Negara Standar | Nama Standar | Telepon Standar | Kesamaan |
|---|---|---|---|---|---|---|---|---|---|
| Alana Bosh | 123 Main Street | GA | 7708434125 | CRM-100 | 123 St Utama. | GA | Alana Bosh | 770 843 4125 | |
| Bosch, Alana | 123 St Utama. | Georgia | 404-854-7736 | CRM-121 | 123 St Utama. | GA | Alana Bosch | 404 854 7736 | |
| Alana Bosch | (404) 854-7736 | ERP-988 | Alana Bosch | 404 854 7736 |
3. Pencocokan
Dengan data yang distandarkan, pencocokan terjadi, mengidentifikasi kesamaan antara rekaman dalam grup. Dalam skenario ini, Nama dan Nomor telepon pada dua data sama persis, dan pencocokan fuzzy lainnya pada Nama dan Alamat.
| Nama Sumber | Alamat Sumber | Status Sumber | Telepon Sumber | ID Sumber | Alamat Standar | Negara Standar | Nama Standar | Telepon Standar | Kesamaan |
|---|---|---|---|---|---|---|---|---|---|
| Alana Bosh | 123 Main Street | GA | 7708434125 | CRM-100 | 123 St Utama. | GA | Alana Bosh | 770 843 4125 | 0,9 |
| Bosch, Alana | 123 St Utama. | Georgia | 404-854-7736 | CRM-121 | 123 St Utama. | GA | Alana Bosch | 404 854 7736 | 1.0 |
| Alana Bosch | (404) 854-7736 | ERP-988 | Alana Bosch | 404 854 7736 | 1.0 |
4. Survivorship
Dengan grup yang dibentuk, penyintasan menciptakan dan mengisi rekaman master (juga disebut "rekaman emas") untuk mewakili grup.
| Nama Sumber | Alamat Sumber | Status Sumber | Telepon Sumber | ID Sumber | Alamat Standar | Negara Standar | Nama Standar | Telepon Standar | Kesamaan |
|---|---|---|---|---|---|---|---|---|---|
| Alana Bosh | 123 Main Street | GA | 7708434125 | CRM-100 | 123 St Utama. | GA | Alana Bosh | 770 843 4125 | 0,9 |
| Bosch, Alana | 123 St Utama. | Georgia | 404-854-7736 | CRM-121 | 123 St Utama. | GA | Alana Bosch | 404 854 7736 | 1.0 |
| Alana Bosch | (404) 854-7736 | ERP-988 | Alana Bosch | 404 854 7736 | 1.0 | ||||
| Rekaman Master: | 123 St Utama. | GA | Alana Bosch | 404 854 7736 |
Catatan master ini, bersama dengan data sumber dan informasi silsilah yang ditingkatkan, dimuat ke dalam solusi analitik hilir, tempat data tersebut ditautkan ke data transaksi.
Contoh ini menunjukkan pemrosesan MDM dasar dan otomatis. Anda juga dapat menggunakan aturan kualitas data untuk menghitung dan memperbarui nilai secara otomatis, dan menandai nilai yang hilang atau tidak valid untuk diselesaikan oleh pengurus data. Pengurus data membantu mengelola data, termasuk mengelola rollup data hierarkis.
Dampak MDM terhadap kompleksitas integrasi
Seperti yang ditunjukkan sebelumnya, MDM mengatasi beberapa tantangan umum yang dihadapi saat mengintegrasikan data ke dalam solusi analitik. Ini termasuk memperbaiki masalah kualitas data, menstandarkan dan memperkaya data, dan merasilitasi data duplikat. Menggabungkan MDM ke dalam arsitektur analitik Anda pada dasarnya mengubah aliran data dengan menghilangkan logika yang dikodekan secara permanen dalam proses integrasi, dan membongkarnya ke solusi MDM, yang secara signifikan menyederhanakan integrasi. Tabel berikut menguraikan beberapa perbedaan umum dalam proses integrasi dengan dan tanpa MDM.
| Kemampuan | Tanpa MDM | Dengan MDM |
|---|---|---|
| Kualitas data | Proses integrasi mencakup aturan dan transformasi kualitas untuk membantu memperbaiki dan memperbaiki data saat bergerak. Ini membutuhkan sumber daya teknis untuk implementasi awal dan pemeliharaan berkelanjutan aturan-aturan ini, sehingga membuat proses integrasi data semakin rumit dan mahal untuk dikembangkan dan dipelihara. | Solusi MDM mengonfigurasi dan memberlakukan logika dan aturan kualitas data. Proses integrasi tidak melakukan transformasi kualitas data, bukan memindahkan data "sebagaimana adanya" ke dalam solusi MDM. Integrasi data adalah proses sederhana dan terjangkau untuk dikembangkan dan dipelihara. |
| Standardisasi dan pengayaan data | Proses integrasi mencakup logika untuk menstandarkan dan menyelaraskan referensi dan data master. Kembangkan integrasi dengan layanan pihak ketiga untuk melakukan standardisasi alamat, nama, email, dan data telepon. | Dengan menggunakan aturan bawaan dan integrasi out-of-the-box dengan layanan data pihak ketiga, Anda dapat menstandarkan data dalam solusi MDM, yang menyederhanakan integrasi. |
| Pengelolaan data duplikat | Proses integrasi mengidentifikasi dan mengelompokkan rekaman duplikat yang ada di dalam dan di seluruh aplikasi berdasarkan pengidentifikasi unik yang ada. Proses ini berbagi pengidentifikasi di seluruh sistem (misalnya, SSN atau email), dan hanya cocok dan mengelompokkannya saat identik. Pendekatan yang lebih canggih membutuhkan investasi yang besar dalam rekayasa integrasi. | Kemampuan pencocokan pembelajaran mesin bawaan mengidentifikasi data duplikat di dalam dan di seluruh sistem, yang menghasilkan data emas untuk mewakili grup. Proses ini memungkinkan rekaman menjadi "fuzzy matched", mengelompokkan rekaman yang serupa, dengan hasil yang dapat dijelaskan. Ini mengelola grup dalam skenario di mana mesin ML tidak dapat membentuk grup dengan keyakinan tinggi. |
| Kepengurusan data | Aktivitas pengelolaan data hanya memperbarui data di aplikasi sumber, seperti ERP atau CRM. Biasanya, mereka menemukan masalah, seperti data yang hilang, tidak lengkap, atau salah, saat melakukan analitik. Mereka memperbaiki masalah dalam aplikasi sumber, lalu memperbaruinya dalam solusi analitik selama pembaruan berikutnya. Setiap informasi baru untuk dikelola ditambahkan ke aplikasi sumber, yang membutuhkan waktu dan mahal. | Solusi MDM memiliki kemampuan pengelolaan data bawaan yang memungkinkan pengguna mengakses dan mengelola data. Idealnya, sistem menandai masalah dan meminta pengurus data untuk memperbaikinya. Konfigurasikan informasi atau hierarki baru dengan cepat dalam solusi sehingga pengurus data mengelolanya. |
Kasus penggunaan MDM
Meskipun ada banyak kasus penggunaan untuk MDM, beberapa kasus penggunaan mencakup sebagian besar implementasi MDM dunia nyata. Meskipun kasus penggunaan ini berfokus pada satu domain, kasus tersebut tidak mungkin dibuat hanya dari domain tersebut. Dengan kata lain, bahkan kasus penggunaan terfokus ini kemungkinan besar mencakup beberapa domain data master.
Pelanggan 360
Menggabungkan data pelanggan untuk analitik adalah kasus penggunaan MDM yang paling umum. Organisasi mengambil data pelanggan dalam aplikasi yang jumlahnya bertambah, membuat data pelanggan duplikat di dalam dan di seluruh aplikasi dengan inkonsistensi dan perbedaan. Data pelanggan berkualitas buruk ini menyulitkan untuk mewujudkan nilai solusi analitik modern. Gejala meliputi:
- Sulit menjawab pertanyaan bisnis dasar seperti "Siapa adalah pelanggan teratas kami?" dan "Berapa banyak pelanggan baru yang kami miliki?", membutuhkan upaya manual yang signifikan.
- Informasi pelanggan yang hilang dan tidak akurat, sehingga sulit untuk menggulung atau mendalami data.
- Ketidakmampuan untuk menganalisis data pelanggan di seluruh sistem atau unit bisnis karena ketidakmampuan untuk mengidentifikasi pelanggan secara unik di seluruh batas organisasi dan sistem.
- Wawasan berkualitas buruk dari AI dan pembelajaran mesin karena data input berkualitas buruk.
Produk 360
Data produk sering tersebar di beberapa aplikasi perusahaan, seperti ERP, PLM, atau e-niaga. Akibatnya, katalog total produk yang memiliki definisi yang tidak konsisten untuk properti seperti nama, deskripsi, dan karakteristik produk menjadi sulit dipahami. Dan definisi data referensi yang berbeda semakin mempersulit situasi ini. Gejala meliputi:
- Ketidakmampuan untuk mendukung jalur penggulungan dan pendalaman hierarki alternatif yang berbeda untuk analitik produk.
- Baik barang jadi maupun persediaan bahan, kesulitan memahami dengan tepat produk apa yang Anda miliki di tangan, vendor tempat Anda membeli produk, dan menduplikasi produk, yang mengarah ke persediaan berlebih.
- Kesulitan rasionalisasi produk karena definisi yang bertentangan, yang menyebabkan informasi yang hilang atau tidak akurat dalam analitik.
Data referensi 360
Dalam konteks analitik, data referensi ada sebagai banyak daftar data yang membantu menjelaskan lebih lanjut kumpulan data master lainnya. Data referensi dapat mencakup daftar negara dan wilayah, mata uang, warna, ukuran, dan unit pengukuran. Data referensi yang tidak konsisten menyebabkan kesalahan yang menonjol dalam analitik hilir. Gejala meliputi:
- Beberapa representasi dari hal yang sama. Misalnya, negara bagian Georgia menunjukkan sebagai "GA" dan "Georgia", yang membuatnya sulit untuk menggabungkan dan menelusuri data secara konsisten.
- Kesulitan dalam menggabungkan data dari seluruh aplikasi karena ketidakmampuan untuk menyeberangi nilai data referensi antar sistem. Misalnya, warna merah menunjukkan sebagai "R" dalam sistem ERP dan "Merah" dalam sistem PLM.
- Kesulitan mencocokkan angka di seluruh organisasi karena perbedaan nilai data referensi yang disepakati untuk mengategorikan data.
Keuangan 360
Organisasi keuangan sangat bergantung pada data untuk aktivitas penting seperti pelaporan bulanan, triwulanan, dan tahunan. Organisasi dengan beberapa sistem keuangan dan akuntansi sering memiliki data keuangan di beberapa buku besar umum, yang mereka konsolidasikan untuk menghasilkan laporan keuangan. MDM dapat menyediakan tempat terpusat untuk memetakan dan mengelola akun, pusat biaya, entitas bisnis, dan himpunan data keuangan lainnya ke tampilan terkonsolidasi. Gejala meliputi:
- Kesulitan mengagregasi data keuangan di beberapa sistem ke dalam tampilan yang terkonsolidasi.
- Kurangnya proses penambahan dan pemetaan elemen data baru dalam sistem keuangan.
- Keterlambatan dalam menghasilkan laporan keuangan akhir periode.
Pertimbangan
Pertimbangan ini mengimplementasikan pilar Azure Well-Architected Framework, yang merupakan serangkaian tenet panduan yang dapat digunakan untuk meningkatkan kualitas beban kerja. Untuk informasi selengkapnya, lihat Microsoft Azure Well-Architected Framework.
Keandalan
Keandalan memastikan aplikasi Anda dapat mencapai komitmen yang Anda buat kepada pelanggan Anda. Untuk informasi selengkapnya, lihat Gambaran Umum pilar keandalan.
Profisee berjalan secara penuh di Azure Kubernetes Service dan Azure SQL Database. Kedua layanan menawarkan kemampuan siap pakai untuk mendukung ketersediaan tinggi.
Efisiensi kinerja
Efisiensi performa adalah kemampuan beban kerja Anda untuk diskalakan agar memenuhi permintaan yang diberikan oleh pengguna dengan cara yang efisien. Untuk informasi selengkapnya, lihat Gambaran umum pilar efisiensi performa.
Profisee berjalan secara penuh di Azure Kubernetes Service dan Azure SQL Database. Anda dapat mengonfigurasi Azure Kubernetes Service untuk meningkatkan dan mempersingkat Profisee, tergantung pada kebutuhan. Anda dapat menyebarkan Azure SQL Database dalam berbagai konfigurasi untuk menyeimbangkan performa, skalabilitas, dan biaya.
Keamanan
Keamanan memberikan jaminan terhadap serangan yang disukai dan penyalahgunaan data dan sistem berharga Anda. Untuk informasi selengkapnya, lihat Gambaran Umum pilar keamanan.
Profisee mengautentikasi pengguna melalui OpenID Koneksi, yang mengimplementasikan alur autentikasi Open Authorization (OAuth) 2.0. Sebagian besar organisasi mengonfigurasi Profisee untuk mengautentikasi pengguna terhadap ID Microsoft Entra. Proses ini memastikan kebijakan perusahaan untuk autentikasi diterapkan dan diberlakukan.
Pengoptimalan biaya
Optimalisasi biaya adalah tentang mencari cara untuk mengurangi pengeluaran yang tidak perlu dan meningkatkan efisiensi operasional. Untuk informasi selengkapnya, lihat Gambaran umum pilar pengoptimalan biaya.
Biaya operasional terdiri dari lisensi perangkat lunak dan penggunaan Azure. Untuk informasi selengkapnya, hubungi Profisee.
Menyebarkan skenario ini
Untuk menyebarkan skenario ini:
- Sebarkan Profisee ke Azure menggunakan templat ARM.
- Buat Azure Data Factory.
- Konfigurasikan Azure Data Factory Anda untuk terhubung ke repositori Git.
- Tambahkan templat Azure Data Factory Profisee ke repositori Azure Data Factory Git Anda.
- Buat Alur Azure Data Factory baru menggunakan templat.
Kontributor
Artikel ini dikelola oleh Microsoft. Ini awalnya ditulis oleh kontributor berikut.
Penulis utama:
- Sunil Sabat | Manajer Program Utama
Untuk melihat profil LinkedIn non-publik, masuk ke LinkedIn.
Langkah berikutnya
- Pahami kemampuan Konektor Salinan REST di Azure Data Factory.
- Pelajari lebih lanjut Profisee yang berjalan secara native di Azure.
- Pelajari cara menyebarkan Profisee ke Azure menggunakan templat ARM.
- Lihat template Azure Data Factory Profise.
Sumber daya terkait
Panduan arsitektur
- Ekstrak, transformasi, muat (ETL)
- Runtime integrasi di Azure Data Factory
- Memilih teknologi orkestrasi alur data di Azure