Pola Microsoft OneLake dan kemampuan dasar

Artikel ini memperkenalkan pola OneLake yang umum dan kemampuan platform yang dapat Anda gunakan untuk mengimplementasikannya. Gunakan informasi dalam artikel ini untuk memikirkan bagaimana Anda ingin mengatur lingkungan data Anda, lalu pilih pola yang sesuai dengan kebutuhan bisnis, teknis, dan tata kelola Anda.

Setiap pola menjelaskan bagaimana mengatur data dan kepemilikan untuk mencapai tujuan arsitektur tertentu. Untuk menerapkan pola, Anda menggabungkan satu atau lebih kemampuan dasar OneLake - virtualisasi data, interoperabilitas data terbuka, tata kelola terpusat, serta analitik dan AI terintegrasi. Setiap kemampuan pada gilirannya bergantung pada fitur produk tertentu seperti pintasan, mirroring, keamanan OneLake, dan mode Direct Lake. Kemampuan dan fitur yang sama sering muncul dalam lebih dari satu pola.

Note

Artikel ini didasarkan pada pola-pola yang diidentifikasi dalam makalah panduan arsitektur OneLake.

Pertimbangkan kelima pola ini sebagai blok bangunan untuk desain OneLake Anda. Sebagian besar lingkungan menggabungkan lebih dari satu. Pilih pola yang sesuai dengan tujuan Anda:

Akses data terpadu dengan replikasi minimal

Jika data Anda tersebar di beberapa cloud, sistem on-premises, atau danau eksternal, menyalin semuanya ke satu tempat mungkin tidak praktis - bahkan tidak memungkinkan. Akses data terpadu dengan pola replikasi minimal memperlakukan OneLake sebagai satu lapisan data logis tunggal di seluruh sumber-sumber tersebut. Alih-alih membangun pipeline penyerapan data untuk setiap sumber, Anda menggunakan tautan pintas untuk merujuk ke data di lokasi aslinya serta pencerminan saat Anda memerlukan salinan yang tersinkronkan dan dioptimalkan untuk kueri.

Gunakan pola ini ketika:

  • Data Anda tersebar di berbagai cloud, sistem lokal, atau danau eksternal.
  • Mereplikasi data ke dalam penyimpanan pusat akan menciptakan beban penyimpanan, latensi, atau kepatuhan yang berlebihan.
  • Anda perlu menambahkan sumber baru dengan cepat tanpa harus menyusun pipeline ETL lengkap.
  • Anda ingin mempertahankan investasi dalam data lake, gudang data, dan penyimpanan data operasional yang telah ada.

Terapkan akses data terpadu

Untuk menerapkan pola ini, mulailah dengan dua pendekatan akses data utama yang tidak mengharuskan Anda membangun atau mengoperasikan proses pemindahan data: virtualisasi membuat data sumber tersedia melalui OneLake tanpa menyalinnya, dan zero-ETL mirroring membawa salinan yang dikelola platform dan tersinkronisasi ke OneLake sebagai tabel Delta siap analitik. Gunakan alat pemindahan data Fabric hanya jika pendekatan ini tidak mendukung sumber atau memenuhi kebutuhan Anda. Untuk panduan tambahan dalam memilih dan menggabungkan pendekatan ini, lihat Satukan data dengan pintasan OneLake dan mirroring.

  1. Inventarisasi sumber data Anda untuk menentukan mana yang dapat diakses OneLake melalui virtualisasi atau mirroring zero-ETL: penyimpanan objek cloud, katalog eksternal, basis data operasional, dan Dataverse. Tandai sumber yang tersisa sebagai membutuhkan pendekatan pemindahan data.

  2. Pilih teknik akses data yang tepat untuk setiap sumber yang didukung. Pilih virtualisasi ketika sumber mendukung akses tanpa salinan. Gunakan mirroring zero-ETL ketika sumber memerlukan salinan yang disinkronkan dan dioptimalkan untuk kueri:

Data sumber Cara mengaksesnya Penanganan data
Penyimpanan objek cloud (Azure Data Lake Storage Gen2, Amazon S3, Google Cloud Storage) dan penyimpanan on-premises yang kompatibel dengan S3 Jalan pintas Virtualisasi: Menyediakan data sumber tanpa menyalinnya
Data yang dikelola dalam katalog eksternal yang ingin Anda sediakan tanpa menyalin (misalnya, Azure Databricks Unity Catalog) Pencerminan metadata - hanya menyinkronkan metadata katalog (skema, tabel) dan mengakses data sumber melalui pintasan Virtualisasi: Menyediakan data sumber tanpa menyalinnya
Database operasional yang membutuhkan salinan yang dioptimalkan untuk kueri (Azure SQL Database, Azure Cosmos DB, Snowflake, PostgreSQL, SQL Server 2025, Oracle Database, Google BigQuery) Pencerminan basis data, atau pencerminan terbuka untuk solusi kustom dan mitra yang didukung Zero-ETL mirroring: Membuat salinan Delta yang tersinkronisasi
Dataverse (data Dynamics 365 dan Power Platform) Pintasan atau Tautkan ke Microsoft Fabric untuk akses tanpa penyalinan data Virtualisasi: Menyediakan data sumber tanpa menyalinnya

  1. Transformasikan data sumber saat diperlukan. Transformasi pintasan dapat memproses file yang didukung yang diekspos melalui pintasan, baik file tersebut disimpan secara eksternal maupun sudah di OneLake. Gunakan transformasi file pintasan untuk mengonversi file terstruktur menjadi tabel Delta atau transformasi AI pintasan untuk memproses teks tidak terstruktur. Transformasi pintasan membuat output Delta yang ditransformasi dan menjaga sinkronisasi dengan data yang direferensikan oleh pintasan.

  2. Gunakan alat pemindahan data Fabric ketika virtualisasi dan pencerminan tidak mendukung sumber atau ketika Anda membutuhkan transformasi kompleks, orkestrasi, irama pergerakan terjadwal, atau pengambilan streaming. Untuk bantuan memilih di antara pipeline, dataflow, copy job, dan eventstream, lihat Pilih strategi pemindahan data.

Saat Anda memilih pemindahan data, lakukan data yang disalin dalam format tabel terbuka, seperti Delta Parquet atau Iceberg. Transformasi mirroring dan pintasan sudah menghasilkan output Delta. Menggunakan format terbuka menjaga data yang tervirtualisasi, salinan yang disinkronkan, dan output Delta yang telah ditransformasi tetap dapat dibaca oleh mesin Fabric dan platform eksternal.

  1. Catat alasan setiap kali Anda membuat salinan yang disinkronkan, output Delta yang ditransformasi, atau salinan melalui alat pemindahan data Fabric. Rekaman ini memastikan keputusan tersebut dapat diaudit. Buat salinan hanya jika sumber memerlukan tata letak fisik yang dioptimalkan untuk kueri atau jika secara virtual sumber tersebut tidak dapat memenuhi kebutuhan aktualitas, biaya transformasi, kepatuhan, atau pemrosesan Anda.

  2. Terapkan keamanan OneLake pada data yang tersedia melalui OneLake sehingga kebijakan yang sama mencakup data virtualisasi, salinan tersinkronisasi, dan output Delta yang ditransformasi.

  3. Sahkan dan deskripsikan item data yang dihasilkan di katalog OneLake agar pengguna dapat menemukannya dan memercayainya.

Kemampuan akses data terpadu

  • Virtualisasi data dan pencerminan zero-ETL - Sajikan data yang berada di sistem dan cloud lain melalui referensi tanpa penyalinan atau salinan tersinkronisasi yang siap untuk analitik. Fitur:
  • Tata kelola terpusat - Terapkan keamanan dan penemuan yang konsisten pada sumber virtualisasi seperti halnya pada data asli OneLake. Fitur:
  • Interoperabilitas data terbuka - Jaga data virtual dan salinan yang dikelola platform tetap dapat dibaca oleh mesin Fabric maupun platform eksternal. Fitur:

Arsitektur medali (perunggu, perak, emas)

Menyediakan data di OneLake hanyalah langkah pertama. Data mentah dari sistem sumber biasanya tidak aman digunakan langsung untuk analitik atau AI. Seringkali berisi duplikat, kesalahan, format yang tidak konsisten, atau bidang sensitif. Ketika beberapa tim membangun data sumber yang sama, mereka membutuhkan definisi bersama tentang apa yang dipercaya pada setiap tahap data.

Pola arsitektur medali mengorganisasi data di OneLake ke dalam tiga lapisan kualitas: perunggu untuk data sumber mentah yang tidak dapat diubah; perak untuk data yang telah dibersihkan dan disesuaikan; dan emas untuk tabel dan model semantik yang bersertifikat dan siap bisnis. Setiap lapisan adalah tahap yang didefinisikan yang dapat diandalkan oleh konsumen hilir. Tabel silver dan gold dapat digunakan kembali untuk berbagai beban kerja BI, analitik, dan AI, sehingga tim tidak perlu membangun ulang logika pembersihan atau pemodelan yang sama di alat yang terpisah.

Gunakan pola ini ketika:

  • Beberapa tim membangun data sumber yang sama dan membutuhkan kualitas yang konsisten.
  • Anda membutuhkan garis keturunan yang dapat dilacak dari input mentah hingga output bersertifikat.
  • Anda membutuhkan kontrak yang jelas antara rekayasa data dan analitik atau konsumen AI.

Untuk informasi lebih lanjut tentang pola ini, lihat Memahami arsitektur medali untuk Fabric with OneLake. Artikel tersebut membahas desain lapisan, model penerapan, format penyimpanan, tampilan lake yang dimaterialisasi, dan pengoptimalan tabel Delta.

Cara menerapkannya

Medali yang berfungsi bergantung pada satu ide: setiap lapisan adalah kontrak dengan konsumen hilir, dan data hanya maju ke lapisan berikutnya setelah memenuhi standar kualitas lapisan tersebut.

  1. Identifikasi sumber mentah Anda dan konsumen yang bergantung pada data bersertifikat.

  2. Tentukan apa yang termasuk di setiap lapisan, dan terapkan definisi ini secara konsisten di berbagai domain:

    Lapisan Daftar Isi Konsumen pada umumnya
    Perunggu Data mentah yang tidak dapat diubah ditangkap langsung dari sumber tanpa penegakan skema Data engineer (akses terbatas)
    Perak Dibersihkan, dihapus duplikasinya, dan disesuaikan dengan definisi bisnis yang sama Insinyur data dan analis terlatih
    Emas Tabel dan model semantik terkurasi yang siap pakai untuk bisnis Semua konsumen BI, analitik, dan AI

  3. Produksi setiap lapisan dengan beban kerja Fabric yang tepat - biasanya Data Engineering (Spark) atau Data Factory untuk perunggu dan perak, serta Data Warehouse atau Power BI semantic models untuk emas. Jaga kesetiaan sumber pada perunggu dengan menggunakan format asli, pintasan ke sumber data, Parquet, atau Delta sesuai kebutuhan. Gunakan tabel Delta untuk perak dan emas agar beban kerja Fabric dapat membaca dan menulis data yang telah disempurnakan dengan andal.

  4. Terapkan kebijakan akses berbasis lapisan. Gunakan keamanan OneLake untuk item yang didukung dan izin Fabric serta SQL yang berlaku untuk gudang. Batasi akses ke perunggu, buat perak tersedia untuk analis, dan berikan akses ke emas berdasarkan kebutuhan konsumen dan standar hak istimewa paling rendah.

  5. Gunakan output emas yang dikurasi untuk analitik hilir. Bangun model semantik lapisan emas pada mode Direct Lake sehingga Power BI dapat membaca data OneLake tanpa membuat salinan impor atau memerlukan penyegaran terjadwal.

  6. Pastikan setiap produksi emas memiliki garis keturunan yang dapat dilacak melalui perak hingga sumber perunggunya. Kemudian, tetapkan tabel lapisan emas dan model semantik sebagai bersertifikat di katalog OneLake. Validasi ini membantu konsumen mengidentifikasi data mana yang siap digunakan untuk produksi.

  7. Gunakan kembali model semantik standar emas untuk mempercepat pembuatan ontologi Fabric IQ. Langkah ini memberikan agen AI konteks bisnis yang diatur berdasarkan data bersertifikat.

Kemampuan dasar

  • Analitik terintegrasi dan AI - Lapisan perunggu, perak, dan emas mendukung setiap beban kerja analitik dan AI di OneLake tanpa salinan khusus per mesin. Fitur:
  • Tata kelola terpusat - Terapkan kebijakan akses dan gerbang kualitas yang berbeda di setiap lapisan sehingga konsumen hanya melihat data yang sesuai dengan peran mereka. Fitur:
  • Interoperabilitas data terbuka - Simpan layer dalam format terbuka agar mesin eksternal dapat membacanya bersama Fabric. Fitur:

Mesh data berorientasi domain pada platform bersama

Jika Anda memiliki beberapa tim bisnis yang memproduksi dan mengonsumsi data, mengarahkan setiap permintaan melalui satu tim data pusat dapat memperlambat pengiriman. Tim bisnis sering kali paling memahami data dan kebutuhan mereka sendiri, tetapi mendesentralisasi kepemilikan tanpa tata kelola bersama dapat menyebabkan ketidakkonsistenan terhadap keamanan, kualitas, dan garis keturunan.

Pola data mesh yang berorientasi domain memberi setiap domain bisnis kepemilikan atas produk datanya sendiri, dengan tetap mengikuti standar bersama di atas fondasi OneLake. Setiap domain menerbitkan produk datanya sendiri, dan domain lain mengaksesnya melalui pintasan serta menggunakannya dengan analitik Fabric dan beban kerja AI. Kebijakan identitas, keamanan, dan tata kelola terpusat berlaku secara seragam di semua domain.

Gunakan pola ini ketika:

  • Satu tim data pusat menjadi hambatan dalam pengiriman.
  • Domain bisnis yang berbeda memiliki data, kebutuhan, dan ritme rilis yang berbeda.
  • Anda membutuhkan akuntabilitas yang jelas untuk kualitas data di tingkat domain tanpa mengorbankan tata kelola perusahaan secara menyeluruh.

Terapkan data mesh yang berorientasi domain

Temukan keseimbangan yang tepat antara desentralisasi dan konsistensi. Dorong kepemilikan ke domain yang paling memahami data, dan jaga identitas, keamanan, serta garis keturunan tetap terpusat sehingga produk data setiap domain memenuhi standar yang sama.

  1. Identifikasi domain bisnis Anda. Setiap domain harus mewakili area bisnis yang koheren dengan tim yang dapat memiliki dan mengoperasikan produk datanya secara end-to-end.

  2. Buat domain untuk setiap area bisnis dan tetapkan workspace ke domain tersebut. Siapkan domain pusat terpisah untuk infrastruktur bersama dan data perusahaan yang dapat digunakan kembali.

  3. Definisikan standar produk data yang harus dipenuhi setiap domain - misalnya, persyaratan dukungan atau sertifikasi, skema yang terdokumentasi, metadata kepemilikan, versi, dan perjanjian tingkat layanan (SLA). Standar ini menjadikan setiap produk sebagai kontrak yang dapat digunakan kembali dan dapat ditemukan, bukan sekadar folder ruang kerja.

  4. Gunakan keamanan OneLake untuk menerapkan kontrol akses data berbasis peran di tingkat folder, tabel, baris, dan kolom sehingga produsen dapat mempublikasikan produk data tanpa mengekspos semua hal di workspace mereka.

  5. Terapkan tata kelola seluruh tenant dengan katalog OneLake untuk penemuan dan garis keturunan lintas domain, serta Microsoft Purview untuk label sensitivitas dan audit. Perluas model identitas dan kebijakan yang sama ke agen AI yang mengonsumsi produk data domain, sehingga akses agen diatur seperti konsumen lainnya.

  6. Gunakan shortcut pada domain konsumen untuk merujuk ke produk data produsen alih-alih menyalinnya. Konsumen kemudian dapat menggunakan produk data referensi dalam beban kerja Fabric yang sesuai dengan kebutuhan mereka. Untuk model semantik Power BI, gunakan mode Direct Lake untuk membaca data langsung dari OneLake. Gunakan Fabric Data Agents atau Fabric IQ untuk menciptakan pengalaman AI yang berbasis pada produk data domain yang diatur.

  7. Jika domain mempublikasikan ke katalog di luar Fabric, rencanakan sinkronisasi kontrol akses agar izin tetap konsisten antara OneLake dan katalog eksternal.

    Tip

    Akselerator open-source Microsoft, Policy Weaver, dapat mengotomatisasi sinkronisasi ini untuk sumber Azure Databricks (Unity Catalog), Snowflake, dan Dataverse. Ini mereplikasi kebijakan akses data ke peran keamanan OneLake, melengkapi pencerminan (yang memindahkan data tetapi bukan izin akses).

Kemampuan data mesh

  • Tata kelola terpusat - Desentralisasikan kepemilikan ke domain sambil menjaga identitas, keamanan, dan garis keturunan tetap tersentralisasi. Fitur:
    • Domain digunakan untuk mengelompokkan ruang kerja berdasarkan area bisnis.
    • Keamanan OneLake menyediakan kontrol akses folder, tabel, baris, dan kolom berbasis peran.
    • Katalog OneLake memungkinkan penemuan lintas domain dan garis keturunan.
    • Microsoft Purview menerapkan label sensitivitas dan audit.
  • Virtualisasi data - Biarkan domain konsumen menggunakan produk data milik produsen melalui referensi, bukan salinan. Fitur:
    • Shortcut memungkinkan berbagi zero-copy antar domain.
  • Analitik terintegrasi dan AI - Buat produk data setiap domain dapat dikonsumsi di seluruh beban kerja Fabric. Fitur:

Konsolidasi platform untuk analitik dan AI

Jika Anda menjalankan beberapa platform analitik berdampingan - alat terpisah untuk penyimpanan data, intelijen bisnis, ilmu data, analitik waktu nyata, dan AI - setiap alat dilengkapi dengan salinan data, pipeline, dan model tata kelola sendiri. Fragmentasi itu meningkatkan biaya dan menyulitkan penerapan keamanan yang konsisten atau mendapatkan satu jawaban atas pertanyaan bisnis.

Pola konsolidasi platform membawa beban kerja ini ke Fabric, di mana OneLake menyediakan fondasi data yang dibagi dan terkelola. Beban kerja Fabric mengakses, mengubah, menyinkronkan, atau menganalisis data melalui landasan ini alih-alih mengandalkan model data dan tata kelola yang terpisah untuk setiap alat.

Gunakan pola ini ketika:

  • Anda menggunakan beberapa platform analitik dengan kemampuan yang saling tumpang tindih.
  • Salinan data yang bergantung pada mesin dan alur pemrosesan mendorong peningkatan biaya serta overhead pemeliharaan.
  • Anda membutuhkan satu model tata kelola dan keamanan di seluruh beban kerja analitik dan AI.

Terapkan konsolidasi platform

Targetkan lebih sedikit platform, bukan integrasi yang lebih banyak. Konsolidasikan beban kerja di Fabric alih-alih menjembatani berbagai alat, dan hubungkan mesin eksternal hanya jika Anda belum dapat menghentikan penggunaannya.

  1. Identifikasi alat dan alur kerja analitik, data warehousing, data science, business intelligence (BI), dan AI yang Anda gunakan saat ini. Catat beban kerja apa yang dilayani setiap alat dan data apa yang disalin.

  2. Petakan setiap beban kerja yang ada ke beban kerja Fabric yang dapat menggantikannya:

    Beban kerja lama Beban kerja Fabric
    Orkestrasi Data dan Proses ETL Data Factory
    Notebook Spark dan pemrosesan lakehouse Rekayasa Data
    Pergudangan data SQL Data Warehouse
    Streaming dan analitik KQL Kecerdasan Waktu Nyata
    Pelatihan model ML dan pelacakan eksperimen Ilmu Data
    Database operasional Database (database SQL di Fabric dan Cosmos DB di Fabric)
    Visualisasi BI dan model semantik Power BI dengan mode Direct Lake
    AI percakapan yang berbasis data perusahaan Fabric Data Agents, Copilot untuk Fabric, Fabric IQ

  3. Bangun satu model tata kelola dan keamanan di semua beban kerja menggunakan keamanan OneLake, Microsoft Purview, dan katalog OneLake. Konfigurasikan kunci yang dikelola pelanggan ketika item Fabric yang didukung memerlukan lapisan enkripsi tambahan.

  4. Konsolidasikan data analitik di OneLake dengan menggunakan format Delta atau Iceberg agar beban kerja dapat berbagi fondasi data yang diatur. Sertakan beban kerja operasional dengan mengonsolidasikannya ke Fabric Databases, yang menyediakan data analitik yang tersinkronisasi di OneLake.

  5. Dasarkan AI pada data terkonsolidasi. Bangun ontologi (pratinjau) di atas lapisan data pilihan yang Anda kurasi dan sajikan kepada agen melalui server MCP Ontology, sehingga Fabric Data Agents, Microsoft 365 Copilot, dan alat eksternal dapat bernalar berdasarkan konteks terkelola yang sama. Anda dapat menghasilkan definisi ontologi dari model semantik Power BI dalam mode Import, Direct Lake, atau DirectQuery. Gunakan mode Direct Lake saat Anda membutuhkan binding yang dihasilkan untuk data OneLake yang didukung, dan tinjau keterbatasan ontologi saat ini.

  6. Untuk mesin eksternal yang belum bisa Anda hentikan, ekspos data OneLake ke mereka melalui integrasi Azure Databricks, interoperabilitas Iceberg dengan Snowflake, atau akses dan API OneLake.

  7. Hentikan penggunaan alat, salinan data, dan pipeline yang telah digantikan setelah Anda memvalidasi versi Fabric yang setara. Dengan cara ini, konsolidasi menghilangkan biaya, lisensi, dan serah terima daripada menambah platform lain ke tumpukan.

Kemampuan konsolidasi platform

Berbagi data eksternal antar organisasi

Jika Anda bertukar data dengan mitra, pemasok, pelanggan, atau divisi lain secara berkelanjutan, ekspor batch, transfer file, dan sistem hilir duplikat menambah latensi, biaya, dan celah tata kelola. Pola berbagi data eksternal memberikan konsumen di luar organisasi atau divisi bisnis Anda akses langsung ke data OneLake yang dikurasi tanpa ekspor berulang. Konsumen dapat mengakses data melalui fitur berbagi lintas-tenant Fabric atau dari platform analitik eksternal seperti Snowflake dan Azure Databricks menggunakan kapabilitas interoperabilitas OneLake.

Konsumen melihat pembaruan saat Anda mempublikasikannya. Anda mengendalikan akses ke data sumber melalui mekanisme berbagi atau interoperabilitas yang mendukung platform konsumen.

Gunakan pola ini ketika:

  • Anda bertukar data dengan organisasi eksternal secara berkelanjutan.
  • Ekspor batch atau transfer file menambah latensi, kompleksitas, atau celah tata kelola.
  • Anda perlu melacak dan mencabut akses eksternal secara terpusat.

Terapkan berbagi data eksternal

Berbagi eksternal bekerja paling baik jika Anda menggunakan virtualisasi daripada mengekspor data. Cocokkan metode akses dengan apa yang dapat dibaca setiap konsumen, dan terapkan kontrol akses yang didukung oleh mekanisme berbagi atau interoperabilitas tersebut.

  1. Identifikasi produk data yang ingin Anda bagikan secara eksternal dan konsumen yang membutuhkannya (mitra, pemasok, pelanggan). Biasanya, Anda membagikan tabel dan file yang dikurasi dengan baik serta terdokumentasi.

  2. Pilih pendekatan berbagi yang tepat untuk setiap konsumen:

    Tipe konsumen Pendekatan yang disarankan
    Pengguna Fabric di tenant lain Berbagi data eksternal untuk akses lintas tenant tervirtualisasi yang hanya baca
    Snowflake di pengguna Azure Interoperabilitas Iceberg dengan Snowflake untuk membaca tabel Fabric yang diekspos dalam format Iceberg
    Pengguna Azure Databricks Federasi katalog OneLake di Azure Databricks untuk menquery tabel OneLake melalui Unity Catalog tanpa menyalin data
    Aplikasi atau alat yang mendukung API ADLS Gen2 atau Blob Akses OneLake dan API untuk mengakses data OneLake melalui API yang didukung

    Untuk membawa data Dataverse ke OneLake sebelum membagikannya, gunakan pola akses data terpadu.

  3. Batasi akses eksternal dengan izin yang didukung oleh mekanisme berbagi yang dipilih. Untuk pembagian data eksternal Fabric, pembagian tersebut memberikan akses baca-saja kepada pengguna mana pun di penyewa asal milik pengguna yang diundang. Kebijakan keamanan dan tata kelola sisi penyedia, termasuk keamanan OneLake, label sensitivitas, dan kebijakan pencegahan kehilangan data, tidak ditegakkan dalam tenant konsumen. Konsumen harus mengatur akses hilir di lingkungan mereka.

  4. Sepakati syarat setiap hubungan berbagi sejak awal - apa yang dibagi, dengan siapa, dan berapa lama. Untuk berbagi data eksternal Fabric, cabut akses dari tab External data shares di halaman Kelola izin. Untuk pendekatan lain, cabut akses melalui mekanisme berbagi yang dipilih. Pastikan bahwa konsumen kehilangan visibilitas.

  5. Terapkan label sensitivitas, audit, dan pencegahan kehilangan data dengan Microsoft Purview di lingkungan Fabric penyedia.

  6. Dukung dan dokumentasikan produk data sumber di katalog OneLake agar penyedia dapat menemukannya dan mengelolanya sebelum membagikannya. Katalog OneLake tidak mempublikasikan produk data ke tenant eksternal atau platform analitik.

Kemampuan berbagi data eksternal

  • Virtualisasi data - Bagikan data melalui referensi tanpa salinan tanpa mengelola pipeline ekspor. Fitur:
    • Berbagi data eksternal menyediakan mekanisme berbagi tervirtualisasi antara tenant Fabric.
    • Shortcut memungkinkan mitra mengakses data yang dipublikasikan tanpa menyalinnya.
  • Interoperabilitas data terbuka - Bagikan kepada konsumen yang tidak menggunakan Fabric dengan mempublikasikan dalam format terbuka. Fitur:
  • Tata kelola terpusat - Kelola data sumber di Fabric dan kendalikan akses eksternal melalui setiap mekanisme berbagi. Fitur:
    • Keamanan OneLake mencakup akses ke data sumber di Fabric.
    • Microsoft Purview menerapkan label sensitivitas, audit, dan pencegahan kehilangan data di lingkungan Fabric penyedia.
    • Katalog OneLake mendukung penemuan dan dukungan di sisi penyedia sebelum dibagikan.
  • Terakhir diperbarui pada