Membuat dan menggunakan aliran data di Microsoft Power Platform
Menggunakan aliran data dengan Microsoft Power Platform mempermudah persiapan data, dan memungkinkan Anda menggunakan kembali pekerjaan persiapan data dalam laporan, aplikasi, dan model berikutnya.
Di dunia data yang terus berkembang, persiapan data bisa sulit dan mahal. Ini dapat mengonsumsi sebanyak 60 hingga 80 persen dari waktu dan biaya untuk proyek analitik umum. Proyek tersebut dapat memerlukan manipulasi data yang terfragmentasi dan tidak lengkap, integrasi sistem yang kompleks, data dengan inkonsistensi struktural, dan hambatan set keterampilan tinggi.
Untuk membuat persiapan data lebih mudah dan untuk membantu Anda mendapatkan nilai lebih dari data Anda, aliran data Power Query dan Power Platform dibuat.
Dengan aliran data, Microsoft menghadirkan kemampuan persiapan data layanan mandiri Power Query ke dalam layanan online Power BI dan Power Apps, dan memperluas kemampuan yang ada dengan cara berikut:
Persiapan data layanan mandiri untuk big data dengan aliran data: Aliran data dapat digunakan untuk dengan mudah menyerap, membersihkan, mengubah, mengintegrasikan, memperkaya, dan menskema data dari array sumber transaksional dan pengamatan yang besar dan terus berkembang, mencakup semua logika persiapan data. Sebelumnya, logika ekstrak, transformasi, pemuatan (ETL) hanya dapat disertakan dalam model semantik di Power BI, disalin berulang-ulang antara model semantik, dan terikat ke pengaturan manajemen model semantik.
Dengan aliran data, logika ETL ditingkatkan ke artefak kelas satu dalam layanan Microsoft Power Platform, dan mencakup pengalaman penulisan dan manajemen khusus. Analis bisnis, profesional BI, dan ilmuwan data dapat menggunakan aliran data untuk menangani tantangan persiapan data yang paling kompleks dan membangun pekerjaan satu sama lain, berkat mesin perhitungan berbasis model revolusioner. Mesin ini mengurus semua transformasi dan waktu pemotongan logika dependensi, biaya, dan keahlian untuk sebagian kecil dari apa yang secara tradisional diperlukan untuk tugas-tugas tersebut. Anda bisa membuat aliran data dengan menggunakan pengalaman persiapan data layanan mandiri Power Query yang terkenal. Aliran data dibuat dan dikelola dengan mudah di ruang kerja atau lingkungan aplikasi, di Power BI atau Power Apps, masing-masing, menikmati semua kemampuan yang ditawarkan layanan ini, seperti manajemen izin dan refresh terjadwal.
Muat data ke Dataverse atau Azure Data Lake Storage: Bergantung pada kasus penggunaan Anda, Anda dapat menyimpan data yang disiapkan oleh aliran data Power Platform di Dataverse atau akun Azure Data Lake Storage organisasi Anda:
Dataverse memungkinkan Anda menyimpan dan mengelola data dengan aman yang digunakan oleh aplikasi bisnis. Data dalam Dataverse disimpan dalam sekumpulan tabel. Tabel adalah sekumpulan baris (sebelumnya disebut sebagai rekaman) dan kolom (sebelumnya disebut sebagai bidang/atribut). Setiap kolom dalam tabel dirancang untuk menyimpan jenis data tertentu, misalnya, nama, usia, gaji, dan sebagainya. Dataverse menyertakan sekumpulan tabel standar dasar yang mencakup skenario umum, tetapi Anda juga dapat membuat tabel kustom khusus untuk organisasi Anda dan mengisinya dengan data dengan menggunakan aliran data. Pembuat aplikasi kemudian dapat menggunakan Power Apps dan Power Automate untuk membangun aplikasi kaya yang menggunakan data ini.
Azure Data Lake Storage memungkinkan Anda berkolaborasi dengan orang-orang di organisasi Anda menggunakan layanan Power BI, Azure Data, dan AI, atau menggunakan Aplikasi Lini Bisnis yang dibuat khusus yang membaca data dari lake. Aliran data yang memuat data ke akun Azure Data Lake Storage menyimpan data di folder Common Data Model. Folder Model Data Umum berisi data dan metadata skema dalam format standar, untuk memfasilitasi pertukaran data dan untuk mengaktifkan interoperabilitas penuh di seluruh layanan yang menghasilkan atau menggunakan data yang disimpan di akun Azure Data Lake Storage organisasi sebagai lapisan penyimpanan bersama.
Analitik Tingkat Lanjut dan AI dengan Azure: Aliran data Power Platform menyimpan data di Dataverse atau Azure Data Lake Storage—yang berarti bahwa data yang diserap melalui aliran data sekarang tersedia bagi teknisi data dan ilmuwan data untuk menerapkan kekuatan penuh Azure Data Services, seperti Azure Pembelajaran Mesin, Azure Databricks, dan Azure Synapse Analytics untuk analitik dan AI tingkat lanjut. Ini memungkinkan analis bisnis, insinyur data, dan ilmuwan data untuk berkolaborasi pada data yang sama dalam organisasi mereka.
Dukungan untuk Common Data Model: Common Data Model adalah sekumpulan skema data standar dan sistem metadata untuk memungkinkan konsistensi data dan maknanya di seluruh aplikasi dan proses bisnis. Aliran Data mendukung Common Data Model dengan menawarkan pemetaan mudah dari data apa pun dalam bentuk apa pun ke dalam tabel Common Data Model standar, seperti Akun dan Kontak. Aliran data juga mendaratkan data, baik tabel standar maupun kustom, dalam bentuk Model Data Umum skema. Analis bisnis dapat memanfaatkan skema standar dan konsistensi semantiknya, atau menyesuaikan tabel mereka berdasarkan kebutuhan unik mereka. Model Data Umum terus berkembang sebagai bagian dari Inisiatif Data Terbuka.
Kemampuan aliran data di layanan Microsoft Power Platform
Sebagian besar kemampuan aliran data tersedia di Power Apps dan Power BI. Aliran data tersedia sebagai bagian dari paket layanan ini. Beberapa fitur aliran data khusus produk atau tersedia dalam paket produk yang berbeda. Tabel berikut ini menjelaskan fitur aliran data dan ketersediaannya.
| Kemampuan aliran data | Power Apps | Power BI |
|---|---|---|
| Refresh terjadwal | Hingga 48 per hari | Hingga 48 per hari |
| Waktu refresh maksimum per tabel | Hingga 2 jam | Hingga 2 jam |
| Penulisan aliran data dengan Power Query Online | Ya | Ya |
| Manajemen aliran data | Di portal admin Power Apps | Di portal admin Power BI |
| Konektor baru | Ya | Ya |
| Skema standar/dukungan bawaan untuk Model Data Umum | Ya | Ya |
| Dataflows Data Koneksi or di Power BI Desktop | Untuk aliran data dengan Azure Data Lake Storage sebagai tujuan | Ya |
| Integrasi dengan Azure Data Lake Storage organisasi | Ya | Ya |
| Integrasi dengan Dataverse | Ya | Tidak |
| Tabel tertaut aliran data | Untuk aliran data dengan Azure Data Lake Storage sebagai tujuan | Ya |
| Tabel komputasi (transformasi dalam penyimpanan menggunakan M) | Untuk aliran data dengan Azure Data Lake Storage sebagai tujuan | Power BI Premium saja |
| Refresh inkremental aliran data | Untuk aliran data dengan Azure Data Lake Storage sebagai tujuan, memerlukan Power Apps Plan2 | Power BI Premium saja |
| Berjalan pada kapasitas Power BI Premium/ eksekusi paralel transformasi | Tidak | Ya |
Batasan umum
- Menyalin aliran data sebagai bagian dari operasi penyalinan lingkungan Power Platform tidak didukung.
Langkah berikutnya
Informasi selengkapnya tentang aliran data di Power Apps:
- Persiapan data layanan mandiri di Power Apps
- Membuat dan menggunakan aliran data di Power Apps
- Koneksi Azure Data Lake Storage Gen2 untuk penyimpanan aliran data
- Menambahkan data ke tabel di Dataverse dengan menggunakan Power Query
- Kunjungi komunitas aliran data Power Apps dan bagikan apa yang Anda lakukan, ajukan pertanyaan, atau kirimkan ide baru
- Kunjungi forum komunitas aliran data Power Apps dan bagikan apa yang Anda lakukan, ajukan pertanyaan, atau kirimkan ide baru
Informasi selengkapnya tentang aliran data di Power BI:
- Persiapan data layanan mandiri di Power BI
- Membuat dan menggunakan aliran data di Power BI
- Laporan resmi aliran data
- Video detail panduan aliran data
- Kunjungi komunitas aliran data Power BI dan bagikan apa yang Anda lakukan, ajukan pertanyaan, atau kirimkan ide baru
Artikel berikut ini membahas lebih detail tentang skenario penggunaan umum untuk aliran data.
- Menggunakan refresh inkremental dengan aliran data
- Membuat tabel komputasi dalam aliran data
- Koneksi ke sumber data untuk aliran data
- Menautkan tabel antar aliran data
Untuk informasi selengkapnya tentang Common Data Model dan standar folder Common Data Model, baca artikel berikut ini: