Bekerja dengan data apa pun

Microsoft Dataverse menyediakan abstraksi yang memungkinkan untuk bekerja dengan jenis data apa pun, termasuk Relasional, non-relasional, gambar, file, pencarian relatif, atau data Lake. Tidak perlu memahami jenis data karena Dataverse mengekspos satu set jenis data yang memungkinkan Anda untuk membangun model. Jenis penyimpanan dioptimalkan untuk jenis data yang dipilih.

Data dapat dengan mudah diimpor dan diekspor dengan aliran data, Power Query, dan Azure Data Factory. Pelanggan Dynamics juga dapat menggunakan layanan ekspor data.

Dataverse juga memiliki konektor untuk Power Automate dan aplikasi logika Azure yang dapat digunakan dengan ratusan konektor lain di layanan tersebut untuk layanan lokal, infrastruktur sebagai layanan (iaas), platform sebagai layanan (paas), atau perangkat lunak sebagai layanan (SaaS). Ini mencakup sumber-sumber di Azure, Microsoft 365, Dynamics 365, SAP ERP, Salesforce, Amazon Redshift, Access, Excel, text/CSV, daftar SharePoint, SQL Server databases, Oracle, MySQL, PostgreSQL, Blockchain, dan Azure Synapse Analytics.

Common Data Model

Jika Anda pernah harus membawa data dari beberapa sistem dan aplikasi bersama-sama, Anda tahu betapa bisa mahal dan memakan waktu tugas itu. Tanpa dapat berbagi dan memahami data yang sama dengan mudah, setiap aplikasi atau proyek integrasi data memerlukan penerapan kustom.

Common Data Model memberikan arsitektur acuan yang ditujukan untuk merampingkan proses ini dengan menyediakan bahasa data bersama untuk aplikasi bisnis dan analitik untuk digunakan. Sistem metadata Common Data Model memungkinkan data dan artinya disampaikankan di seluruh aplikasi dan proses bisnis seperti Power Apps, Power BI, Dynamics 365, dan Azure.

Common Data Model mencakup serangkaian data skema terstandar dan dapat diperluas yang dapat dipublikasikan oleh Microsoft dan mitranya. Kumpulan skema yang telah ditetapkan ini mencakup tabel, atribut, metadata semantik, dan relasi. Skema ini menunjukkan konsep dan aktivitas yang sering digunakan, seperti akun dan kampanye, untuk menyederhanakan pembuatan, agregasi, dan analisis data.

Skema Common Data Model dapat digunakan untuk menginformasikan pembuatan tabel di Dataverse. Tabel yang dihasilkan kemudian akan kompatibel dengan aplikasi dan analitik yang menargetkan definisi Common Data Model ini.

Gambar berikut menunjukkan beberapa elemen dari tabel Common Data Model. 

Tabel

Di Dataverse, tabel digunakan untuk memodelkan dan mengelola data bisnis. Untuk meningkatkan produktivitas, Dataverse mencakup sekumpulan tabel yang dikenal sebagai tabel standar. Tabel ini didesain, sesuai dengan praktik terbaik, untuk mengambil konsep yang paling umum dan skenario dalam organisasi. Tabel standar mematuhi Common Data Model.

Satu set tabel yang biasa digunakan di seluruh industri, seperti Pengguna dan Tim, disertakan dalam Dataverse dan disebut sebagai tabel standar. Tabel siap pakai ini juga dapat disesuaikan, seperti termasuk kolom tambahan. Selain itu, Anda dapat dengan mudah membuat tabel kustom Anda sendiri di Dataverse.

Kolom

Kolom menentukan item data terpisah yang dapat digunakan untuk menyimpan data di tabel. Bidang terkadang disebut atribut oleh pengembang. Tabel yang menyatakan kursus di kampus dapat berisi kolom seperti "Nama", "Lokasi", "Departemen," "Mahasiswa Terdaftar", dan sebagainya.

Kolom mungkin memiliki berbagai jenis data seperti angka, string, data digital, gambar, dan file. Tidak perlu untuk membuat data relasi dan non-relasional dipisahkan secara artifisial jika merupakan bagian dari proses bisnis atau alur kerja yang sama. Dataverse menyimpan data dalam jenis penyimpanan terbaik untuk model yang dibuat.

Setiap kolom ini dapat dikaitkan dengan salah satu dari banyak jenis data yang didukung Dataverse.

Informasi lebih lanjut: Type of columns (Jenis kolom)

Hubungan

Data dalam satu tabel sering berkaitan dengan data dalam tabel lain. Relasi tabel menentukan cara baris dapat direlasikan satu sama lain di model Dataverse.

Dataverse menyediakan desainer visual yang mudah digunakan untuk menentukan berbagai jenis relasi dari satu tabel ke tabel lainnya (atau antara tabel dan dirinya sendiri). Setiap tabel dapat memiliki relasi dengan lebih dari satu tabel, dan setiap tabel dapat memiliki lebih dari satu relasi ke tabel lainnya.

Jenis relasi adalah:

• Banyak ke satu: Di jenis relasi ini, banyak tabel A rekaman dapat dikaitkan dengan satu rekaman tabel B. Contohnya, kelas mahasiswa memiliki satu kelas.

• Banyak ke satu: Di jenis relasi ini, satu rekaman tabel B dapat dikaitkan dengan banyak rekaman tabel A. Contohnya, satu orang guru mengajar banyak kelas.

• Banyak ke banyak: Dalam jenis relasi ini, setiap rekaman di tabel A dapat sesuai lebih dari satu rekaman di tabel B, dan sebaliknya. Misalnya, mahasiswa menghadiri banyak kelas, dan masing-masing kelas dapat memiliki beberapa mahasiswa.

Karena relasi banyak-ke-satu adalah yang paling umum, Dataverse menyediakan jenis data spesifik bernama pencarian, yang tidak hanya memudahkan untuk mendefinisikan relasi ini namun menambahkan produktivitas untuk membangun formulir dan aplikasi.

Untuk informasi lebih lanjut tentang pembuatan relasi tabel, lihat Create a relationship between tables (Membuat dan mengedit relasi antartabel).

Organisasi biasanya harus mematuhi berbagai peraturan untuk memastikan ketersediaan riwayat interaksi pelanggan, log audit, laporan akses, dan laporan pelacakan insiden keamanan. Organisasi mungkin perlu melacak perubahan dalam data Dataverse untuk tujuan keamanan dan analitik.

Dataverse menyediakan kemampuan audit di mana perubahan pada tabel dan data atribut dalam organisasi dapat dimasukkan ke dalam baris dari waktu ke waktu untuk digunakan dalam analisis dan pelaporan. Audit didukung di semua tabel dan atribut kustom—dan yang paling dapat terkustomisasi—. Audit tidak didukung pada perubahan metadata, operasi pengambilan, operasi ekspor, atau selama autentikasi. Untuk informasi tentang cara mengonfigurasi audit, buka Mengelola Dataverse audit.

Dataverse mendukung analitik dengan menyediakan kemampuan untuk memilih tabel untuk model Pembelajaran Mesin yang akan dijalankan. Ia memiliki kemampuan AI bawaan melalui AI Builder.

Pencarian

Dataverse menyediakan tiga cara untuk mengkueri baris:

• Pencarian Dataverse

• Cari Cepat (tabel tunggal atau multitabel)

• Pencarian tingkat lanjut

Catatan

Cari cepat multitabel juga disebut Pencarian terkategori.

Untuk informasi lebih lanjut, lihat Bandingkan pencarian.

Pencarian Dataverse

Pencarian Dataverse memberikan hasil yang cepat dan komprehensif di beberapa tabel, dalam satu daftar, diurutkan berdasarkan relevansi. Ini menggunakan sebuah layanan pencarian khusus di luar Dataverse (didukung oleh Azure) untuk meningkatkan kinerja pencarian.

Pencarian Dataverse membawa perangkat tambahan dan manfaat berikut:

• Meningkatkan kinerja dengan menggunakan pengindeksan eksternal dan teknologi Pencarian Azure.

• Menemukan kecocokan dengan kata apa pun di istilah pencarian di setiap kolom dalam tabel, dibandingkan dengan cari cepat di mana semua kata dari istilah pencarian harus ditemukan dalam satu kolom.

• Mencari kecocokan yang mencakup kata-kata berinfleksi, seperti aliran, streaming, atau di-stream.

• Menampilkan hasil dari semua tabel yang dapat dicari dalam satu daftar yang diurutkan berdasarkan relevansi, sehingga semakin baik kecocokannya, semakin banyak hasil yang ditampilkan dalam daftar. Kecocokan memiliki relevansi yang lebih tinggi jika lebih banyak kata-kata dari istilah pencarian yang ditemukan di dekat satu sama lain. Semakin kecil jumlah teks di mana kata-kata pencarian ditemukan, semakin tinggi relevansi. Misalnya, jika Anda menemukan pencarian kata-kata dalam nama perusahaan dan alamat, itu mungkin lebih cocok daripada mencari kata-kata yang sama ditemukan di sebuah artikel panjang, yang jauh terpisah dari satu sama lain.

• Menyorot kecocokan dalam daftar hasil. Bila istilah pencarian cocok dengan istilah dalam baris, istilah tersebut ditampilkan sebagai teks tebal dan miring dalam hasil pencarian Anda.

Untuk informasi lebih lanjut tentang pencarian Dataverse, lihat: Menggunakan pencarian Dataverse untuk mencari baris.

Cari cepat

Dataverse mencakup kemampuan untuk menemukan baris dengan cepat dan memiliki pendekatan yang akan mencari hanya satu jenis tabel, seperti pelanggan, atau digunakan untuk mencari di beberapa jenis tabel di saat yang bersamaan, seperti kontak, pengguna, pelanggan, dan sebagainya.

Cari cepat satu tabel digunakan untuk mencari baris hanya dari satu jenis. Opsi pencarian ini tersedia dalam pandangan.

Cari cepat Multitabel (pencarian terkategori) juga digunakan untuk menemukan baris, tetapi akan di cari di berbagai jenis tabel, seperti akun atau kontak.

Data Lake

Dataverse mendukung replikasi data tabel berkelanjutan Azure Data Lake Storage, yang kemudian dapat digunakan untuk menjalankan analitik seperti pelaporan, pembelajaran mesin, pergudangan data, dan proses integrasi hilir Power BI lainnya.

Fitur ini dirancang untuk analitik Big-data perusahaan. Kemampuan yang hemat dan dapat diskalakannya, memiliki kemampuan ketersediaan dan pemulihan bencana tinggi, dan memungkinkan performa analitik terbaik di kelasnya.

Data disimpan dalam format Common data model, yang menyediakan konsistensi semantik di seluruh aplikasi dan penyebaran. Metadata stAndar dan data yang menggambarkan diri sendiri dalam Common Data Model memudahkan penemuan metadata dan interoperabilitas antara produsen data dan konsumen seperti Power BI, Data Factory, azure databricks, dan Pembelajaran Mesin azure.

Lihat juga

Mengimpor dan mengekspor data

Catatan

Apa bahasa dokumentasi yang Anda inginkan? Lakukan survei singkat. (perlu diketahui bahwa survei ini dalam bahasa Inggris)

Survei akan berlangsung kurang lebih selama tujuh menit. Tidak ada data pribadi yang dikumpulkan (pernyataan privasi).