Arbeid med data

Microsoft Dataverse gir en abstraksjon som gjør det mulig å arbeide med alle typer data, inkludert relasjons-, ikke-relasjons-, bilde-, fil-, relativsøk- eller datainnsjø. Det er ikke nødvendig å forstå datatypen når Dataverse viser et sett med datatyper som lar deg bygge opp modellen. Lagringstypen er optimalisert for den valgte datatypen.

Data kan enkelt importeres og eksporteres med dataflyter, Power Query og Azure Data Factory. Dynamics-kunder kan også bruke dataeksporttjenesten.

Dataverset har også en kobling for Power Automate og Azure Logic Apps som kan brukes med hundrevis av andre koblinger i disse tjenestene for lokale infrastrukturer som en tjeneste (IaaS), plattform som en tjeneste (PaaS) eller programvare som tjenestetjenester (SaaS). Dette inkluderer kilder i Azure, Microsoft 365, Dynamics 365, SAP ERP, Salesforce, Amazon Redshift, Access, Excel, text/CSV, SharePoint-lister, SQL Server-databaser, Oracle, MySQL, PostgreSQL, Blockchain og Azure Synapse Analytics.

Common Data Model

Hvis du noen gang har måttet samle data fra flere systemer og apper, vet du hvilken dyr og tidkrevende oppgave som kan være. Uten å kunne dele og forstå de samme dataene enkelt, krever hvert app- eller dataintegreringsprosjekt en egendefinert implementering.

Common Data Model gir referansearkitektur som er ment å effektivisere denne prosessen ved å tilby et delt dataspråk for forretnings- og analyseapper å bruke. Metadatasystemet Common Data Model gjør det mulig for data og dens betydning å deles på tvers av apper og forretningsprosesser, for eksempel Power Apps, Power BI, Dynamics 365 og Azure.

Common Data Model inkluderer et sett med standardiserte, utvidbare dataskjemaer som Microsoft og partnerne har publisert. Denne samlingen av forhåndsdefinerte skjemaer inkluderer tabeller, attributter, semantiske metadata og relasjoner. Skjemaene representerer vanlige konsepter og aktiviteter, for eksempel konto og kampanje, for å forenkle oppretting, aggregasjon og analyse av data.

Common Data Model-skjemaene kan brukes til å informere om oppretting av tabeller i Dataverse. De resulterende tabellene vil da være kompatible med apper og analyser som er rettet mot denne Common Data Model-definisjonen.

Bildet nedenfor viser noen elementer i standard tabellene for Common Data Model. 

Tabeller

I Datavers brukes tabeller til å modellere og administrere forretningsdata. For å øke produktiviteten inkluderer Dataverse et sett med tabeller kjent som standardtabeller. Disse tabellene er utformet, i henhold til anbefalte fremgangsmåter, for å fange opp de vanligste konseptene og scenarioene i en organisasjon. Standardtabellene samsvarer med Common Data Model.

Et sett med tabeller som vanligvis brukes på tvers av bransjer, for eksempel Bruker og Team, er inkludert i Dataverse og kalles standardtabeller. Disse out-of-the-box-tabellene kan også tilpasses, for eksempel å inkludere flere kolonner. I tillegg kan du enkelt opprette dine egne egendefinerte tabeller i Dataverse.

Kolonner

Kolonner definerer de individuelle dataelementene som kan brukes til å lagre data i en tabell. Feltene kalles attributter av utviklere. En tabell som representerer et kurs ved et universitet, kan inneholde kolonner som «Navn», «Plassering», «Avdeling», «Registrerte studenter» og så videre.

Kolonner kan ha ulike typer data, for eksempel tall, strenger, digitale data, bilder og filer. Det er ikke nødvendig å holde relasjonelle og ikke-relasjonelle data atskilt kunstig hvis det er en del av samme forretningsprosess eller flyt. Datavers lagrer dataene i den beste lagringstypen for modellen som er opprettet.

Hver av disse kolonnene kan knyttes til én av mange datatyper som støttes av Dataverse.

Mer informasjon: Kolonnetyper.

Relasjoner

Data i én tabell er ofte relatert til data i en annen tabell. tabellrelasjoner definerer hvordan rader kan være relatert til hverandre i dataversmodellen.

Datavers gir brukervennlige visualobjektutformere til å definere de ulike typene relasjoner fra én tabell til en annen (eller mellom en tabell og seg selv). Hver tabell kan ha en relasjon til flere tabeller, og hver tabell kan ha flere relasjoner til en annen tabell.

Relasjonstypene er:

• Mange-til-én: I denne typen relasjon kan mange tabell A-poster knyttes til én enkelt tabell B-post. En klasse med elever har for eksempel ett klasserom.

• Én-til-mange: I denne typen relasjon kan en enkelt tabell B-post knyttes til mange tabell A-poster. Én enkelt lærer underviser for eksempel mange klasser.

• Mange-til-mange: I denne typen relasjon kan hver post i tabell A samsvare med mer enn én post i tabell B, og omvendt. Elever kan for eksempel delta i mange klasser, og hver klasse kan ha flere elever.

Siden mange-til-én-relasjoner er de vanligste, gir Dataverse en bestemt datatype kalt oppslag, som ikke bare gjør det enkelt å definere denne relasjonen, men legger produktivitet til å bygge skjemaer og apper.

Hvis du vil ha mer informasjon om hvordan du oppretter tabellrelasjoner, kan du se Opprette en relasjon mellom tabeller.

Organisasjoner må ofte være i samsvar med ulike forskrifter for å sikre tilgjengeligheten av kundeinteraksjonshistorikk, revisjonslogger, tilgangsrapporter og sporingsrapporter for sikkerhetshendelser. Organisasjoner vil kanskje spore endringer i dataverse data for sikkerhetsformål og analytiske formål.

Datavers gir en revisjonsfunksjonalitet der endringer i tabeller og attributtdata i en organisasjon kan roes over tid for bruk i analyse og rapportering. Overvåking støttes på alle egendefinerte og mest tilpasningsbare tabeller og attributter. Overvåking støttes ikke av metadataendringer, hente operasjoner, eksportoperasjoner eller under godkjenning. Hvis du vil ha informasjon om hvordan du konfigurerer overvåking, kan du gå til Behandle datavers overvåking.

Datavers støtter analyse ved å gi muligheten til å velge tabeller for maskinlæringsmodeller som skal kjøres. Den har en forhåndsbygd AI-funksjon gjennom AI Builder.

Search

Datavers gir tre måter å spørre rader på:

• Dataverse-søk

• Hurtigsøk (enkelttabell eller flertabell)

• Avansert søk

Note

Hurtigsøk med flere tabeller kalles også kategorisert søk.

Hvis du vil ha mer informasjon, kan du se Sammenligne søk.

Dataverse-søk

Dataverssøk gir raske og omfattende resultater på tvers av flere tabeller i én enkelt liste, sortert etter relevans. Den bruker en dedikert søketjeneste ekstern til Dataverse (drevet av Azure) for å øke søkeytelsen.

Dataverssøk gir følgende forbedringer og fordeler:

• Forbedrer ytelsen ved hjelp av ekstern indeksering og Azure-søketeknologi.

• Finner treff med et hvilket som helst ord i søkeordet i en kolonne i tabellen, sammenlignet med rask søking etter hvor alle ordene fra søkeordet må finnes i én kolonne.

• Finner treff som inkluderer bøyningsord som strømming, strømming eller strømming.

• Returnerer resultater fra alle søkbare tabeller i én enkelt liste sortert etter relevans, slik at jo bedre treff, jo høyere vises resultatet i listen. Et treff har en høyere relevans hvis flere ord fra søkeordet finnes i nærheten av hverandre. Jo mindre tekstmengden søkeordene blir funnet, jo høyere relevans. Hvis du for eksempel finner søkeordene i et firmanavn og en adresse, kan det være et bedre treff enn å finne de samme ordene i en lang artikkel, langt fra hverandre.

• Uthever treff i resultatlisten. Når et søkeord samsvarer med en term på rad, vises termen som fet og kursiv tekst i søkeresultatene.

Hvis du vil ha mer informasjon om dataverst søk, kan du se Bruke dataverssøk til å søke etter rader.

Hurtigsøk

Datavers inkluderer muligheten til å finne rader raskt og har tilnærminger som bare vil søke i én type tabell, for eksempel kunde, eller brukes til å søke på tvers av flere typer tabeller samtidig, for eksempel kontakter, brukere, kunder og så videre.

Hurtigsøk med én tabell brukes til å finne rader av bare én type. Dette søkealternativet er tilgjengelig fra en visning.

Hurtigsøk med flere tabeller (kategorisert søk) brukes også til å finne rader, men finner dem på tvers av ulike tabelltyper, for eksempel kontoer eller kontakter.

Data Lake

Datavers støtter kontinuerlig replikering av tabelldata til Azure Data Lake Storage, som deretter kan brukes til å kjøre analyser som Power BI-rapportering, maskinlæring, datalagring og andre nedstrøms integreringsprosesser.

Denne funksjonen er utformet for analyse av store data for bedrifter. Det er kostnadseffektivt, skalerbart, har høy tilgjengelighet og nødgjenopprettingsfunksjoner, og muliggjør best-i-klassen analyseytelse.

Data lagres i Common Data Model-formatet, som gir semantisk konsekvens mellom apper og distribusjoner. Standardiserte metadata og selvbeskrevne data i Common Data Model forenkler metadataoppdagelse og interoperabilitet mellom dataprodusenter og forbrukere som Power BI, Data Factory, Azure Databricks og Azure Machine Learning.

Se også

Importere og eksportere data