Datastyrning med Profisee och Microsoft Purview

Företagssystem kan ha flera källor med huvuddata – vanliga data som delas mellan system. Det här kan bli uppenbart när du katalogiserar datakällor. Exempel på huvuddata är kund-, produkt-, plats-, tillgångs- och leverantörsdata. När du använder Profisee för att sammanfoga, verifiera och korrigera dina huvuddata kan du göra dessa data effektiva. Mer specifikt kan du använda den för att skapa en gemensam betrodd plattform för analys och driftsförbättringar. Genom att använda styrningsdefinitioner, insikter och expertis som beskrivs i Microsoft Purview kan du skapa din plattform effektivt.

Den här referensarkitekturen presenterar en styrnings- och datahanteringslösning med Microsoft Purview och MDM-plattformen (Master Data Management). Dessa tjänster fungerar tillsammans för att tillhandahålla en grund av tillförlitliga data av hög kvalitet som maximerar affärsvärdet för data i Azure. En kort video om den här lösningen finns i Kraften i fullständigt integrerad hantering av huvuddata i Azure.

Arkitektur

Följande diagram visar de steg som du vidtar när du utvecklar och använder huvuddatalösningen. Tänk på de här stegen som mycket iterativa. När lösningen utvecklas kan du upprepa dessa steg och faser, ibland automatiskt och ibland manuellt. Om du använder automatiska eller manuella steg beror på de ändringar som din huvuddatalösning, metadata och data genomgår.

Ladda ned en Visio-fil med den här arkitekturen.

Dataflöde

Metadata och dataflöde innehåller dessa steg, som visas i föregående bild:

1. Fördefinierade Microsoft Purview-anslutningsappar används för att skapa en datakatalog från källföretagsprogram. Anslutningsapparna söker igenom datakällor och fyller i Datakatalog i Microsoft Purview.

2. Huvuddatamodellen publiceras till Microsoft Purview. Huvuddataentiteter som skapas i Profisee MDM publiceras sömlöst till Microsoft Purview. Det här steget fyller ytterligare i Datakatalog i Microsoft Purview och ser till att det finns en post för den här kritiska datakällan i Microsoft Purview.

3. Styrningsstandarder och principer för dataförvaltning används för att berika huvuddataentitetsdefinitioner. Data berikas i Microsoft Purview med dataordlista och ordlista, ägarskapsdata och känsliga dataklassificeringar. Alla definitioner och metadata som är tillgängliga i Microsoft Purview visas i realtid i Profisee som vägledning för MDM-datavärdarna.

4. Huvuddata från källsystem läses in i Profisee MDM. En dataintegreringsverktygsuppsättning som Azure Data Factory extraherar data från källsystemen med hjälp av mer än 100 fördefinierade anslutningsappar eller en REST-gateway. Flera strömmar av huvuddata läses in i Profisee MDM.

5. Huvuddata är standardiserade, matchade, sammanfogade, berikade och verifierade enligt styrningsregler. Andra system, till exempel Microsoft Purview, kan definiera regler för datakvalitet och styrning. Men Profisee MDM är det system som tillämpar dessa regler. Källposter matchas och sammanfogas inom och mellan källsystem för att skapa den mest fullständiga och korrekta posten som möjligt. Datakvalitetsregler kontrollerar varje post för efterlevnad av affärs- och tekniska krav. Alla poster som misslyckas med valideringen eller som returnerar en låg sannolikhetspoäng kan repareras. För att åtgärda misslyckade valideringar tilldelar en arbetsflödesprocess poster som kräver granskning till dataförvaltare som är experter på deras affärsdatadomän. När en post har verifierats eller korrigerats är den redo att användas som golden record master.

6. Transaktionsdata läses in i en nedströmsanalyslösning. En dataintegreringsverktygsuppsättning som Data Factory extraherar transaktionsdata från källsystem med hjälp av mer än 100 färdiga anslutningsappar eller en REST-gateway. Verktygsuppsättningen läser in data direkt till en analysdataplattform som Azure Synapse Analytics. Analys av den här rådata utan rätt huvudgulddata är föremål för felaktighet, eftersom data överlappar, matchar fel och konflikter ännu inte har lösts.

7. Power BI-anslutningsappar ger direkt åtkomst till de kurerade huvuddata. Power BI-användare kan använda huvuddata direkt i rapporter. En dedikerad Power BI-anslutningsapp identifierar och tillämpar rollbaserad säkerhet. Den döljer också olika systemfält för att förenkla användningen.

8. Högkvalitativa, kurerade huvuddata publiceras till en nedströmsanalyslösning. Om huvuddataposter har sammanfogats till en enda gyllene post bevaras överordnade och underordnade länkar till de ursprungliga posterna.

9. Analysplattformen har en uppsättning data som är certifierade i den meningen att de är fullständiga, konsekventa och korrekta. Dessa data innehåller korrekt kurerade huvuddata och associerade transaktionsdata. Den kombinationen utgör en solid grund för betrodda data som är tillgängliga för ytterligare analys.

10. Huvuddata av hög kvalitet visualiseras och analyseras och maskininlärningsmodeller tillämpas. Systemet ger sunda insikter för att driva verksamheten.

Komponenter

• Microsoft Purview är en datastyrningslösning som ger bred insyn i lokala och molnbaserade dataegendomar. Microsoft Purview erbjuder en kombination av dataidentifiering och klassificering, ursprung, metadatasökning och identifiering samt användningsinsikter. Alla dessa funktioner hjälper dig att hantera och förstå data i företagets datalandskap.

• Profisee MDM är en snabb och intuitiv MDM-plattform som integreras sömlöst med Microsofts tekniker och Azures datahanteringsekosystem.

• Data Factory är en hybridtjänst för dataintegrering. Du kan använda Data Factory för att skapa, schemalägga och orkestrera arbetsflöden för att extrahera, transformera och läsa in (ETL) och extrahera, läsa in och transformera (ELT). Data Factory erbjuder också mer än 100 fördefinierade anslutningsappar och en REST-gateway som du kan använda för att extrahera data från källsystem.

• Azure Synapse Analytics är ett snabbt, flexibelt och betrott molndatalager som använder en massiv parallell bearbetningsarkitektur. Du kan använda Azure Synapse Analytics för att skala, beräkna och lagra data elastiskt och oberoende av varandra.

• Power BI är en uppsättning affärsanalysverktyg som ger insikter i hela organisationen. Du kan använda Power BI för att ansluta till hundratals datakällor, förenkla förberedelse av data och driva improviserad analys. Du kan också skapa snygga rapporter och sedan publicera dem för din organisation att använda på webben och på mobila enheter.

Alternativ

Om du inte har något dedikerat MDM-program kan du hitta några av de tekniska funktioner som du behöver för att skapa en MDM-lösning i Azure:

• Datakvalitet. När du läser in data till en analysplattform kan du skapa datakvalitet i integreringsprocesser. Du kan till exempel använda hårdkodade skript för att tillämpa omvandlingar av datakvalitet i en Data Factory-pipeline .
• Datastandardisering och berikning. Azure Kartor kan tillhandahålla dataverifiering och standardisering för adressdata. Du kan använda standardiserade data i Azure Functions och Data Factory. För att standardisera andra data kan du behöva utveckla hårdkodade skript.
• Duplicera datahantering. Du kan använda Data Factory för att deduplicera rader om tillräckligt många identifierare är tillgängliga för en exakt matchning. Du behöver förmodligen anpassade hårdkodade skript för att implementera den logik som behövs för att slå samman matchade rader samtidigt som du använder lämpliga tekniker för dataöverlevare.
• Dataförvaltning. Du kan använda Power Apps för att snabbt utveckla grundläggande lösningar för datahantering för att hantera data i Azure. Du kan också utveckla lämpliga användargränssnitt för granskningar, arbetsflöden, aviseringar och valideringar.

I Microsoft-centrerad miljö föredras Azure Synapse Analytics vanligtvis som en analystjänst. Men du kan använda valfri analysdatabas. Snowflake och Databricks är vanliga val.

Information om scenario

I takt med att mängden data som du läser in i Azure ökar ökar behovet av att styra och hantera dessa data på rätt sätt i alla dina datakällor och datakonsumenter. Data som verkar tillräckliga i källsystemet visar sig ofta vara bristfälliga när de delas. Den kan ha information som saknas eller är ofullständig, eller dupliceringar och konflikter. Dess övergripande kvalitet kan vara dålig. Det som behövs är data som är fullständiga, konsekventa och korrekta.

Utan data av hög kvalitet i din Azure-dataegendom undergrävs affärsvärdet för Azure, kanske kritiskt. Lösningen är att skapa en grund för datastyrning och hantering som kan producera och leverera en sanningskälla för tillförlitliga data av hög kvalitet. Microsoft Purview och Profisee MDM arbetar tillsammans för att skapa den här företagsplattformen.

Microsoft Purview katalogiserar alla dina datakällor och identifierar känslig information och ursprung. Det ger dataarkitekten en plats där man kan överväga lämpliga datastandarder som ska tillämpas på alla data. Microsoft Purview fokuserar på styrning för att hitta, klassificera och definiera principer och standarder. Uppgifterna att framtvinga principer och standarder, katalogisera datakällor och åtgärda bristfälliga data faller på tekniker som MDM-system.

Profisee MDM är utformat för att acceptera huvuddata från alla källor. Profisee MDM matchar, sammanfogar, standardiserar, verifierar, korrigerar och synkroniserar data mellan system. Den här processen säkerställer att data kan integreras korrekt och att de uppfyller behoven i underordnade system, till exempel Business Intelligence (BI) och maskininlärningsprogram. Den integrativa Profisee-plattformen tillämpar styrningsstandarder för flera datasilor.

Bättre tillsammans

Microsoft Purview och Profisee MDM fungerar bättre tillsammans. När de är integrerade effektiviserar de datahanteringsuppgifterna och ser till att alla system arbetar för att tillämpa samma standarder. Profisee MDM publicerar sin huvuddatamodell till Microsoft Purview, där den kan delta i styrningen. Microsoft Purview delar sedan utdata från styrning, till exempel en datakatalog och ordlista. Profisee kan granska utdata och tillämpa standarder. Genom att arbeta tillsammans skapar Microsoft Purview och Profisee en naturlig, bättre samverkan som går djupare än varje oberoende erbjudande.

När du till exempel har katalogiserat företagsdatakällor kan du fastställa att huvuddata finns i flera system. Huvuddata är de data som definierar en domänentitet. Exempel på huvuddata är kund-, produkt-, tillgångs-, plats-, leverantörs-, patient-, hushålls-, menyobjekt- och ingrediensdata. Att lösa olika definitioner och matcha och slå samman dessa data mellan system är avgörande för möjligheten att använda dessa data på ett meningsfullt sätt. För att vara effektiv bör du slå samman, verifiera och korrigera huvuddata i Profisee MDM med hjälp av styrningsdefinitioner, insikter och expertis som beskrivs i Microsoft Purview. På så sätt utgör Microsoft Purview och Profisee MDM en grund för styrning och datahantering, och de maximerar affärsvärdet för data i Azure.

Alternativet är att använda den information du kan få. Men när du använder den här metoden riskerar du att generera vilseledande resultat som kan skada ditt företag. När du i stället använder huvuddata av hög kvalitet eliminerar du vanliga problem med datakvalitet. Sedan ger systemet sunda insikter som du kan använda för att driva ditt företag, oavsett vilka verktyg du använder för analys, maskininlärning och visualisering. Väl utvalda huvuddata är en viktig aspekt av att skapa en solid och tillförlitlig datagrund.

När du använder Profisee MDM med Microsoft Purview får du följande fördelar:

• En gemensam teknisk grund. Profisee har sitt ursprung i Microsoft-tekniker. Profisee och Microsoft använder vanliga verktyg, databaser och infrastruktur, vilket gör Profisee-lösningen bekant för alla som arbetar med Microsoft-tekniker. I många år byggdes profisee MDM på Microsoft Master Data Services. Nu närmar sig Master Data Services slutet av sin livscykel och Profisee är den främsta uppgraderings- och ersättningslösningen.
• Utvecklarsamarbete och gemensam utveckling. Profisee- och Microsoft Purview-utvecklare samarbetar mycket för att säkerställa en bra, kompletterande passform mellan sina respektive lösningar. Det här samarbetet ger en sömlös integrering som uppfyller kundernas behov.
• Gemensam försäljning och distribution. Profisee har fler MDM-distributioner i Azure och tillsammans med Microsoft Purview än någon annan MDM-leverantör. Du kan köpa Profisee via Azure Marketplace. Under räkenskapsåret 2023 är Profisee den enda MDM-leverantören med en Microsoft-partnercertifiering på högsta nivå som har en infrastruktur som en tjänst (IaaS), containrar som en tjänst (CaaS) eller saaS-erbjudande (programvara som en tjänst) på Azure Marketplace.
• Snabb och tillförlitlig distribution. En viktig funktion i all företagsprogramvara är snabb och tillförlitlig distribution. Enligt Gartner Peer Insights-plattformen har Profisee fler implementeringar som tar mindre än 90 dagar att slutföra än någon annan MDM-leverantör.
• Flera domäner. Profisee erbjuder en metod för MDM som i sig använder flera domäner. Det finns inga begränsningar för antalet huvuddatadomäner som du kan skapa. Den här designen passar bra för kunder som planerar att modernisera sina dataegendomar. En kund kan börja med ett begränsat antal domäner, men de drar i slutändan nytta av att maximera sin domäntäckning i hela dataegendomen. Den här domäntäckningen matchas med deras datastyrningstäckning.
• Teknik som är utformad för Azure. Profisee är utformat för att vara molnbaserat med alternativ för SaaS och hanterade IaaS- eller CaaS-distributioner i Azure.

Potentiella användningsfall

En detaljerad lista över MDM-användningsfall för den här lösningen finns i MDM-användningsfall senare i den här artikeln. Viktiga MDM-användningsfall innehåller följande exempel på detaljhandel och tillverkning:

• Konsolidera kunddata för analys.
• Ha en 360-graders vy över produktdata i en konsekvent och tillgänglig form, till exempel varje produkts namn, beskrivning och egenskaper.
• Upprätta referensdata för att konsekvent utöka beskrivningar av huvuddata. Referensdata innehåller till exempel listor över länder/regioner, valutor, färger, storlekar och måttenheter.

Dessa MDM-lösningar hjälper även finansiella organisationer som är starkt beroende av data för kritiska aktiviteter, till exempel rapportering i tid.

MDM-integrering med Microsoft Purview

Följande diagram illustrerar i detalj integreringen av Profisee MDM i Microsoft Purview. För att stödja den här integreringen tillhandahåller undersystemet Profisee-styrning dubbelriktad integrering med Microsoft Purview, som består av två distinkta flöden:

• Publicering av metadata för lösningen sker när dina datamodellerare gör ändringar i huvuddatamodellen, matchningsstrategier och deras relaterade underfaktorer. Dessa ändringar publiceras sömlöst till Microsoft Purview när de sker. När du publicerar dessa ändringar synkroniseras metadata som är relaterade till din huvuddatamodell och -lösning. Därför fylls Datakatalog i Microsoft Purview i ytterligare och Microsoft Purview har en post för den här kritiska datakällan.
• Styrningsinformation returneras och tillhandahålls till dataförvaltare och företagsanvändare. Den här informationen är tillgänglig när användarna visar data, berikar data och åtgärdar datakvalitetsproblem med hjälp av Profisee FastApp-portalen.

Microsoft Purview-integreringsfunktioner

Microsoft Purview-katalogen och ordlistan kan hjälpa dig att maximera integreringen.

Design av huvuddatamodell

En av utmaningarna med att förbereda en MDM-lösning är att avgöra vad som utgör huvuddata och vilka datakällor som ska användas när du fyller i huvuddatamodellen. Du kan använda Microsoft Purview för att hjälpa till med det här arbetet. Du kan dra nytta av möjligheten att skanna dina kritiska datakällor, och du kan engagera dina dataförvaltare och ämnesexperter (SMF). På så sätt kan du utöka dina Datakatalog i Microsoft Purview med information som dina förvaltare sedan kan komma åt för att bättre anpassa din huvuddatamodell till dina affärssystem. Du kan stämma av motstridig terminologi. Den här processen ger en huvuddatamodell som optimalt återspeglar den terminologi och definitioner som du vill standardisera för din verksamhet. Det undviker också inaktuella och vilseledande verbiage.

Följande utdrag från det bredare diagrammet illustrerar det här integrationsanvändningsfallet. Först använder du Microsoft Purview-systemgenomsökningsfunktioner för att mata in metadata från dina verksamhetsspecifika system. Därefter förbereder dina dataförvaltare och små och medelstora företag en solid katalog och kontakter. Sedan kan de datamodellerare som arbetar med Profisee MDM-modelleringstjänster förbereda och utveckla din huvuddatamodell. Det här arbetet överensstämmer med de standarder som du definierar i Microsoft Purview.

När dina dataförvaltare utvecklar modellen publicerar modelleringstjänsterna inom Profisee MDM-plattformen ändringar som Profisee MDM-styrningstjänster får. Profisee MDM förbereder och vidarebefordrar i sin tur ändringarna till Microsoft Purview för inkludering i den uppdaterade datakatalogen. Dessa tillägg till katalogen säkerställer att dina huvuddatadefinitioner ingår i den bredare dataegendomen och att de kan styras och kontrolleras på samma sätt som dina verksamhetsspecifika systemmetadata. Genom att se till att den här informationen katalogiseras tillsammans är du i en bättre position för att hantera relationerna mellan dina huvuddata och dina affärssystemdata.

Dataförvaltning

Stora företag som har motsvarande komplexa och expansiva dataegendomar kan innebära utmaningar för dataförvaltare, som ansvarar för att hantera och åtgärda problem när de uppstår. Nyckeldatadomäner kan vara komplexa, med många obskyra attribut som endast anställda som har betydande institutionell kunskap förstår. Genom profisee MDM-integreringen med Microsoft Purview kan du samla in denna institutionella kunskap inom Microsoft Purview och göra den tillgänglig för användning inom Profisee MDM. Därför kan du minska ett stort behov av företagsdatakunskaper när du hanterar kritisk och tidskänslig information.

Följande bild illustrerar informationsflödet från Microsoft Purview till de dataförvaltare som arbetar i Profisee FastApp-portalen. Styrningsdatatjänsten integreras med Microsoft Purview och Microsoft Entra ID. Den här tjänsten tillhandahåller uppslagsfunktioner. FastApp-portalanvändare kan använda den här funktionen för att hämta berikade styrningsdata om entiteterna och de attribut som de arbetar med.

Styrningstjänster löser också kontakter som tas emot från Microsoft Purview till deras fullständiga profilinformation, som är tillgängliga i Microsoft Entra-ID. Med fullständig profilinformation kan stewards effektivt samarbeta med dataägare och experter när de arbetar för att förbättra kvaliteten på dina huvuddata.

Dialogrutan Profisee MDM-styrning är det gränssnitt genom vilket dataförvaltare och användare interagerar med information på styrningsnivå. Det här användargränssnittet återger information som hämtas från Microsoft Purview till användare. Med hjälp av den här informationen kan användarna granska informationen bakom de data som dialogrutan startades från. Om den information som anges i styrningsdialogrutan är otillräcklig kan användarna gå direkt till Microsoft Purview-användarupplevelsen.

Dataförvaltare och företagsanvändare kan komma åt tre profisee MDM-datatillgångstyper via FastApp-portalen:

• Profisee Instance, som tillhandahåller infrastrukturegenskaperna för den specifika instansen av Profisee MDM-plattformen som användaren visar
• Profisee Entity, som tillhandahåller egenskaperna för huvuddataentiteten (tabellen) som stewarden eller användaren för närvarande visar
• Profisee-attribut, som innehåller egenskaperna för attributet (till exempel fältet eller kolumnen) som användaren är intresserad av

Följande bild visar var användare som arbetar i FastApp-portalen kan visa styrningsinformation för var och en av dessa tillgångstyper. Du hittar information på instansnivå på hjälpmenyn . Du kan komma åt entitetsinformation från sidzonens rubrik, som innehåller ett entitetsrutnät. Om du vill ha attributinformation går du till formuläret som är associerat med entitetsrutnätet. Få åtkomst till informationen från de etiketter som är associerade med attributet.

Om du vill se sammanfattningsinformation hovra över styrningsikonen, till exempel Microsoft Purview. Välj ikonen för att visa den fullständiga styrningsdialogrutan:

Om du vill gå till hela Microsoft Purview-användarupplevelsen väljer du styrningsikonen i dialogrutans rubrik. Om du väljer ikonen kommer du till Microsoft Purview i kontexten för den tillgång som du för närvarande visar. Sedan kan du enkelt flytta runt i Microsoft Purview baserat på dina identifieringsbehov.

MDM-bearbetning

Kraften i en MDM-lösning finns i informationen.

Datamodellering

Kärnan i din MDM-lösning är den underliggande datamodellen. Den representerar definitionen av huvuddata i ditt företag. Utveckling av en huvuddatamodell omfattar följande uppgifter:

• Identifiera element av källdata från hela systemlandskapet som är viktiga för företagets verksamhet och centrala för att analysera prestanda.
• Utöka modellen med element som du får från andra källor från tredje part som gör data mer användbara, korrekta och tillförlitliga.
• Upprätta tydligt ägarskap och behörigheter relaterade till elementen i din datamodell. Den här metoden hjälper dig att se till att du tar hänsyn till synlighet och ändrar hanteringen i modellens design.

Datastyrning utgör en viktig grund för stöd:

• Din styrningsdatakatalog, ordlista, ordlista och stödresurser är ovärderliga informationskällor för dina styrningsdataförvaltare. Dessa resurser hjälper förvaltare att avgöra vad som ska ingå i huvuddatamodellen. De hjälper också till att fastställa ägarskap och känsliga dataklassificeringar i Microsoft Purview. Du kan förstärka terminologin i din modell. Med den här metoden kan du upprätta ett officiellt lexikon för ditt företag. Genom att integrera terminologin kan din huvuddatamodell även översätta alla esoteriska termer som används i olika källsystem till företagets godkända språk.
• System från tredje part är ofta en källa till huvuddata som är separata och förutom dina affärssystem. Det är viktigt att lägga till element i din modell för att samla in den information som dessa system lägger till i dina data och för att återspegla dessa informationskällor i datakatalogen igen.
• Du kan använda ägarskap och dataåtkomst, som identifieras i styrningskatalogen, för att framtvinga åtkomst- och ändringshanteringsbehörigheter i din MDM-lösning. Därför justerar du företagets principer och behov med de verktyg som du använder för att hantera och hantera dina huvuddata.

Källdatainläsning

Helst läser dina olika verksamhetsspecifika system in data i huvuddatamodellen med liten eller ingen ändring eller transformering. Målet är att ha en centraliserad version av data som den finns i källsystemet. Det bör finnas så lite återgivningsförlust som möjligt mellan källsystemet och huvuddatalagringsplatsen. Genom att begränsa komplexiteten i inläsningsprocessen gör du ursprunget enklare. Och när du använder teknik som Data Factory-pipelines kan din styrningslösning inspektera flödet. Sedan kan din lösning identifiera relationerna mellan källsystemet och huvuddatamodellen. Mer specifikt kan din lösning extrahera data från källsystem med hjälp av någon av mer än 100 fördefinierade anslutningsappar och en REST-gateway.

Databerikning och standardisering

När du har läst in källdata i din modell kan du utöka dem genom att utnyttja omfattande källor med data från tredje part. Du kan använda dessa system för att förbättra de data som du får från dina affärssystem. Du kan också använda dessa system för att utöka källdata med information som förbättrar dess användning för andra nedströmsanvändare. Till exempel:

• Du kan använda adressverifieringstjänster som Bing för att korrigera och förbättra källsystemadresser. Dessa tjänster kan standardisera och lägga till information som saknas som är avgörande för geo-plats och e-postleverans.
• Informationstjänster från tredje part som Dun & Bradstreet kan tillhandahålla allmänna eller branschspecifika data. Du kan använda dessa data för att utöka värdet för din gyllene huvudpost. Mer specifikt kan du lägga till information som inte var tillgänglig eller i konflikt med dina olika affärssystem.

Profisee:s publicerings-/prenumerationsinfrastruktur gör det enkelt att integrera dina egna källor från tredje part i din lösning efter behov.

Möjligheten att förstå källorna och innebörden bakom dessa data är lika viktig för data från tredje part som för dina interna affärssystem. Genom att integrera huvuddatamodellen i din styrningsdatakatalog kan du hantera relationerna mellan interna och externa datakällor samtidigt som du utökar din modell med styrningsinformation.

Validering och förvaltning av datakvalitet

När du har läst in och utökat dina data är det viktigt att kontrollera att de uppfyller de standarder som du upprättar genom dina styrningsprocesser. Microsoft Purview kan återigen vara en omfattande källa till standardinformation. Du kan använda Microsoft Purview för att köra de datakvalitetsregler som din MDM-lösning tillämpar. Profisee MDM kan också publicera datakvalitetsregler som tillgångar i styrningskatalogen. Reglerna kan granskas och godkännas, vilket hjälper dig att tillhandahålla övervakning uppifrån och ned av kvalitetsstandarder som är associerade med dina huvuddata. Dina regler är knutna till huvuddataentiteter och attribut, och dessa attribut kan spåras tillbaka till källsystemet. Därför kan du fastställa grundorsaken till den dåliga datakvaliteten som kommer från dina affärssystem.

Dataförvaltare är experter inom sin affärsdomän. När stewards tar itu med problem som din huvuddatalösning avslöjar kan de använda Microsoft Purview-datastyrningskatalogen. Katalogen hjälper stewards att förstå och lösa kvalitetsproblem när de uppstår. Med stöd av dataägare och experter är förvaltarna beredda att snabbt och korrekt hantera datakvalitetsproblem.

Matchning och efterlevande

Med berikade källdata av hög kvalitet är du positionerad för att skapa en golden record master som representerar den mest exakta informationen i dina olika affärssystem. Följande bild visar hur alla steg kulminerar i högkvalitativa data som är redo att användas för affärsanalys. När som helst kan du synkronisera dessa data över din dataegendom.

Profisee MDM-matchningsmotorn skapar en golden record master som en del av överlevnadsprocessen. Regler för efterlevande fyller selektivt i den gyllene posten med information som du har valt i alla dina källsystem.

Undersystemet Profisee MDM-historik och granskningsspårning spårar ändringar som användarna gör. Det här undersystemet spårar även ändringar som systemprocesser som efterlevande gör. Matchning och efterlevande gör det möjligt att spåra informationsflödet från källposterna till originalet. Profisee MDM har en post för källsystemet som ansvarar för en specifik källpost. Du vet också hur olika källposter fyller i den gyllene posten. Därför kan du uppnå data härstamning från din analys tillbaka till källdata som dina rapporter refererar till.

MDM-användningsfall

Även om det finns många användningsfall för MDM omfattar några användningsfall de flesta verkliga MDM-implementeringar. Dessa användningsfall fokuserar på en enda domän, men det är osannolikt att de kommer att skapas från endast den domänen. Även dessa fokuserade användningsfall omfattar sannolikt flera domäner. I varje användningsfall uppfyller MDM målet att tillhandahålla en 360-graders eller enhetlig vy över viktiga datatyper.

Kunddata

Att konsolidera och standardisera kunddata för BI-analys är det vanligaste MDM-användningsfallet. Organisationer samlar in kunddata i allt fler system och program. Duplicera resultatet av kunddataposter. Dessa dubbletter finns i och mellan program, och de innehåller inkonsekvenser och avvikelser. Den dåliga kvaliteten på kunddata begränsar värdet av moderna analyslösningar. Symtomen omfattar följande utmaningar:

• Det är svårt att besvara grundläggande affärsfrågor som "Vem är våra främsta kunder?" och "Hur många nya kunder har vi?" För att besvara dessa frågor krävs betydande manuella åtgärder.
• Du har saknad och felaktig kundinformation, vilket gör det svårt att samla in eller öka detaljnivån i data.
• Du kan inte unikt identifiera eller verifiera en kund över organisations- och systemgränser. Därför kan du inte analysera dina kunddata mellan system eller affärsenheter.
• Du har insikter av dålig kvalitet från AI och maskininlärning på grund av indata av dålig kvalitet.

Produktdata

Produktdata sprids ofta över flera företagsprogram, till exempel affärsresursplanering (ERP), produktlivscykelhantering (PLM) eller e-handelsprogram. Därför är det svårt att förstå den totala katalogen med produkter som har inkonsekventa definitioner för egenskaper, till exempel produktnamn, beskrivning och egenskaper. Olika definitioner av referensdata komplicerar den här situationen. Symtomen omfattar följande utmaningar:

• Du kan inte stödja olika alternativa hierarkiska upprullnings- och detaljvisningsvägar för produktanalys.
• Med färdiga varor eller materialinventering har du svårt att utvärdera produktinventering och etablerade leverantörer. Du har också duplicerade produkter, vilket leder till överskottslager.
• Det är svårt att rationalisera produkter på grund av motstridiga definitioner. Den här situationen leder till att analysinformation saknas eller är felaktig.

Referensdata

När det gäller analys finns referensdata som flera listor med data. Dessa listor används ofta för att ytterligare beskriva andra uppsättningar med huvuddata. Referensdata innehåller till exempel listor över länder/regioner, valutor, färger, storlekar och måttenheter. Inkonsekventa referensdata leder till uppenbara fel i nedströmsanalys. Symtomen är:

• Flera representationer av samma värde. Delstaten Georgia är till exempel listad som GA och Georgia, vilket gör det svårt att konsekvent aggregera och öka detaljnivån i data.
• Problem med att effektivisera data mellan system på grund av att det inte går att gå över eller mappa referensdatavärden mellan system. Till exempel representeras färgen röd av R i ERP-systemet och Röd i PLM-systemet.
• Svårt att binda siffror mellan organisationer på grund av skillnader i etablerade referensdatavärden som används för datakategorisering.

Finansiella data

Finansiella organisationer är starkt beroende av data för kritiska aktiviteter, till exempel månadsrapportering, kvartalsrapportering och årsrapportering. Organisationer som har flera ekonomi- och redovisningssystem har ofta finansiella data i flera redovisningar som måste konsolideras för att skapa finansiella rapporter. MDM kan tillhandahålla en centraliserad hubb för att mappa och hantera konton, kostnadsställen, affärsentiteter och andra finansiella datamängder. Via den centraliserade hubben ger MDM en samlad vy över dessa datamängder. Symtomen omfattar följande utmaningar:

• Svårt att aggregera finansiella data över flera system i en konsoliderad vy
• Brist på process för att lägga till och mappa nya dataelement i finansiella system
• Fördröjningar i produktionen av finansiella rapporter i slutet av perioden

Att tänka på

Dessa överväganden implementerar grundpelarna i Azure Well-Architected Framework, som är en uppsättning vägledande grundsatser som kan användas för att förbättra kvaliteten på en arbetsbelastning. Mer information finns i Microsoft Azure Well-Architected Framework.

Tänk på de här faktorerna när du väljer en datahanteringslösning för din organisation.

Tillförlitlighet

Tillförlitlighet säkerställer att ditt program kan uppfylla de åtaganden du gör gentemot dina kunder. Mer information finns i Översikt över tillförlitlighetspelare.

Profisee körs internt på Azure Kubernetes Service (AKS) och Azure SQL Database. Båda tjänsterna erbjuder färdiga funktioner för att stödja hög tillgänglighet.

Säkerhet

Säkerhet ger garantier mot avsiktliga attacker och missbruk av dina värdefulla data och system. Mer information finns i Översikt över säkerhetspelare.

Profisee autentiserar användare med hjälp av OpenID Anslut, som implementerar ett OAuth 2.0-autentiseringsflöde. De flesta organisationer konfigurerar Profisee MDM för att autentisera användare mot Microsoft Entra-ID, vilket säkerställer att du kan tillämpa och tillämpa dina företagsprinciper för autentisering.

Kostnadsoptimering

Kostnadsoptimering handlar om att titta på sätt att minska onödiga utgifter och förbättra drifteffektiviteten. Mer information finns i Översikt över kostnadsoptimeringspelare.

Driftskostnaderna består av en programvarulicens och Azure-förbrukning. Kontakta Profisee om du vill ha mer information.

Prestandaeffektivitet

Prestandaeffektivitet handlar om att effektivt skala arbetsbelastningen baserat på användarnas behov. Mer information finns i Översikt över grundpelare för prestandaeffektivitet.

Profisee MDM körs internt på AKS och SQL Database. Du kan konfigurera AKS för att skala upp, ned och över dina affärsfunktioner i Profisee MDM. Du kan distribuera SQL Database i flera konfigurationer för att balansera prestanda, skalbarhet och kostnader.

Dynamisk skalning ingår i den molnbaserade arkitekturen i Profisee, som använder mikrotjänster och containrar. Om du kör Profisee i din molnklientorganisation via Kubernetes kan du skala upp och ut dynamiskt baserat på din belastning. Med Tjänsten Profisee SaaS som körs på AKS kan du konfigurera stora nodpooler för dina poddar. Dessa pooler skalas dynamiskt baserat på belastningen på systemet i infrastrukturen för flera klientorganisationer.

Detaljerad information om hur du distribuerar Profisee och Microsoft Purview på AKS finns i Microsoft Purview – Profisee MDM-integrering.

Distribuera det här scenariot

Profisee MDM är en paketerad Kubernetes-tjänst. Du kan distribuera Profisee MDM som en PaaS i din Azure-klientorganisation, i andra molnklientorganisationer eller lokalt. Du kan också distribuera Profisee MDM som en SaaS som Profisee är värd för och hanterar.

Deltagare

Den här artikeln underhålls av Microsoft. Den skrevs ursprungligen av följande deltagare.

Huvudförfattare:

• Gaurav Malhotra | Huvudgrupps-PM Manager

Om du vill se icke-offentliga LinkedIn-profiler loggar du in på LinkedIn.

Nästa steg

• Förstå funktionerna i REST-kopieringsanslutningen i Data Factory.
• Läs mer om Profisee som körs internt i Azure.
• Lär dig hur du distribuerar Profisee till Azure med hjälp av en Azure Resource Manager-mall (ARM-mall).
• Visa Profisee Data Factory-mallar.

Relaterade resurser

Arkitekturguider:

• Extrahering, transformering och laddning (ETL)
• Välj en batchbearbetningsteknik i Azure

Referensarkitekturer:

• Hantera huvuddata med Profisee och Azure Data Factory
• Analys från slutpunkt till slutpunkt med Azure Synapse
• Modern analysarkitektur med Azure Databricks
• Stordataanalys med säkerhet i företagsklass med Azure Synapse
• Automatiserad företags-BI
• Optimera marknadsföring med maskininlärning
• Business Intelligence för företag