Tip
Power BI Dataflow Gen1 現在處於舊版狀態，不會再投資新功能。 對於具備 Fabric 存取權的高級用戶， Dataflow Gen2 是推薦的路徑，提供效能、規模、可靠性、功能性及內建 AI 的提升。 Pro/PPU 客戶可以繼續使用 Gen1，因為 Gen2 在這類情境下的指引正在演進中。 請參閱從 Dataflow Gen1 升級到 Dataflow Gen2 以獲得升級指引。
資料流程實作的最佳實務之一是將資料流的責任分為兩層：資料擷取與資料轉換。 這種模式特別適合處理同一資料流中多個較慢資料來源的查詢，或多個資料流查詢同一資料來源時。 與其每次查詢都從緩慢的資料來源重複取得資料，資料擷取過程只需完成一次，轉換則可在此過程之上進行。 本文將說明這個過程。
本地資料來源
在許多情況下，本地資料來源是緩慢的資料來源。 尤其考慮到閘道作為資料流與資料來源之間的中間層。
使用分析資料流進行資料擷取，能減少從來源取得資料的過程，並專注於將資料載入 Azure Data Lake Storage。 一旦進入儲存空間，就可以建立其他資料流，利用擷取資料流的輸出。 資料流引擎可以直接從資料湖讀取資料並進行轉換，無需聯絡原始資料來源或閘道器。
緩慢資料來源
當資料來源緩慢時，同樣的過程也適用。 部分軟體即服務（SaaS）資料來源因 API 呼叫限制而表現緩慢。
資料擷取與資料轉換資料流的分離
將資料擷取與轉換兩層分開，在資料來源緩慢的情境下非常有幫助。 這有助於減少與資料來源的互動。
這種分離不僅因為效能提升而有用，對於舊有資料來源系統遷移到新系統的情況也很有幫助。 在這些情況下，只需更改資料擷取資料流。 資料轉換資料流在此類變更時保持完整。
在其他工具與服務中的重複利用
將資料擷取資料流與資料轉換資料流分離，在許多情境下都很有幫助。 另一個使用情境是當你想在其他工具和服務中使用這些資料時。 為此，最好使用分析性資料流，並以自己的 Data Lake Storage 作為儲存引擎。 更多資訊： 分析資料流
優化資料引入流程
盡可能考慮優化資料擷取資料流。 舉例來說，如果不需要所有來源資料，且資料來源支援查詢摺疊，那麼過濾資料並只取得必要的子集是個不錯的方法。 想了解更多關於查詢摺疊的資訊，請參考 Power Query 中的查詢評估與查詢摺疊概覽。
建立資料匯入資料流作為分析資料流
考慮將資料擷取資料流建立為分析性資料流。 這特別有助於其他服務和應用程式利用這些資料。 這也讓資料轉換資料流更容易從分析性資料匯入資料流取得資料。 欲了解更多，請前往 分析資料流。