Arbeid med data

Microsoft Dataverse har en abstraksjon som gjør det mulig å arbeide med alle typer data, inkludert relasjonelle, ikke-relasjonelle, bilde, fil, relativt søk eller datasjø. Det er ikke nødvendig å forstå datatypen, siden Dataverse viser et sett med datatyper som gjør det mulig for deg å bygge opp modellen. Lagringstypen optimaliseres for datatypen som velges.

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

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

Common Data Model

Hvis du noen gang har vært nødt til å sammenfatte data fra flere systemer og apper, vet du hvor kostbart og tidkrevende dette kan være. Når det ikke er mulig å dele og forstå de samme dataene på en enkel måte, krever hvert app- eller dataintegrasjonsprosjekt en tilpasset implementering.

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

Common Data Model inneholder et sett med standardiserte, utvidbare dataskjemaer som Microsoft og dets partnere har publisert. Denne samlingen av forhåndsdefinerte skjemaer inkluderer tabeller, attributter, semantiske metadata og relasjoner. Skjemaene representerer vanlig brukte konsepter og aktiviteter, for eksempel Forretningsforbindelse og Kampanje, for å forenkle oppretting, aggregering og analyse av data.

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

Følgende bilde viser noen elementer av standardtabellene i Common Data Model. 

Tabeller

I Dataverse brukes tabeller til å modellere og administrere forretningsdata. For å øke produktiviteten inkluderer Dataverse et sett med tabeller som kalles standardtabeller. Disse tabellene er utviklet, i henhold til gode fremgangsmåter, for å fange opp de mest vanlige 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 refereres til som standardtabeller. Disse medfølgende tabellene kan også tilpasses, for eksempel inkludere flere kolonner. I tillegg kan du enkelt opprette egendefinerte tabeller i Dataverse.

Kolonner

Kolonner definerer individuelle dataelementer som kan brukes til å lagre data i en tabell. Feltene kalles attributter av utviklere. En tabell som representerer et emne i en videregående skole, kan inneholde kolonner som Navn, Sted, Avdeling, Registrerte studenter og så videre.

Kolonner kan ha forskjellige typer data, for eksempel tall, strenger, digitale data, bilder og filer. Det er ikke nødvendig å holde relasjonelle og ikke-relasjonelle data kunstig atskilt hvis de er en del av den samme forretningsprosessen eller -flyten. Dataverse lagrer dataene i den beste lagringstypen for modellen som opprettes.

Hver av disse kolonnene kan tilknyttes én eller flere 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 relateres til hverandre i Dataverse-modellen.

Dataverse inneholder visuelle designere som er enkle å bruke til å definere de forskjellige 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-oppføringer tilknyttes én enkelt tabell B-oppføring. En klasse med studenter har for eksempel ett enkelt klasserom.

• Én-til-mange: I denne typen relasjon kan én tabell B-oppføring tilknyttes mange tabell A-oppføringer. For eksempel underviser én enkelt lærer mange klasser.

• Mange-til-mange: I denne relasjonstypen kan hver oppføring i tabell A samsvare med mer enn én oppføring 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, inneholder Dataverse en bestemt datatype kalt oppslag, noe som ikke bare gjør det enkelt å definere denne relasjonen, men legger til produktivitet for å bygge skjemaer og apper.

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

Organisasjoner må ofte handle i samsvar med ulike bestemmelser for å sikre tilgjengelighet til loggen for kundesamhandling, endringslogger, tilgangsrapporter og sporingsrapporter for sikkerhetshendelser. Organisasjoner ønsker kanskje å spore endringer i Dataverse-data for sikkerhetsmessige og analytiske formål.

Dataverse gir en funksjon for sporing av endringer der endringer i tabeller og attributtfelt i en organisasjon kan være registreres over tid for bruk i analyse og rapportering. Revisjon støttes for alle egendefinerte og de fleste tilpassbare tabeller og attributter. Sporing av endringer støttes ikke for metadataendringer, henteoperasjoner, eksportoperasjoner eller under godkjenning. Hvis du vil ha mer informasjon om hvordan du konfigurerer redigering, kan du gå til Administrer Dataverse-redigering.

Dataverse støtter analyse ved å tilby muligheten til å velge tabeller som maskinlæringsmodeller skal kjøre. Den har en forhåndsbygget AI-funksjon via AI Builder.

Søk

Dataverse inneholder tre måter å spørre etter rader på:

• Dataverse-søk

• Hurtigsøk (én tabell eller flere tabeller)

• Avansert søk

For mer informasjon, se Sammenligne søk.

Dataverse-søk

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

Dataverse-søk gir følgende forbedringer og fordeler:

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

• Finner treff for alle ord i søkefrasen i hvilketnsom helst kolonne i tabellen, sammenlignet med hurtigsøk hvor alle ordene må finnes i én kolonne.

• Finner treff som inkluderer bøyninger av ordet, som strømme, strømming eller strømmet.

• Returnerer resultater fra alle søkbare tabeller i én enkelt liste sortert etter relevans, så jo bedre treff, jo høyere vises resultatet i listen. Et treff har en høyere relevans hvis flere ord fra søkeuttrykket blir funnet i nærheten av hverandre. Jo mindre tekst der 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 om de samme ordene finnes i en lang artikkel, langt fra hverandre.

• Uthever treff i resultatlisten. Når et søkeord samsvarer med et ord i en rad, vises uttrykket som fet og kursivert tekst i søkeresultatene.

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

Hurtigsøk

Dataverse inkluderer hurtigsøk for å finne rader raskt, og har fremgangsmåter som søker bare i én tabelltype, for eksempel kunde, eller brukes til å søke på tvers av flere tabelltyper 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 i en visning.

Hurtigsøk etter flere tabeller (kategorisert søk) brukes også til å finne rader, men finner dem på tvers av forskjellige tabelltyper, for eksempel forretningsforbindelser eller kontaktpersoner.

Data Lake

Dataverse støtter kontinuerlig replikering av tabelldata til Azure Data Lake Storage, som deretter kan brukes til å kjøre analyse, for eksempel Power BI-rapportering, maskinlæring, datavarehus og andre prosesser for integrering nedstrøms.

Denne funksjonen er utformet for big data-analyse for virksomheter. Den er kostnadseffektiv, skalerbar, har muligheter for høy tilgjengelighet og nødgjenoppretting, med den beste analysen i klassen.

Data lagres i Common Data Model-formatet, som gir semantisk konsekvens mellom apper og distribusjoner. Standardiserte metadata og selvbeskrivende data i Common Data Model gjør det mulig å oppdage metadata og interoperabilitet mellom dataprodusenter og -brukere, for eksempel Power BI, Data Factory, Azure Databricks og Azure Machine Learning.

Se også

Importer og eksporter data