Skapa och använda dataflöden i Microsoft Power Platform
Genom att använda dataflöden med Microsoft Power Platform blir det enklare att förbereda data och du kan återanvända ditt förberedelsearbete för data i efterföljande rapporter, appar och modeller.
I en värld av ständigt växande data kan det vara svårt och dyrt att förbereda data. Den kan förbruka så mycket som 60 till 80 procent av tiden och kostnaden för ett typiskt analysprojekt. Sådana projekt kan kräva fragmenterade och ofullständiga data, komplex systemintegrering, data med strukturell inkonsekvens och en hög kompetensbarriär.
För att göra dataförberedelser enklare och för att hjälpa dig att få ut mer värde av dina data skapades Power Query- och Power Platform-dataflöden.
Med dataflöden tar Microsoft med sig självbetjäningsfunktionerna för dataförberedelse i Power Query till Power BI- och Power Apps-onlinetjänster och utökar befintliga funktioner på följande sätt:
Dataförberedelser via självbetjäning för stordata med dataflöden: Dataflöden kan användas för att enkelt mata in, rensa, transformera, integrera, berika och schematisera data från en stor och ständigt växande matris med transaktions- och observationskällor, som omfattar all dataförberedelselogik. Tidigare kunde logiken extrahera, transformera, läsa in (ETL) endast ingå i semantiska modeller i Power BI, kopieras om och om till mellan semantiska modeller och bindas till inställningar för semantisk modellhantering.
Med dataflöden utökas ETL-logiken till en förstklassig artefakt i Microsoft Power Platform-tjänster och innehåller dedikerad redigering och hantering. Affärsanalytiker, BI-proffs och dataforskare kan använda dataflöden för att hantera de mest komplexa utmaningarna vid förberedelse av data och bygga vidare på varandras arbete tack vare en revolutionerande modelldriven beräkningsmotor. Den här motorn tar hand om all omvandlings- och beroendelogikbesparingstid, kostnad och expertis till en bråkdel av vad som traditionellt har krävts för dessa uppgifter. Du kan skapa dataflöden med hjälp av den välkända självbetjäningsmiljön för dataförberedelse i Power Query. Dataflöden skapas och hanteras enkelt i apparbetsytor eller miljöer, i Power BI respektive Power Apps, med alla de funktioner som dessa tjänster har att erbjuda, till exempel behörighetshantering och schemalagda uppdateringar.
Läs in data till Dataverse eller Azure Data Lake Storage: Beroende på ditt användningsfall kan du lagra data som förberetts av Power Platform-dataflöden i Dataverse eller din organisations Azure Data Lake Storage-konto:
Med Dataverse kan du lagra och hantera data som används av företagsprogram på ett säkert sätt. Data i Dataverse lagras i en uppsättning tabeller. En tabell är en uppsättning rader (kallas tidigare för poster) och kolumner (kallas tidigare fält/attribut). Varje kolumn i tabellen har utformats för att lagra en särskild typ av data, t.ex. namn, ålder, lön och så vidare. Dataversum innehåller en basuppsättning med standardtabeller som täcker vanliga scenarier, men du kan också skapa anpassade tabeller som är specifika för din organisation och fylla dem med data med hjälp av dataflöden. Appskapare kan sedan använda Power Apps och Power Automate för att skapa omfattande program som använder dessa data.
Med Azure Data Lake Storage kan du samarbeta med personer i din organisation med hjälp av Power BI-, Azure Data- och AI-tjänster eller med hjälp av anpassade affärsprogram som läser data från sjön. Dataflöden som läser in data till ett Azure Data Lake Storage-konto lagrar data i Common Data Model-mappar. Common Data Model-mappar innehåller schematiserade data och metadata i ett standardiserat format för att underlätta datautbyte och för att möjliggöra fullständig samverkan mellan tjänster som producerar eller använder data som lagras i en organisations Azure Data Lake Storage-konto som delat lagringslager.
Avancerad analys och AI med Azure: Power Platform-dataflöden lagrar data i Dataverse eller Azure Data Lake Storage , vilket innebär att data som matas in via dataflöden nu är tillgängliga för datatekniker och dataforskare för att tillämpa den fulla kraften i Azure Data Services, till exempel Azure Machine Learning, Azure Databricks och Azure Synapse Analytics för avancerad analys och AI. Detta gör det möjligt för affärsanalytiker, datatekniker och dataexperter att samarbeta om samma data inom organisationen.
Stöd för Common Data Model: Common Data Model är en uppsättning standardiserade datascheman och ett metadatasystem som möjliggör konsekvens av data och dess innebörd i program och affärsprocesser. Dataflöden stöder Common Data Model genom att erbjuda enkel mappning från alla data i valfri form till vanliga Common Data Model-tabeller, till exempel Konto och Kontakt. Dataflöden landar också data, både standardtabeller och anpassade tabeller, i schematiserat Common Data Model-formulär. Affärsanalytiker kan dra nytta av standardschemat och dess semantiska konsekvens, eller anpassa sina tabeller baserat på deras unika behov. Common Data Model fortsätter att utvecklas som en del av open data-initiativet.
Dataflödesfunktioner i Microsoft Power Platform-tjänster
De flesta dataflödesfunktioner är tillgängliga i både Power Apps och Power BI. Dataflöden är tillgängliga som en del av dessa tjänsters planer. Vissa dataflödesfunktioner är antingen produktspecifika eller tillgängliga i olika produktplaner. I följande tabell beskrivs dataflödesfunktioner och deras tillgänglighet.
| Dataflödesfunktion | Power Apps | Power BI |
|---|---|---|
| Schemalagd uppdatering | Upp till 48 per dag | Upp till 48 per dag |
| Maximal uppdateringstid per tabell | Upp till 2 timmar | Upp till 2 timmar |
| Redigering av dataflöde med Power Query Online | Ja | Ja |
| Dataflödeshantering | I Power Apps-administratörsportalen | I Power BI-administratörsportalen |
| Nya anslutningsprogram | Ja | Ja |
| Standardiserat schema/inbyggt stöd för Common Data Model | Ja | Ja |
| Dataflöden Data Anslut eller i Power BI Desktop | För dataflöden med Azure Data Lake Storage som mål | Ja |
| Integrering med organisationens Azure Data Lake Storage | Ja | Ja |
| Integrering med Dataverse | Ja | Nej |
| Länkade dataflödestabeller | För dataflöden med Azure Data Lake Storage som mål | Ja |
| Beräknade tabeller (transformeringar i lagring med M) | För dataflöden med Azure Data Lake Storage som mål | Endast Power BI Premium |
| Inkrementell uppdatering av dataflöde | För dataflöden med Azure Data Lake Storage som mål kräver Power Apps Plan2 | Endast Power BI Premium |
| Körs på Power BI Premium-kapacitet/parallell körning av transformeringar | Nej | Ja |
Kända begränsningar
- Kopiering av dataflöden som en del av en kopieringsåtgärd för Power Platform-miljöer stöds inte.
Nästa steg
Mer information om dataflöden i Power Apps:
- Dataförberedelser via självbetjäning i Power Apps
- Skapa och använda dataflöden i Power Apps
- Ansluta Azure Data Lake Storage Gen2 för dataflödeslagring
- Lägga till data i en tabell i Dataverse med hjälp av Power Query
- Besök Power Apps-dataflödescommunityn och dela med dig av det du gör, ställa frågor eller skicka in nya idéer
- Gå till communityforumet för Power Apps-dataflöden och dela med dig av det du gör, ställa frågor eller skicka in nya idéer
Mer information om dataflöden i Power BI:
- Dataförberedelser via självbetjäning i Power BI
- Skapa och använda dataflöden i Power BI
- White paper för dataflöden
- Detaljerad video av en genomgång av dataflöden
- Besök Communityn för Power BI-dataflöden och dela med dig av det du gör, ställa frågor eller skicka in nya idéer
Följande artiklar innehåller mer information om vanliga användningsscenarier för dataflöden.
- Använda inkrementell uppdatering med dataflöden
- Skapa beräknade tabeller i dataflöden
- Anslut till datakällor för dataflöden
- Länka tabeller mellan dataflöden
Mer information om Common Data Model och Common Data Model-mappstandarden finns i följande artiklar: