Arbeta med alla data

Microsoft Dataverse tillhandahåller en abstraktion som gör det möjligt att arbeta med alla typer av data, t.ex. relationell, icke-relationell, bild, fil, relativ sökning eller datasjö. Du behöver inte förstå datatypen eftersom Dataverse exponerar en uppsättning datatyper som gör att du kan bygga upp modellen. Typen av lagringsutrymme optimeras för den valda datatypen.

Data kan enkelt importeras och exporteras med dataflöden, Power Query och Azure Data Factory. Dynamics-kunder kan också använda dataexporttjänsten.

Dataverse har också en kontakt för Power Automate och Azure Logic Apps som kan användas med de hundratals andra anslutningarna i dessa tjänster för lokal, infrastruktur som en tjänst (IaaS), plattform som tjänst (PaaS) eller programvara som tjänst (SaaS). Detta gäller bland annat källor i Azure, Microsoft 365, Dynamics 365, SAP ERP, Salesforce, Amazon Redshift, Access, Excel, text/CSV, SharePoint-listor, SQL Server-databaser, Oracle, MySQL, PostgreSQL, Blockchain och Azure SQL Data Warehouse och Azure Synapse Analytics.

Common Data Model

Om du har någonsin samlat data från flera system och program samtidigt vet du hur mycket en aktivitet som kan vara en dyr och en tidskrävande uppgift. Om du inte vill dela och förstå samma data på ett enkelt sätt kräver varje program- eller dataintegreringsprojekt en anpassad implementering.

Common Data Model tillhandahåller referensarkitektur som är avsedd att rationalisera processen genom att tillhandahålla ett delat dataspråk för affärs- och analysappar som ska användas. Metadatasystemet för Common Data Model gör det möjligt för data och det innebär att de delas mellan program och affärsprocesser som Power Apps, Power BI, Dynamics 365 och Azure.

Common Data Model innehåller en uppsättning standardiserade, utökningsbara datascheman som Microsoft och dess partner har publicerat. Den här samlingen av fördefinierade scheman innehåller tabeller, attribut, semantiska metadata och relationer. Scheman representerar vanliga begrepp och aktiviteter, till exempel  konto  och  kampanj, som förenklar skapandet, aggregeringen och analysen av data.

Common Data Model-scheman kan användas för att informera skapandet av tabeller i Dataverse. De resulterande tabellerna kommer sedan att vara kompatibla med program och analyser som är målgruppen för den här definitionen för Common Data Model.

Följande bild illustrerar några delar av standardtabellerna för Common Data Model. 

Tabeller

I Dataverse, används tabeller för att modellera och hantera affärsdata. För att öka produktiviteten har Dataverse en uppsättning tabeller som kallas standardtabeller. Dessa tabeller är utformade för, i enlighet med bästa praxis för att samla in data om de vanligaste begreppen och scenarier inom en organisation. Standardtabellerna följer Common Data Model.

En uppsättning tabeller som ofta används i branscher, till exempel User och Team, ingår i Dataverse och kallas standard tables. Dessa färdiga tabeller kan också anpassas, t.ex. även andra kolumner. Dessutom kan du enkelt skapa egna anpassade tabeller i Dataverse.

Kolumner

Kolumner definierar fälten de enskilda dataobjekt som kan användas för att lagra data i en tabell. Fält kallas ibland attribut av utvecklare. En tabell som representerar en kurs vid ett universitet kan innehålla kolumner som "Namn", "Plats", "Institution", "Registrerade studenter" och så vidare.

Kolumner kan ha olika typer av data som siffror, strängar, digitala data, bilder och filer. Du behöver inte hålla relationella och icke-relationella data åtskilda artificiellt om det är en del av samma affärsprocess eller flöde. Dataverse lagrar data i den bästa lagringstypen för den skapade modellen.

Var och en av dessa kolumner kan associeras med en av många av de datatyper som stöds av Dataverse.

Mer information: typer av kolumner.

Relationer

Data i en tabell är ofta kopplad till data i en annan tabell. tabellrelationer definierar hur rader kan relateras till varandra i Dataverse-modellen.

DataverseMed Dataverse kan du använda visuella designers för att definiera olika typer av relationer från en tabell till en annan (eller mellan en tabell och sig själv). Varje tabell kan ha en relation med fler än en tabell, och varje tabell kan ha fler än en relation till en annan tabell.

Relationstyperna är:

• Flera-till-en: I den här typen av relation kan många tabell A-poster associeras med en enskild tabell B-post. En klass av studenter har till exempel samma typ av information.

• En-till-flera: I denna typ av relation kan en enstaka tabell B-post associeras med många tabell A-poster. Många klasser är till exempel för en enskild användare.

• Flera-till-flera: I denna typ av relation kan varje post i tabell A matcha mer än en post i tabell B och vice versa. Till exempel elever deltar i många klasser och varje klass kan ha flera elever.

Eftersom flera till en-relationer är de vanligaste, tillhandahåller Dataverse en specifik datatyp som heter uppslag, men det är inte bara enkelt att definiera relationen utan den lägger till produktivitet för att skapa formulär och program.

Mer information om att skapa tabellrelationer finns i Skapa en relation mellan tabeller.

Organisationer behöver ofta vara följa olika bestämmelser för att garantera tillgången till kundens interaktionshistorik, granskningsloggar, åtkomstrapporter och spårningsrapporter för säkerhetstillbud. Organisationer kanske vill spåra ändringar i Dataverse-data för säkerhet och analytiska ändamål.

Dataverse tillhandahåller en granskningsfunktion där ändringar i tabeller och attributvärden i en organisation kan användas efter tid för användning i analys och rapportering. Granskning stöds i alla anpassade—och mest anpassningsbara—tabeller och attribut. Granskning stöds inte vid ändringar av metadata, hämtningsåtgärder, exportåtgärder eller vid autentisering. Information om hur du konfigurerar granskning finns i Hantera Dataverse-granskning.

Dataverse stöder analys genom att ge möjlighet att välja tabeller för att köra maskininlärningsmodeller. Den har en förbyggd AI-kapacitet AI Builder.

Sök

Dataverse ger tre sätt att söka i rader:

• Dataverse-sökning

• Snabbsökning (en tabell eller flera tabeller)

• Avancerad sökning

Anteckning

Snabbsökning efter flera tabeller kallas även kategoriserad sökning.

Mer information finns Jämför sökningar.

Dataverse-sökning

Dataverse-sökningar ger snabba och omfattande resultat över flera tabeller i en enda lista, sorterade efter relevans. En dedikerad söktjänst används utanför Dataverse (som drivs av Azure) för att öka sökprestanda.

Dataverse-sökning ger följande förbättringar och fördelar:

• Förbättrar prestanda med hjälp av extern indexering och Azure sökteknik.

• Söker efter ord i sökordet i en kolumn i tabellen, jämfört med snabb sökning där alla ord från söktermen måste hittas i en kolumn.

• Söker efter matchningar som innehåller böjningar av ord som  ström,  strömma eller  strömmade.

• Returnerar resultat från alla sökbara tabeller i en lista som sorteras efter relevans, så ju bättre matchning, desto högre visas resultatet i listan. En matchning har en högre relevans om flera ord från söktermen hittas i närheten av varandra. Ju mindre mängd text där sökorden hittas desto högre relevans. Om du till exempel hittar sökorden i ett företags namn och adress kan det vara en bättre matchning än att hitta samma ord i en lång artikel där de är långt ifrån varandra.

• Söker efter matchningar i resultatlistan. När en sökterm matchar en term i en rad visas termen som fet och kursiv text i dina sökresultat.

Mer information om Dataverse-sökning finns i Använd Dataverse-sökning för att söka efter rader.

Snabbsökning

Dataverse omfattar möjligheten att snabbt hitta rader och att det finns metoder som söker efter en typ av tabell, t.ex. kund, eller som används för att söka i flera olika typer av tabeller samtidigt, t.ex. kontakter, användare, kunder och så vidare.

Snabbsökning efter en tabell används för att hitta rader av en enskild typ. Det här sökalternativet är tillgängligt i en vy.

Snabbsökning med flera tabeller (kategoriserad sökning) används också för att söka efter rader, men de hittar dem i olika typer av tabeller, t.ex. konton eller kontakter.

Data Lake

Dataverse stöder kontinuerlig replikering av tabelldata till Azure Data Lake Storage, som sedan kan användas för att köra analyser, t.ex. Power BI-rapportering, maskininlärning, datalagring och andra efterföljande integrationsprocesser.

Den här funktionen är avsedd för big dataanalys för företag. Det är kostnadseffektivt, skalbart, har hög tillgänglighet och möjligheter till katastrofåterställning och möjliggör förstklassig analysprestanda.

Data lagras i Common Data Model-formatet, vilket ger semantisk konsistens mellan program och distributioner. Standardiserade metadata och självbeskrivande data i en Common Data Model möjliggör enkel metadataidentifiering och interoperation mellan dataproducenter och konsumenter som Power BI, Data Factory, Azure Databricks och Azure Machine Learning.

Se även

Importera och exportera data

Anteckning

Kan du berätta om dina inställningar för dokumentationsspråk? Svara i en kort undersökning. (observera att undersökningen är på engelska)

Undersökningen tar ungefär sju minuter. Inga personuppgifter samlas in (sekretesspolicy).