Mit allen Daten arbeiten

Microsoft Dataverse bietet eine Abstraktion, die es ermöglicht, mit jedem Datentyp zu arbeiten, einschließlich relationaler, nicht relationaler, Bild-, Datei-, relativer Suche oder Datensee. Es ist nicht erforderlich, den Datentyp zu verstehen, da Dataverse eine Reihe von Datentypen verfügbar macht, mit denen Sie Ihr Modell aufbauen können. Der Speichertyp ist für den ausgewählten Datentyp optimiert.

Daten können einfach importiert und mit Datenflüssen, Power Query und Azure Data Factory exportiert werden. Dynamics-Kunden können auch den Datenexportdienst verwenden.

Dataverse verfügt auch über einen Connector für Power Automate und Azure Logic Apps, die mit hunderten anderer Connectoren in diesen Diensten für lokale Dienste, Infrastruktur als Dienst (IaaS), Plattform als Dienst (PaaS) oder Software als Dienst (SaaS) verwendet werden können. Dazu gehören Quellen in Azure, Microsoft 365, Dynamics 365, SAP ERP, Salesforce, Amazon Redshift, Access, Excel, Text/CSV, SharePoint-Listen, SQL Server-Datenbanken, Oracle, MySQL, PostgreSQL, Blockchain und Azure Synapse Analytics.

Common Data Model

Wenn Sie jemals Daten aus mehreren Systemen und Apps zusammenbringen mussten, wissen Sie, was eine teure und zeitaufwendige Aufgabe sein kann. Ohne dass sie dieselben Daten problemlos freigeben und verstehen können, erfordert jedes App- oder Datenintegrationsprojekt eine benutzerdefinierte Implementierung.

Das allgemeine Datenmodell bietet Referenzarchitektur, die diesen Prozess optimieren soll, indem eine freigegebene Datensprache für geschäftliche und analytische Apps bereitgestellt wird. Das Metadatensystem "Common Data Model" ermöglicht es Daten und deren Bedeutung für apps- und geschäftsprozesse wie Power Apps, Power BI, Dynamics 365 und Azure gemeinsam zu nutzen.

Das allgemeine Datenmodell enthält eine Reihe standardisierter, erweiterbarer Datenschemas, die Microsoft und seine Partner veröffentlicht haben. Diese Sammlung vordefinierter Schemas umfasst Tabellen, Attribute, semantische Metadaten und Beziehungen. Die Schemas stellen häufig verwendete Konzepte und Aktivitäten wie "Account " und "Campaign" dar, um die Erstellung, Aggregation und Analyse von Daten zu vereinfachen.

Die allgemeinen Datenmodellschemas können verwendet werden, um die Erstellung von Tabellen in Dataverse zu informieren. Die resultierenden Tabellen sind dann mit Apps und Analysen kompatibel, die auf diese Allgemeine Datenmodelldefinition abzielen.

Die folgende Abbildung zeigt einige Elemente der standardmäßigen Allgemeinen Datenmodelltabellen. 

Tabellen

In Dataverse werden Tabellen zum Modellieren und Verwalten von Geschäftsdaten verwendet. Um die Produktivität zu steigern, enthält Dataverse eine Reihe von Tabellen, die als Standardtabellen bezeichnet werden. Diese Tabellen sind gemäß den bewährten Methoden so konzipiert, dass sie die am häufigsten verwendeten Konzepte und Szenarien innerhalb einer Organisation erfassen. Die Standardtabellen entsprechen dem allgemeinen Datenmodell.

Eine Reihe von Tabellen, die in branchenübergreifend verwendet werden, z. B. "Benutzer " und "Team", sind in "Dataverse" enthalten und als Standardtabellen bezeichnet. Diese einsatzbereiten Tabellen können ebenfalls angepasst werden, indem beispielsweise zusätzliche Spalten hinzugefügt werden. Darüber hinaus können Sie ganz einfach eigene benutzerdefinierte Tabellen in Dataverse erstellen.

Columns

Spalten definieren die einzelnen Datenelemente, die zum Speichern von Daten in einer Tabelle verwendet werden können. Felder werden von Entwicklern auch als Attribute bezeichnet. Eine Tabelle, die einen Kurs an einer Universität darstellt, kann Spalten wie "Name", "Ort", "Abteilung", "Registrierte Studierende" usw. enthalten.

Spalten weisen möglicherweise unterschiedliche Datentypen auf, z. B. Zahlen, Zeichenfolgen, digitale Daten, Bilder und Dateien. Es ist nicht erforderlich, relationale und nicht relationale Daten künstlich voneinander getrennt zu halten, wenn sie Teil desselben Geschäftsprozesses oder Flusses ist. Dataverse speichert die Daten im besten Speichertyp für das erstellte Modell.

Jede dieser Spalten kann einem von vielen Datentypen zugeordnet werden, der von Dataverse unterstützt wird.

Weitere Informationen: Spaltentypen.

Beziehungen

Daten in einer Tabelle beziehen sich häufig auf Daten in einer anderen Tabelle. Tabellenbeziehungen definieren, wie Zeilen im Dataverse-Modell miteinander verknüpft werden können.

Dataverse bietet benutzerfreundliche visuelle Designer, um die verschiedenen Arten von Beziehungen von einer Tabelle zu einer anderen (oder zwischen einer Tabelle und sich selbst) zu definieren. Jede Tabelle kann eine Beziehung mit mehreren Tabellen haben, und jede Tabelle kann mehrere Beziehungen zu einer anderen Tabelle haben.

Die Beziehungstypen sind:

• Many-to-one: Bei dieser Art von Beziehung können viele Datensätze der Tabelle A mit einem einzigen Datensatz der Tabelle B verknüpft sein. Beispielsweise hat eine Klasse von Schülern ein einziges Klassenzimmer.

• One-to-many: Bei dieser Art von Beziehung kann ein einzelner Datensatz der Tabelle B mit vielen Datensätzen der Tabelle A verknüpft werden. Beispielsweise unterrichtet ein einzelner Lehrer viele Kurse.

• Viele-zu-viele: In dieser Beziehungsart kann jeder Datensatz in Tabelle A mit mehr als einem Datensatz in Tabelle B verknüpft sein und umgekehrt. Beispielsweise nehmen Die Kursteilnehmer an vielen Kursen teil, und jeder Kurs kann mehrere Schüler haben.

Da n-zu-1-Beziehungen am häufigsten vorkommen, bietet Dataverse einen speziellen Datentyp namens Lookup, der nicht nur das Definieren dieser Beziehung erleichtert, sondern auch das Erstellen von Formularen und Apps vereinfacht.

Weitere Informationen zum Erstellen von Tabellenbeziehungen finden Sie unter Erstellen einer Beziehung zwischen Tabellen.

Organisationen müssen häufig in Übereinstimmung mit verschiedenen Vorschriften sein, um die Verfügbarkeit des Kundeninteraktionsverlaufs, Überwachungsprotokolle, Zugriffsberichte und Berichte zur Nachverfolgung von Sicherheitsvorfällen sicherzustellen. Organisationen möchten möglicherweise Änderungen in Dataverse-Daten für Sicherheits- und Analysezwecke nachverfolgen.

Dataverse bietet eine Überwachungsfunktion, bei der Änderungen an Tabellen und Attributdaten in einer Organisation im Laufe der Zeit nachverfolgt werden können, um sie für Analysen und Berichterstellungen zu nutzen. Die Überwachung wird für alle benutzerdefinierten und am meisten anpassbaren Tabellen und Attribute unterstützt. Die Überwachung wird bei Metadatenänderungen, Abrufvorgängen, Exportvorgängen oder während der Authentifizierung nicht unterstützt. Informationen zum Konfigurieren der Überwachung erfahren Sie unter "Dataverse-Überwachung verwalten".

Dataverse unterstützt Analysen, indem es die Möglichkeit bietet, Tabellen für die Ausführung von Machine Learning-Modellen auszuwählen. Es verfügt über eine vorgefertigte KI-Funktion mithilfe von KI Builder.

Suche

Dataverse bietet drei Möglichkeiten zum Abfragen von Zeilen:

• Dataverse-Suche

• Schnellsuche (Einzel-Tabelle oder Mehrfach-Tabelle)

• Erweiterte Suche

Weitere Informationen finden Sie unter Vergleichen von Suchvorgängen.

Dataverse-Suche

Die Dataverse-Suche liefert schnelle und umfassende Ergebnisse in mehreren Tabellen in einer einzelnen Liste, sortiert nach Relevanz. Es verwendet einen dedizierten Suchdienst außerhalb von Dataverse (unterstützt von Azure), um die Suchleistung zu steigern.

Die Dataverse-Suche bietet die folgenden Verbesserungen und Vorteile:

• Verbessert die Leistung, indem externe Indizierung und Azure-Suchtechnologie verwendet werden.

• Sucht Übereinstimmungen mit einem beliebigen Wort im Suchbegriff in einer beliebigen Spalte in der Tabelle, verglichen mit der schnellen Suche, wo alle Wörter aus dem Suchbegriff in einer Spalte gefunden werden müssen.

• Findet Übereinstimmungen, die inflectionale Wörter wie Stream, Streaming oder Stream enthalten.

• Gibt Ergebnisse aus allen durchsuchbaren Tabellen in einer einzelnen Liste zurück, die nach Relevanz sortiert sind. Je besser die Übereinstimmung ist, desto höher wird das Ergebnis in der Liste angezeigt. Eine Übereinstimmung hat eine höhere Relevanz, wenn mehr Wörter aus dem Suchbegriff in unmittelbarer Nähe zueinander gefunden werden. Je kleiner die Textmenge, in der die Suchbegriffe gefunden werden, desto höher ist die Relevanz. Wenn Sie z. B. die Suchbegriffe in einem Firmennamen und einer Adresse finden, ist dies möglicherweise eine bessere Übereinstimmung als das Auffinden der gleichen Wörter in einem langen Artikel, weit voneinander entfernt.

• Hebt Übereinstimmungen in der Ergebnisliste hervor. Wenn ein Suchbegriff mit einem Begriff in einer Zeile übereinstimmt, wird der Begriff in den Suchergebnissen als fett und kursiv formatiert angezeigt.

Weitere Informationen zur Dataverse-Suche finden Sie unter Verwenden der Dataverse-Suche zum Suchen nach Zeilen.

Schnellsuche

Dataverse umfasst die Möglichkeit, Zeilen schnell zu finden und ansätze, die nur einen Tabellentyp durchsuchen, z. B. Kunden, oder sie werden verwendet, um mehrere Arten von Tabellen gleichzeitig zu durchsuchen, z. B. Kontakte, Benutzer, Kunden usw.

Einzeltabellen-Schnellsuche wird verwendet, um Zeilen eines einzigen Typs zu finden. Diese Suchoption ist innerhalb einer Ansicht verfügbar.

Die Schnellsuche mit mehreren Tabellen (kategorisierte Suche) wird auch verwendet, um Zeilen zu finden, aber sie werden in verschiedenen Tabellentypen wie Konten oder Kontakten gefunden.

Data Lake

Dataverse unterstützt die kontinuierliche Replikation von Tabellendaten in Azure Data Lake Storage, die dann zum Ausführen von Analysen wie Power BI-Berichterstellung, Maschinellem Lernen, Data Warehouse und anderen nachgelagerten Integrationsprozessen verwendet werden kann.

Dieses Feature wurde für Big Data-Analysen für Unternehmen entwickelt. Es ist kosteneffizient, skalierbar, verfügt über hohe Verfügbarkeits- und Notfallwiederherstellungsfunktionen und ermöglicht eine erstklassige Analyseleistung.

Die Daten werden im Common Data Model-Format gespeichert, das für semantische Konsistenz über Anwendungen und Implementierungen hinweg sorgt. Standardisierte Metadaten und selbst beschreibende Daten im Allgemeinen Datenmodell erleichtern die Metadatenermittlung und Interoperabilität zwischen Datenherstellern und Verbrauchern wie Power BI, Data Factory, Azure Databricks und Azure Machine Learning.

Siehe auch

Importieren und Exportieren von Daten