Utiliser des données

Microsoft Dataverse fournit une abstraction qui permet d’utiliser n’importe quel type de données, notamment relationnel, non relationnel, image, fichier, recherche relative ou data lake. Il n’est pas nécessaire de comprendre le type de données, car Dataverse expose un ensemble de types de données qui vous permettent de créer votre modèle. Le type de stockage est optimisé pour le type de données choisi.

Les données peuvent être facilement importées et exportées avec des dataflows, Power Query et Azure Data Factory. Les clients Dynamics peuvent également utiliser le service d’exportation de données.

Dataverse a également un connecteur pour Power Automate et Azure Logic Apps qui peut être utilisé avec les centaines d’autres connecteurs de ces services pour les services locaux, l’infrastructure en tant que service (IaaS), la plateforme en tant que service (PaaS) ou les services SaaS (Software as a Service). Cela inclut des sources dans Azure, Microsoft 365, Dynamics 365, SAP ERP, Salesforce, Amazon Redshift, Access, Excel, text/CSV, listes SharePoint, bases de données SQL Server, Oracle, MySQL, PostgreSQL, Blockchain et Azure Synapse Analytics.

Common Data Model

Si vous avez déjà dû rassembler des données de plusieurs systèmes et applications, vous savez quelle tâche coûteuse et fastidieuse peut être. Sans pouvoir partager et comprendre facilement les mêmes données, chaque projet d’intégration d’application ou de données nécessite une implémentation personnalisée.

Common Data Model fournit une architecture de référence destinée à simplifier ce processus en fournissant un langage de données partagé pour les applications métier et analytiques à utiliser. Le système de métadonnées Common Data Model permet aux données et à leur signification d’être partagées entre les applications et les processus métier tels que Power Apps, Power BI, Dynamics 365 et Azure.

Common Data Model inclut un ensemble de schémas de données standardisés et extensibles que Microsoft et ses partenaires ont publiés. Cette collection de schémas prédéfinis inclut des tables, des attributs, des métadonnées sémantiques et des relations. Les schémas représentent des concepts et des activités couramment utilisés, tels que compte et campagne, pour simplifier la création, l’agrégation et l’analyse des données.

Les schémas Common Data Model peuvent être utilisés pour informer la création de tables dans Dataverse. Les tables obtenues seront ensuite compatibles avec les applications et les analyses qui ciblent cette définition common Data Model.

L’image suivante montre certains éléments des tables Common Data Model standard. 

Tables

Dans Dataverse, les tables sont utilisées pour modéliser et gérer les données métier. Pour augmenter la productivité, Dataverse inclut un ensemble de tables appelées tables standard. Ces tables sont conçues, conformément aux bonnes pratiques, pour capturer les concepts et scénarios les plus courants au sein d’une organisation. Les tables standard respectent Common Data Model.

Un ensemble de tables couramment utilisées dans les secteurs, tels que l’utilisateur et l’équipe, sont incluses dans Dataverse et appelées tables standard. Ces tables prêtes à l’emploi peuvent également être personnalisées, telles que l’inclusion de colonnes supplémentaires. En outre, vous pouvez facilement créer vos propres tables personnalisées dans Dataverse.

Columns

Les colonnes définissent les éléments de données individuels qui peuvent être utilisés pour stocker des données dans une table. Les champs sont parfois appelés attributs par les développeurs. Un tableau représentant un cours à une université peut contenir des colonnes telles que « Nom », « Emplacement », « Département », « Étudiants inscrits », etc.

Les colonnes peuvent avoir différents types de données, comme les chiffres, les chaînes, les données numériques, les images et les fichiers. Il n’est pas nécessaire de conserver des données relationnelles et non relationnelles séparées artificiellement si elles font partie du même processus ou flux métier. Dataverse stocke les données dans le meilleur type de stockage pour le modèle créé.

Chacune de ces colonnes peut être associée à l’un des nombreux types de données pris en charge par Dataverse.

Plus d’informations : Types de colonnes

Relations

Les données d’une table sont souvent associées aux données d’une autre table. Les relations de table définissent la façon dont les lignes peuvent être liées les unes aux autres dans le modèle Dataverse.

Dataverse fournit des concepteurs visuels faciles à utiliser pour définir les différents types de relations d’une table à un autre (ou entre une table et lui-même). Chaque table peut avoir une relation avec plusieurs tables, et chaque table peut avoir plus d’une relation avec une autre table.

Les types de relation sont les suivants :

• De nombreux à un : dans ce type de relation, de nombreux enregistrements de la table A peuvent être associés à un seul enregistrement de la table B. Par exemple, une classe d’étudiants possède une classe unique.

• Un-à-plusieurs : dans ce type de relation, un seul enregistrement de table B peut être associé à de nombreux enregistrements de table A. Par exemple, un seul enseignant enseigne de nombreuses classes.

• Plusieurs-à-plusieurs : dans ce type de relation, chaque enregistrement dans la table A peut correspondre à plusieurs enregistrements dans la table B, et inversement. Par exemple, les étudiants suivent beaucoup de cours, et chaque classe peut avoir des étudiants multiples.

Étant donné que les relations plusieurs-à-un sont les plus courantes, Dataverse fournit un type de données spécifique nommé lookup, ce qui facilite non seulement la définition de cette relation, mais ajoute la productivité à la création de formulaires et d’applications.

Pour plus d’informations sur la création de relations de table, consultez Créer une relation entre les tables.

Les organisations doivent souvent respecter diverses réglementations pour garantir la disponibilité de l’historique des interactions client, des journaux d’audit, des rapports d’accès et des rapports de suivi des incidents de sécurité. Les organisations peuvent souhaiter suivre les modifications apportées aux données Dataverse à des fins de sécurité et d’analyse.

Dataverse fournit une fonctionnalité d’audit dans laquelle les modifications apportées aux tables et aux données d’attribut dans une organisation peuvent être suivies au fil du temps pour une utilisation dans l’analyse et la génération de rapports. L'audit est pris en charge sur toutes les tables et attributs personnalisés ainsi que sur la plupart des tables et attributs personnalisables. L’audit n’est pas pris en charge sur les modifications de métadonnées, les opérations de récupération, les opérations d’exportation ou pendant l’authentification. Pour plus d’informations sur la configuration de l’audit, accédez à Gérer l’audit Dataverse.

Dataverse prend en charge l’analytique en fournissant la possibilité de choisir des tables pour les modèles Machine Learning à exécuter. Il dispose d’une fonctionnalité IA prédéfinie par le biais d’AI Builder.

Rechercher

Dataverse fournit trois façons d’interroger des lignes :

• Recherche Dataverse

• Recherche rapide (table unique ou multi-tables)

• Recherche avancée

Pour plus d’informations, consultez Comparer les recherches.

Recherche Dataverse

La recherche Dataverse fournit des résultats rapides et complets sur plusieurs tables dans une seule liste, triée par pertinence. Il utilise un service de recherche dédié externe à Dataverse (optimisé par Azure) pour améliorer les performances de recherche.

La recherche Dataverse apporte les améliorations et avantages suivants :

• Améliore les performances à l’aide de l’indexation externe et de la technologie de recherche Azure.

• Recherche des correspondances avec n’importe quel mot dans le terme de recherche dans n’importe quelle colonne du tableau, par rapport à la recherche rapide où tous les mots du terme de recherche doivent être trouvés dans une colonne.

• Recherche des correspondances qui incluent des mots inlectionnels tels que le flux, la diffusion en continu ou le streaming.

• Retourne les résultats de toutes les tables pouvant faire l’objet d’une recherche dans une seule liste triée par pertinence. Par conséquent, plus la correspondance est meilleure, plus le résultat apparaît dans la liste. Une correspondance a une pertinence plus élevée si d’autres mots du terme de recherche sont trouvés à proximité les uns des autres. Plus la quantité de texte dans laquelle les mots de recherche sont trouvés est faible, plus la pertinence est élevée. Par exemple, si vous trouvez les mots de recherche dans un nom et une adresse de société, il peut s’agir d’une meilleure correspondance que de trouver les mêmes mots dans un long article, loin de l’autre.

• Met en surbrillance les correspondances dans la liste des résultats. Lorsqu’un terme de recherche correspond à un terme dans une ligne, le terme apparaît en gras et en italique dans vos résultats de recherche.

Pour plus d’informations sur la recherche Dataverse, consultez Utilisation de la recherche Dataverse pour rechercher des lignes.

Recherche rapide

Dataverse comprend la capacité de trouver rapidement des lignes et propose des approches permettant de rechercher un seul type de table, tel que les clients, ou qui peuvent être utilisées pour effectuer une recherche sur plusieurs types de tables en même temps, comme les contacts, les utilisateurs, les clients, etc.

La recherche rapide à table unique est utilisée pour rechercher des lignes d’un seul type. Cette option de recherche est disponible dans une vue.

La recherche rapide à plusieurs tables (recherche catégorisée) est également utilisée pour rechercher des lignes, mais les trouve dans différents types de tables, tels que les comptes ou les contacts.

Data Lake

Dataverse prend en charge la réplication continue des données de table vers Azure Data Lake Storage, qui peut ensuite être utilisée pour exécuter des analyses telles que la création de rapports Power BI, le Machine Learning, l’entreposage de données et d’autres processus d’intégration en aval.

Cette fonctionnalité est conçue pour l’analytique Big Data d’entreprise. Il offre des fonctionnalités de haute disponibilité et de récupération d’urgence rentables, évolutives et offre des performances d’analytique optimales.

Les données sont stockées au format Common Data Model, qui fournit une cohérence sémantique entre les applications et les déploiements. Les métadonnées standardisées et les données auto-décrivant dans Common Data Model facilitent la découverte et l’interopérabilité des métadonnées entre les producteurs de données et les consommateurs tels que Power BI, Data Factory, Azure Databricks et Azure Machine Learning.

Voir aussi

Importation et exportation de données