Práce s jakýmikoliv daty

Microsoft Dataverse poskytuje abstrakci, která umožňuje práci s jakýmkoli typem dat, včetně relačních a nerelačních dat, obrázků, souborů, relativního vyhledávání nebo datových jezer. Není třeba rozumět danému typu dat, protože Dataverse vám nabídne sadu typů dat, které vám umožní sestavit váš model. Typ úložiště je optimalizován pro vybraný typ dat.

Data lze snadno importovat a exportovat pomocí datových toků, Power Query a Azure Data Factory. Zákazníci Dynamics mohou také využít službu exportu dat.

Dataverse má také konektor pro Power Automate a Azure Logic Apps, který lze použít se stovkami dalších konektorů v těchto službách pro místní službu, infrastrukturu jako služba (IaaS), platformu jako služba (PaaS) nebo software jako služba (SaaS). To zahrnuje zdroje v Azure, Microsoft 365, Dynamics 365, SAP ERP, Salesforce, Amazon Redshift, Access, Excel, text/CSV, seznamy SharePoint, databáze SQL Server, Oracle, MySQL, PostgreSQL, Blockchain a Azure Synapse Analytics.

Common Data Model

Pokud jste někdy museli sloučit data z více systémů a aplikací, víte, jaký nákladný a časově náročný úkol to může být. Bez možnosti snadného sdílení a porozumění stejným datům vyžaduje každá aplikace nebo projekt integrace dat vlastní implementaci.

Common Data Model poskytuje referenční architekturu, která má tento proces zefektivnit tím, že poskytuje sdílený datový jazyk pro obchodní a analytické aplikace k použití. Systém metadat modelu Common Data Model umožňuje sdílení dat a jejich významu v aplikacích a obchodních procesech, jako je Power Apps, Power BI, Dynamics 365 a Azure.

Common Data Model zahrnuje sadu standardizovaných, rozšiřitelných datových schémat, která zveřejnila společnost Microsoft a její partneři. Tato kolekce předdefinovaných schémat zahrnuje tabulky, atributy, sémantická metadata a relace. Schémata představují běžně používané koncepty a aktivity, například Obchodní vztah a Kampaň, pro zjednodušení vytváření, agregace a analýzy dat.

Schémata Common Data Model lze použít k informování o vytváření tabulek v Dataverse. Výsledné tabulky pak budou kompatibilní s aplikacemi a analýzami, které cílí na tuto definici Common Data Model.

Následující obrázek ukazuje některé prvky standardních tabulek Common Data Model. 

Tabulky

Tabulky se v Dataverse používají k modelování a správě obchodních dat. Pro zvýšení produktivity obsahuje Dataverse sadu tabulek označovaných jako standardní tabulky. Tyto tabulky jsou určeny – v souladu s osvědčenými postupy – k zachycení nejobvyklejších konceptů a scénářů v rámci organizace. Standardní tabulky dodržují Common Data Model.

Součástí Dataverse je sada tabulek běžně používaných v různých průmyslových odvětvích, například Uživatel a Tým, které jsou označovány jako standardní tabulky. Tyto vestavěné tabulky lze také přizpůsobit, například přidat do nich další sloupce. Kromě toho můžete snadno vytvořit své vlastní tabulky v Dataverse.

Sloupce

Sloupce definují jednotlivé datové položky, které lze použít k uložení dat v tabulce. Pole jsou vývojáři někdy označovány jako atributy. Tabulka představující kurz na univerzitě může obsahovat sloupce jako „Název“, „Místo“, „Oddělení“, „Registrovaní studenti“ atd.

Sloupce mohou obsahovat různé typy dat, jako jsou číslice, řetězce, digitální data, obrázky a soubory. Není nutné, aby byla relační a nerelační data uměle oddělena, pokud jsou součástí stejného obchodního procesu nebo toku. Dataverse uchovává data v nejlepším typu úložiště pro vytvořený model.

Každý z těchto sloupců může být přidružen k jednomu z mnoha datových typů podporovaných v Dataverse.

Další informace: Typy sloupců.

Relace

Data v jedné tabulce se často vztahují k datům v jiné tabulce. Relace mezi tabulkami definují, jak mohou být řádky v modelu Dataverse navzájem propojeny.

Dataverse poskytuje snadno použitelné vizuální návrháře k definování různých typů relací mezi dvěma tabulkami (nebo mezi tabulkou a jí samotnou). Každá tabulka může mít relaci s více než jednu tabulkou a každá tabulka může mít více než jednu relaci s jinou tabulkou.

Typy relací jsou:

• N:1: V tomto typu vztahu může být mnoho záznamů tabulky A přidruženo k jednomu záznamu tabulky B. Například třída studentů má jednu učebnu.

• 1:N: V tomto typu vztahu může být jeden záznam tabulky B přidružen k mnoha záznamům tabulky B. Například jeden učitel učí mnoho tříd.

• N:N: V tomto typu relace může každý záznam v tabulce A odpovídat více než jednomu záznamu v tabulce B a naopak. Například studenti mohou navštěvovat mnoho tříd a jednotlivé třídy mohou mít více studentů.

Protože jsou vztahy N:1 nejběžnější, Dataverse poskytuje specifický datový typ pojmenovaný vyhledávání, který nejen že usnadňuje definování tohoto vztahu, ale zvyšuje produktivitu při vytváření formulářů a aplikací.

Další informace o vytváření relací mezi tabulkami naleznete v tématu Vytváření a úpravy relací mezi tabulkami.

Organizace často musí splňovat různé předpisy k zajištění dostupnosti historie interakcí se zákazníkem, protokolů auditu, sestav přístupu a zpráv ze sledování mimořádných bezpečnostních událostí. Organizace mohou chtít sledovat změny v datech Dataverse pro bezpečnostní a analytické účely.

Dataverse poskytuje funkci auditu, kde lze změny tabulek a dat atributů v organizaci řadit podle času a použít v analýzách a sestavách. Auditování je podporováno u všech vlastních — a většině přizpůsobitelných — tabulek a atributů. Auditování není podporováno v případě změn metadat, operací načtení, operací exportu nebo během ověřování. Informace o konfiguraci auditování najdete v části Správa auditování Dataverse.

Dataverse podporuje analytiku tím, že poskytuje možnost výběru tabulek ke spuštění modelů strojového učení. Má předpřipravenou schopnost umělé inteligence AI Builder.

Vyhledávat

Dataverse poskytuje tři způsoby dotazování na úrovni řádků:

• Hledání Dataverse

• Rychlé hledání (v jedné tabulce nebo ve více tabulkách)

• Rozšířené hledání

Poznámka

Rychlé hledání ve více tabulkách se označuje také jako hledání podle kategorií.

Další informace naleznete v tématu Porovnání vyhledávání.

Hledání Dataverse

Vyhledávání Dataverse nabízí rychlé a komplexní výsledky napříč více tabulkami v jednom seznamu, seřazené podle závažnosti. Používá vyhrazenou službu vyhledávací mimo Dataverse (s technologií Azure) ke zvýšení výkonu vyhledávání.

Vyhledávání Dataverse přináší následující výhody a vylepšení:

• Kvůli vyššímu výkonu používá externí indexování a vyhledávací technologii Azure.

• Na rozdíl od rychlého hledání, při kterém musí být všechna slova hledaného výrazu nalezena v jednom sloupci, dokáže najít shody ke slovům hledaného výrazu, které jsou v libovolném sloupci dané tabulky.

• Najde shody obsahující skloňovaná nebo příbuzná slova, jako je například stream, streamování nebo streamovaný.

• Výsledky ze všech prohledávaných tabulek vrátí v jediném seznamu seřazeném podle relevance. Čím lepší shoda, tím vyšší pořadí výsledku v seznamu. Shoda má vyšší relevanci, pokud se více slov z hledaného termínu nachází blízko sebe. Čím kratší je text, kde slova jsou nalezena, čím vyšší je relevance. Pokud například hledaná slova najdete v názvu a adrese společnosti, pravděpodobně půjde o lepší shodu než když stejná slova najdete v dlouhém článku, kde budou od sebe hodně daleko.

• Zvýrazněné shody v seznamu výsledků. Pokud hledaný výraz odpovídá výrazu v řádku, zobrazí se výraz ve výsledcích hledání tučně a kurzívou.

Pro více informací o vyhledávání Dataverse viz: Použití vyhledávání Dataverse pro vyhledávání řádků.

Rychle najít

Dataverse zahrnuje schopnost rychle najít řádky a umí prohledávat pouze jeden typ tabulky, například zákazníka, nebo prohledává více typů tabulek najednou, například kontakty, uživatele, zákazníky atd.

Rychlé hledání v jedné tabulce se používá k vyhledání řádků jednoho typu. Tato možnost vyhledávání je dostupná v některém zobrazení.

Rychlé hledání ve více tabulkách (kategorizované vyhledávání) se také používá k vyhledání řádků, ale v různých typech tabulek, jako jsou účty nebo kontakty.

Data Lake

Dataverse podporuje nepřetržitou replikaci dat tabulek do úložiště Azure Data Lake Storage, které pak může být použito ke spuštění analýzy, jako je vykazování Power BI, strojové učení, datové sklady a další následné integrační procesy.

Tato funkce je určena pro analýzu podnikových velkých dat. Je nákladově efektivní, škálovatelná, má vysokou dostupnost a možnosti obnovy po havárii a umožňuje nejlepší analytický výkon ve své třídě.

Data jsou uložena ve formátu Common Data Model, který poskytuje sémantickou konzistenci napříč aplikacemi a nasazeními. Standardizovaná metadata a data popisující sama sebe v Common Data Model usnadňují zjišťování metadat a vzájemnou spolupráci mezi tvůrci a příjemci dat, například Power BI, Data Factory, Azure Databricks a Azure Machine Learning.

Viz také

Import a export dat

Poznámka

Můžete nám sdělit, jaké máte jazykové preference pro dokumentaci? Zúčastněte se krátkého průzkumu. (upozorňujeme, že tento průzkum je v angličtině)

Průzkum bude trvat asi sedm minut. Nejsou shromažďovány žádné osobní údaje (prohlášení o zásadách ochrany osobních údajů).