Utiliser des données

Microsoft Dataverse fournit une abstraction qui permet de travailler avec tout type de données, y compris relationnelles, non relationnelles, d’image, de fichier, de recherche relative ou de lac de données. Il n’est pas nécessaire de comprendre le type de données car Dataverse expose un ensemble de types de données qui vous permet 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 flux de données, Power Query et Azure Data Factory. Les clients Dynamics peuvent également utiliser le service d’exportation de données.

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

Common Data Model

Si vous avez déjà eu à rassembler des données de plusieurs systèmes et applications, vous savez quelle tâche coûteuse et longue cela peut être. Sans partage et compréhension facile des données, chaque application (ou projet d’intégration de données) nécessite une implémentation personnalisée.

Common Data Model fournit une architecture de référence destinée à rationaliser ce processus en fournissant un langage de données partagé pour les applications commerciales et analytiques. Le système de métadonnées Common Data Model permet de partager les données et leur signification entre plusieurs applications et processus d'entreprise comme Power Apps, Power BI, Dynamics 365 et Azure.

Common Data Model comprend un ensemble de schémas de données extensibles normalisés que Microsoft et ses partenaires ont publiés. Cette collection de schémas prédéfinis comprend 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 résultantes seront alors compatibles avec les applications et les analyses qui ciblent cette définition de Common Data Model.

L’image suivante montre certains éléments des tables standard du modèle de données commun. 

Tables

Dans Dataverse, les tables sont utilisées pour modéliser et gérer les données métier. Pour augmenter la productivité, Dataverse comprend un ensemble de tables appelées tables standard. Celles-ci sont conçues, conformément aux meilleures pratiques, pour capturer les concepts et les scénarios les plus courants au sein d’une organisation. Les tables standard adhèrent à Common Data Model.

Un ensemble de tables couramment utilisées dans tous les secteurs, tels que Utilisateur et Équipe, sont inclus dans Dataverse et appelés tables standard. Ces tables prêtes à l’emploi peuvent également être personnalisées, par exemple en incluant des colonnes supplémentaires. De plus, vous pouvez facilement créer vos propres tables personnalisées dans Dataverse.

Colonnes

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

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

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

Pour 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 relation entre les lignes dans le modèle Dataverse.

Dataverse fournit des concepteurs visuels faciles à utiliser pour définir les différents types de relations d’une table à une autre (ou entre une table et elle-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 relations sont les suivants :

• Plusieurs 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’élèves a une seule classe.

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

Les relations Plusieurs-à-un étant les plus courantes, Dataverse fournit un type de données spécifique nommé rechercher qui permet non seulement de définir facilement cette relation, mais qui augmente la productivité lors de la création de formulaires et d’applications.

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

Les organisations doivent souvent être conformes à différentes réglementations pour garantir la disponibilité de l’historique des interactions avec les clients, des journaux d’audit, des rapports d’accès, et des rapports de suivi d’incident de sécurité. Les organisations peuvent suivre les modifications apportées aux données de Dataverse à des fins de sécurité et d’analyse.

Dataverse prend en charge une fonctionnalité d’audit où les modifications apportées aux tables et données d’attribut dans une organisation peuvent être alignées au fil du temps pour les utiliser à des fins d’analyse et de création de rapport. L’audit est pris en charge sur toutes les entités personnalisées et la plupart des tables et attributs personnalisables. L’audit n’est pas pris en charge pour la modification des métadonnées, les opérations de récupération, les opérations d’exportation ou lors de l’authentification. Pour plus d’informations sur la configuration de l’audit, consultez Gérer l’audit Dataverse.

Dataverse prend en charge l’analyse en offrant la possibilité de choisir des tables pour les modèles Machine Learning à exécuter. Il dispose d’une capacité IA préintégrée via AI Builder.

Recherche

Dataverse propose trois façons d’interroger les lignes :

• Recherche Dataverse

• Recherche rapide (sur une seule ou plusieurs tables)

• Recherche avancée

Notes

La Recherche rapide sur plusieurs tables est également appelée Recherche par catégorie.

Pour plus d’informations, voir Comparaison de recherches.

Recherche Dataverse

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

La Recherche Dataverse apporte les améliorations et les avantages suivants :

• Elle est plus performante grâce à l’utilisation de l’indexation externe et de la technologie de recherche Azure.

• Elle recherche les correspondances avec n’importe quel mot du terme de recherche dans n’importe quelle colonne de la table, alors que la recherche rapide doit trouver tous les mots du terme de recherche dans une seule et même colonne.

• Elle recherche les correspondances qui incluent des mots flexionnels (par exemple,  diffuser,  diffusion ou  diffusé).

• Elle retourne les résultats trouvés dans toutes les tables où la recherche est possible sous forme de liste unique triée par pertinence, sachant que les meilleures correspondances sont affichées en haut de la liste. Une correspondance a une pertinence plus élevée si plusieurs mots du critère de recherche se trouvent à proximité les uns des autres. Plus le volume de texte dans lequel se trouvent les mots recherchés est court, plus la pertinence est élevée. Par exemple, si vous trouvez les mots recherchés dans le nom et l’adresse d’une société, la correspondance sera probablement meilleure que si vous trouvez les mêmes mots dans un long article, éloignés les uns des autres.

• Elle met en surbrillance les correspondances dans la liste des résultats. Quand un terme de recherche correspond à un terme dans une ligne, le terme est mis en gras et en italique dans vos résultats de recherche.

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

Recherche rapide

Dataverse inclut la possibilité de trouver rapidement des lignes et propose des approches qui rechercheront un seul type de table, tel que client, ou seront utilisées pour rechercher dans plusieurs types de tables en même temps, tels que les contacts, les utilisateurs, les clients, etc..

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

La Recherche rapide de plusieurs tables (recherche par catégorie) est également utilisée pour rechercher des lignes, mais les trouvera dans différents types de tables, tels que des comptes ou des 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 les analyses de Big Data d’entreprise. Elle est rentable, évolutive, offre une haute disponibilité et de capacités de reprise après sinistre, et permet des performances analytiques de pointe.

Les données sont stockées au format Common Data Model, qui offre une cohérence sémantique entre les applications et les déploiements. Les métadonnées normalisées et les données autodescriptives de Common Data Model facilitent la découverte des métadonnées et l’interopérabilité entre les producteurs et les consommateurs de données, comme Power BI, Data Factory, Azure Databricks et Azure Machine Learning.

Voir aussi

Importation et exportation de données

Notes

Pouvez-vous nous indiquer vos préférences de langue pour la documentation ? Répondez à un court questionnaire. (veuillez noter que ce questionnaire est en anglais)

Le questionnaire vous prendra environ sept minutes. Aucune donnée personnelle n’est collectée (déclaration de confidentialité).