Hoofdgegevensbeheer met Profisee en Azure Data Factory

Data Factory
Databricks
Data Lake

Azure wordt gebruikt als de kern van veel programma's voor digitale transformatie, maar is afhankelijk van de kwaliteit en consistentie van gegevens uit meerdere bronnen, zoals zakelijke toepassingen, databases, gegevensfeeds, en levert waarde via business intelligence, analyses, machine learning en meer. De MDM-oplossing (Master Gegevensbeheer) van Profisee voltooit de Azure-gegevens estate met een praktische methode voor het 'uitlijnen en combineren' van gegevens uit meerdere bronnen door consistente gegevensstandaarden af te afdwingen voor brongegevens (match, merge, standardize, verify, correct). Systeemeigen integratie met Azure Data Factory en andere Azure-Data Services stroomlijnt dit proces verder om de zakelijke voordelen van Delivery Azure te versnellen.

Een belangrijk aspect van de werking van MDM-oplossingen is dat ze gegevens uit meerdere bronnen combineren om een 'golden record master' te maken die de best bekende en vertrouwde gegevens voor elke record bevat. Deze structuur is domein-voor-domein gebouwd op basis van vereisten, maar er zijn bijna altijd meerdere domeinen vereist. Algemene domeinen zijn klant, product en locatie, maar domeinen kunnen alles vertegenwoordigen, van referentiegegevens tot contracten en namen van geneesmiddelen. Over het algemeen is de betere domeindekking die kan worden opgebouwd ten opzichte van de algemene Azure-gegevensvereisten, hoe beter.

Dit architectuurpatroon laat zien hoe MDM kan worden opgenomen in het Azure-ecosysteem voor gegevensservices om de kwaliteit te verbeteren van gegevens die worden gebruikt voor analyse en operationele besluitvorming. MDM lost enkele veelvoorkomende uitdagingen op, waaronder het identificeren en beheren van dubbele gegevens (overeenkomen en samenvoegen), het markeren en oplossen van problemen met de kwaliteit van gegevens, het standaardiseren en verrijken van gegevens, en de mogelijkheid voor gegevensbeheerders om de gegevens proactief te beheren en te verbeteren. Dit patroon biedt een moderne benadering van MDM, met alle technologieën die in Azure kunnen worden geïmplementeerd, inclusief Profisee, dat kan worden geïmplementeerd via containers en kan worden Azure Kubernetes Service.

Architectuur

Afbeelding van de MDM-gegevensstroom Profisee.

Gegevensstroom

  1. Brongegevens laden: Brongegevens van zakelijke toepassingen worden gekopieerd naar Azure Data Lake, waar ze in eerste instantie worden opgeslagen voor verdere transformatie en gebruik in downstreamanalyses. Brongegevens kunnen doorgaans worden geclassificeerd in een van de drie categorieën:

    • Gestructureerde hoofdgegevens: de informatie die klanten, producten, locaties, en meer beschrijft. Hoofdgegevens hebben een laag volume, hoge complexiteit en veranderen langzaam in de tijd. Vaak zijn dat de gegevens die organisaties het lastigst vinden met de kwaliteit van de gegevens.
    • Gestructureerde transactionele gegevens: zakelijke gebeurtenissen die plaatsvinden op een bepaald tijdstip, zoals een order, factuur of interactie. Transacties omvatten de metrische gegevens voor die transactie (bijvoorbeeld verkoopprijs) en verwijzingen naar hoofdgegevens (bijvoorbeeld het product en de klant die betrokken zijn bij een aankoop). Transactionele gegevens zijn doorgaans hoog volume, lage complexiteit en statisch (verandert niet in de tijd).
    • Ongestructureerde gegevens: dit kunnen documenten, afbeeldingen, video's, inhoud van sociale media, audio, en meer zijn. Moderne analyseplatforms kunnen in toenemende mate ongestructureerde gegevens gebruiken om nieuwe inzichten te verzamelen die voorheen niet beschikbaar waren. Ongestructureerde gegevens worden vaak gekoppeld aan hoofdgegevens, zoals de klant die is gekoppeld aan een social media-account of het product dat is gekoppeld aan een afbeelding.
  2. Gegevens laden van bronmaster: Hoofdgegevens van zakelijke brontoepassingen worden in de MDM-toepassing geladen. Brongegevens moeten 'zoals ze zijn' worden geladen, met volledige herkomstgegevens en minimale transformaties.

  3. Geautomatiseerde MDM-verwerking: De MDM-oplossing maakt gebruik van geautomatiseerde processen voor het standaardiseren, verifiëren en verrijken van gegevens (of bijvoorbeeld het verifiëren en standaardiseren van adresgegevens), het identificeren van problemen met de gegevenskwaliteit, het groeperen van dubbele records (of bijvoorbeeld dubbele klanten) en het genereren van hoofdrecords (ook wel golden records genoemd).

  4. Gegevensbeheer: Indien nodig kunnen gegevensbeheerders groepen overeenkomende records controleren en beheren, gegevensrelaties maken/beheren, ontbrekende gegevens invullen en problemen met de kwaliteit van gegevens oplossen. Meerdere alternatieve hiërarchische roll-ups kunnen worden beheerd zoals vereist (bijvoorbeeld producthiërarchieën).

  5. Laden van beheerde hoofdgegevens: Hoofdgegevens van hoge kwaliteit stromen naar downstream analytics-oplossingen. Dit proces wordt opnieuw vereenvoudigd omdat voor gegevensintegraties geen transformaties van gegevenskwaliteit meer nodig zijn.

  6. Transactionele en ongestructureerde gegevens laden: Transactionele en ongestructureerde gegevens worden geladen in de downstream analytics-oplossing, waar deze worden gecombineerd met hoofdgegevens van hoge kwaliteit.

  7. Visualisatie en analyse: Gegevens worden gemodelleerd en beschikbaar gesteld aan zakelijke gebruikers voor analyse. Hoofdgegevens van hoge kwaliteit elimineren veelvoorkomende problemen met gegevenskwaliteit en er worden verbeterde inzichten verkregen.

Onderdelen

  • Azure Data Factory is een hybride gegevensintegratieservice waarmee u uw ETL-/ELT-werkstromen kunt maken, plannen en ins delen.

  • Azure Data Lake biedt onbeperkte opslag voor analysegegevens.

  • Profisee is een schaalbaar MDM-platform dat is ontworpen om eenvoudig te integreren met het Microsoft-ecosysteem.

  • Azure Synapse Analytics is het snelle, flexibele en vertrouwde clouddatawarehouse waarmee u elastisch en onafhankelijk kunt schalen, berekenen en opslaan, met een massively parallel verwerkingsarchitectuur.

  • Power BI is een suite met hulpprogramma's voor bedrijfsanalyse die inzichten bieden in uw organisatie. Verbinding maken honderden gegevensbronnen, vereenvoudigen gegevensvoorbereiding en voeren een geïmproviseerde analyse uit. Maak prachtige rapporten en publiceer deze vervolgens voor uw organisatie om te gebruiken op internet en op mobiele apparaten.

Alternatieven

Ontbrekende een speciaal gebouwde MDMapplication, kunnen enkele van de technische mogelijkheden die nodig zijn voor het bouwen van een MDM-oplossing worden gevonden binnen het Azure-ecosysteem.

  • Gegevenskwaliteit: bij het laden naar een analyseplatform kan gegevenskwaliteit worden ingebouwd in integratieprocessen. Het toepassen van transformaties van gegevenskwaliteit in een Azure Data Factory pijplijn kan bijvoorbeeld worden bereikt met hardcoded scripts.
  • Standaardisatie en verrijking van gegevens: Azure Kaarten is beschikbaar voor het verifiëren en standaardiseren van adresgegevens. Deze kunnen worden gebruikt in Azure Functions en/of Azure Data Factory. Voor het standaardiseren van andere gegevens is mogelijk de ontwikkeling van hardcoded scripts vereist.
  • Dubbel gegevensbeheer: Azure Data Factory kunnen worden gebruikt voor het ontdubbelen van rijen waarbij er voldoende id's beschikbaar zijn voor een exacte overeenkomst. In dit geval is voor de logica voor het samenvoegen die is afgestemd op de juiste samenwerking waarschijnlijk aangepaste, in code gecodeerde scripts vereist.
  • Gegevensverificatie: Power Apps kunnen worden gebruikt om snel eenvoudige gegevensplatformoplossingen te ontwikkelen voor het beheren van gegevens in Azure, samen met de juiste gebruikersinterfaces voor controle, werkstroom, waarschuwingen en validaties.

MDM-integratiepijplijn

Afbeelding van de MDM Profisee-integratiepijplijn.

In de voorgaande afbeelding ziet u de details voor integratie met de MDM-oplossing Profisee. Belangrijk om te weten is dat Azure Data Factory En Profisee systeemeigen ONDERSTEUNING voor REST-integratie bevatten, waardoor een lichtgewicht en moderne integratie mogelijk is.

  1. Brongegevens laden in MDM: Azure Data Factory wordt gebruikt om gegevens uit de data lake te extraheren, deze te transformeren naar het hoofdgegevensmodel en deze via een REST-sink naar de MDM-opslagplaats te streamen.

  2. MDM-verwerking: Het MDM-platform verwerkt bronmastergegevens via een reeks activiteiten om de gegevens te controleren, standaardiseren en verrijken, en om processen van gegevenskwaliteit uit te voeren. Ten slotte worden matching enship uitgevoerd om dubbele records te identificeren en te groeperen en masterrecords te maken. Gegevensbeheerders kunnen optioneel problemen zijn bij het uitvoeren van gegevenstaken. Het resultaat is een set hoofdgegevens voor gebruik in downstreamanalyses.

  3. Hoofdgegevens laden voor analyse: Azure Data Factory gebruikt de REST-bron om hoofdgegevens te streamen van Profisee naar Azure Synapse Analytics.

Azure Data Factory voor Profisee

In samenwerking met Microsoft heeft Profisee een set Azure Data Factory-sjablonen ontwikkeld die het sneller en eenvoudiger maken om Profisee te integreren in het Azure Data Services-ecosysteem. Deze sjablonen maken gebruik van Azure Data Factories REST-gegevensbron en gegevenss sink om gegevens uit de REST Gateway-API van Profisee te lezen en schrijven. Er zijn sjablonen beschikbaar voor zowel lezen van als schrijven naar Profisee.

Schermopname van MDM Profisee en de Azure Data Factory sjabloon.

Voorbeeld Data Factory sjabloon: JSON naar Profisee via REST

In de volgende schermafbeeldingen ziet u Azure Data Factory sjabloon die gegevens kopieert van een JSON-bestand in een Azure Data Lake naar Profisee via REST.

De bron-JSON-gegevens worden gekopieerd:

Schermopname van de JSON-brongegevens.

Vervolgens worden gegevens gesynchroniseerd met Profisee via REST:

Schermopname van REST-synchronisatie met Profisee.

Zie sjablonen voor Profisee Azure Data Factory meer informatie.

MDM-verwerking

In een analytische MDM-use-case worden gegevens vaak op geautomatiseerde basis via de MDM-oplossing verwerkt als onderdeel van het bredere integratieproces voor het laden van gegevens voor analyse. Hieronder ziet u een typisch proces voor klantgegevens in deze context.

1. Brongegevens laden

Brongegevens worden vanuit bronsystemen in de MDM-oplossing geladen, inclusief herkomstgegevens. In dit geval hebben we twee bronrecords, één van CRM en één van de ERP-toepassing, die bij visuele inspectie beide dezelfde persoon lijken te vertegenwoordigen.

Bronnaam Bronadres Brontoestand Broncode Telefoon Bron-id Standaardadres Standaardtoestand Standaardnaam Standaard Telefoon Gelijkenis
Alana Bosh 123 Main Street Algemene beschikbaarheid 7708434125 CRM-100
Alt, Alana 123 Main St Georgië 404-854-7736 CRM-121
Alana Keer (404) 854-7736 ERP-988

2. Gegevensverificatie en -standaardisatie

Verificatie- en standaardisatieregels en -services worden gebruikt om adres-, naam- en telefoonnummergegevens te standaardiseren en te verifiëren.

Bronnaam Bronadres Brontoestand Broncode Telefoon Bron-id Standaardadres Standaardtoestand Standaardnaam Standaard Telefoon Gelijkenis
Alana Bosh 123 Main Street Algemene beschikbaarheid 7708434125 CRM-100 123 Main St Algemene beschikbaarheid Alana Bosh 770 843 4125
Alt, Alana 123 Main St Georgië 404-854-7736 CRM-121 123 Main St Algemene beschikbaarheid Alana Keer 404 854 7736
Alana Keer (404) 854-7736 ERP-988 Alana Keer 404 854 7736

3. Overeenkomend

Als gegevens zijn gestandaardiseerd, wordt er een overeenkomst uitgevoerd om de overeenkomsten tussen records in de groep te identificeren. In dit scenario komen twee records exact overeen op naam en Telefoon en de andere fuzzy overeenkomsten in Naam en Adres.

Bronnaam Bronadres Brontoestand Broncode Telefoon Bron-id Standaardadres Standaardtoestand Standaardnaam Standaard Telefoon Gelijkenis
Alana Bosh 123 Main Street Algemene beschikbaarheid 7708434125 CRM-100 123 Main St Algemene beschikbaarheid Alana Bosh 770 843 4125 .9
Alt, Alana 123 Main St Georgië 404-854-7736 CRM-121 123 Main St Algemene beschikbaarheid Alana Keer 404 854 7736 1.0
Alana Keer (404) 854-7736 ERP-988 Alana Keer 404 854 7736 1.0

4.Ship

Als er een groep is gevormd, maakt en vult het een masterrecord (ook wel een 'golden record' genoemd) om de groep te vertegenwoordigen.

Bronnaam Bronadres Brontoestand Broncode Telefoon Bron-id Standaardadres Standaardtoestand Standaardnaam Standaard Telefoon Gelijkenis
Alana Bosh 123 Main Street Algemene beschikbaarheid 7708434125 CRM-100 123 Main St Algemene beschikbaarheid Alana Bosh 770 843 4125 .9
Ken, Alana 123 Main St Georgië 404-854-7736 CRM-121 123 Main St Algemene beschikbaarheid Alana Laten 404 854 7736 1.0
Alana Laten (404) 854-7736 ERP-988 Alana Laten 404 854 7736 1.0
Hoofdrecord: 123 Main St Algemene beschikbaarheid Alana Laten 404 854 7736

Deze masterrecord kan, samen met verbeterde brongegevens en herkomstgegevens, worden geladen in de downstream-analyseoplossing, waar deze kan worden gekoppeld aan transactionele gegevens.

In dit voorbeeld ziet u eenvoudige geautomatiseerde MDM-verwerking. Regels voor gegevenskwaliteit kunnen ook worden gebruikt om automatisch waarden te berekenen/bij te werken en ontbrekende of ongeldige waarden te markeren om gegevens op te lossen. Gegevensbeheerders kunnen ook de gegevens beheren, waaronder het beheren van hiërarchische gegevens rollups.

De impact van MDM op de complexiteit van de integratie

Zoals hierboven wordt geïllustreerd, biedt MDM een antwoord op verschillende veelvoorkomende uitdagingen bij het integreren van gegevens in een analyseoplossing. Het omvat het corrigeren van problemen met de kwaliteit van gegevens, het standaardiseren/verrijken van gegevens en het rationaliseren van dubbele gegevens. Door MDM in uw analysearchitectuur op te nemen, wordt de gegevensstroom fundamenteel gewijzigd doordat hardcoded logica voor het integratieproces wordt verwijderd en ge-offload naar de MDM-oplossing, waardoor integraties aanzienlijk worden vereenvoudigd. In de onderstaande tabel worden enkele veelvoorkomende verschillen in het integratieproces met en zonder MDM beschreven.

Mogelijkheid Zonder MDM Met MDM
Gegevenskwaliteit Regels en transformaties voor gegevenskwaliteit worden in code in integratieprocessen gecodeerd om gegevens op te lossen en te corrigeren wanneer deze worden verplaatst. Hiervoor zijn technische resources vereist voor zowel de eerste implementatie als het voortdurende onderhoud van deze regels, waardoor processen voor gegevensintegratie ingewikkeld en duur zijn om te ontwikkelen en te onderhouden. Logica en regels voor gegevenskwaliteit worden geconfigureerd en afgedwongen door de MDM-oplossing. Integratieprocessen voeren geen transformaties voor gegevenskwaliteit uit, maar verplaatsen de gegevens 'as-is' naar de MDM-oplossing. Processen voor gegevensintegratie zijn eenvoudig en betaalbaar om te ontwikkelen en te onderhouden.
Gegevensstandaardisering en verrijking Logica voor het standaardiseren en uitlijnen van referentie- en hoofdgegevens zijn in code in integratieprocessen gecodeerd. Integraties moeten worden ontwikkeld met services van derden om standaardisering van adres-, naam-, e-mail- en telefoongegevens uit te voeren. Met behulp van ingebouwde regels en standaardintegraties met gegevensservices van derden kunnen gegevens worden gestandaardiseerd in de MDM-oplossing, wat de integratieprocessen vereenvoudigt.
Gegevensbeheer dupliceren Dubbele records die binnen en tussen toepassingen bestaan, worden geïdentificeerd en gegroepeerd op basis van bestaande unieke id's. Hiervoor moeten id's worden gedeeld tussen systemen (bijvoorbeeld SSN of e-mail), en deze kunnen alleen worden gematcht en gegroepeerd wanneer ze identiek zijn. Voor geavanceerdere benaderingen zijn aanzienlijke investeringen in integratie-engineering vereist. Ingebouwde machine learning overeenkomende mogelijkheden identificeren dubbele records binnen en tussen systemen, waardoor een golden record wordt gegenereerd om de groep weer te geven. Hierdoor kunnen records 'fuzzy matched' zijn, records groeperen die vergelijkbaar zijn, met uitlegbare resultaten. Groepen kunnen worden beheerd in scenario's waarin de ML-engine geen groep met hoge betrouwbaarheid kan vormen.
Dataship Activiteiten op het gebied van gegevensbescherming zijn beperkt tot het bijwerken van gegevens in de brontoepassingen (bijvoorbeeld ERP of CRM). Normaal gesproken worden er problemen ontdekt bij het uitvoeren van analyses, zoals ontbrekende, onvolledige of onjuiste gegevens. De problemen worden opgelost in de brontoepassing en worden vervolgens bijgewerkt in de analyseoplossing tijdens de volgende update. Nieuwe informatie die u moet beheren, moet worden toegevoegd aan brontoepassingen, wat tijd kan kosten en kostbaar kan zijn. MDM-oplossingen hebben ingebouwde mogelijkheden voor gegevensverdedelijking, waardoor gebruikers toegang hebben tot gegevens en deze kunnen beheren. In het ideale moment is het systeem geconfigureerd om problemen te markeren en gegevensprompts te vragen deze te corrigeren. Nieuwe informatie of hiërarchieën kunnen snel worden geconfigureerd in de oplossing, zodat ze kunnen worden beheerd door gegevensbeheerders.

MDM-gebruiksgevallen

Hoewel er talloze gebruiksgevallen voor MDM zijn, zijn er een klein aantal gebruiksgevallen die betrekking hebben op de meeste echte MDM-implementaties. Hoewel deze gebruiksgevallen zijn gericht op één domein, is het onwaarschijnlijk dat ze alleen uit dat domein worden gebouwd. Met andere woorden, zelfs deze gerichte gebruiksgevallen bevatten waarschijnlijk meerdere hoofdgegevensdomeinen.

Klantbeeld van 360 graden

Het consolideren van klantgegevens voor analyse is de meest voorkomende MDM-use-case. Organisaties leggen klantgegevens vast voor een toenemend aantal toepassingen en maken dubbele klantgegevens binnen en tussen toepassingen met inconsistenties en discrepanties. Deze gegevens van slechte kwaliteit maken het moeilijk om de waarde van moderne analyseoplossingen te realiseren vanwege klantgegevens van slechte kwaliteit. Symptomen zijn onder andere de volgende uitdagingen:

  • Het is moeilijk om eenvoudige zakelijke vragen te beantwoorden, zoals 'Wie zijn onze belangrijkste klanten' en 'Hoeveel nieuwe klanten hebben we? Waarvoor aanzienlijke handmatige inspanningen nodig zijn.

  • Ontbrekende en onnauwkeurige klantgegevens, waardoor het lastig is om gegevens te verzamelen of in te zoomen.

  • Het is niet mogelijk om klantgegevens te analyseren in systemen of bedrijfseenheden omdat een klant niet uniek kan worden identificeren buiten de grenzen van de organisatie en het systeem.

  • Inzichten van slechte kwaliteit van AI en machine learning als gevolg van invoergegevens van slechte kwaliteit.

Product 360

Productgegevens worden vaak verdeeld over meerdere bedrijfstoepassingen, zoals ERP, PLM of e-commerce. Het resultaat is een uitdaging om inzicht te krijgen in de totale catalogus met producten met inconsistente definities voor eigenschappen, zoals de naam, beschrijving en kenmerken van het product. Dit wordt gecompliceerd door verschillende definities van referentiegegevens. Symptomen zijn onder andere de volgende uitdagingen:

  • Het is niet mogelijk om verschillende alternatieve hiërarchische paden voor het verzamelen en inzoomen voor productanalyses te ondersteunen.

  • Of het nu gaat om voltooide goederen of materiaalinventarisatie, problemen met het begrijpen van de producten die u bij de hand hebt, de leveranciers van uw producten die worden gekocht en dubbele producten, wat leidt tot overtollige voorraad.

  • Het is moeilijk om producten te rationaliseren vanwege conflicterende definities, wat leidt tot ontbrekende of onnauwkeurige informatie in analyses.

Referentiegegevens 360

In de context van analyse bestaan referentiegegevens als talloze lijsten met gegevens die vaak worden gebruikt om andere sets hoofdgegevens verder te beschrijven. Bijvoorbeeld lijsten met landen, valuta's, kleuren, grootten en maateenheden. Inconsistente referentiegegevens leiden tot duidelijke fouten in downstreamanalyses. Symptomen zijn onder andere:

  • Meerdere weergaven van hetzelfde. Bijvoorbeeld de status Status als 'GA' en 'Cumulatief', waardoor het moeilijk is om gegevens consistent te aggregeren en in te zoomen.

  • Problemen met het samenvoegen van gegevens uit verschillende toepassingen vanwege het onvermogen om de referentiegegevenswaarden tussen systemen te kruiselen. De kleur rood wordt bijvoorbeeld weergegeven door 'R' in het ERP-systeem en 'Rood' in het PLM-systeem.

  • Het is moeilijk om getallen te binden tussen organisaties vanwege verschillen in overeengekomen referentiegegevenswaarden voor het categoriseren van gegevens.

Finance 360

Financiële organisaties zijn sterk afhankelijk van gegevens voor kritieke activiteiten, zoals maandelijkse, driemaandelijkse en jaarlijkse rapportage. Organisaties met meerdere financiële en accountingsystemen hebben vaak financiële gegevens in meerdere algemene grootboeken, die moeten worden geconsolideerd om financiële rapporten te produceren. MDM kan een centrale plaats bieden voor het in kaart brengen en beheren van accounts, kostenplaatsen, bedrijfsentiteiten en andere financiële gegevenssets in een geconsolideerde weergave. Symptomen zijn onder andere de volgende uitdagingen:

  • Problemen bij het samenvoegen van financiële gegevens over meerdere systemen in een geconsolideerde weergave

  • Geen proces voor het toevoegen en toewijzen van nieuwe gegevenselementen in de financiële systemen

  • Vertragingen bij het produceren van financiële rapporten voor het einde van de periode

Overwegingen

Beschikbaarheid

Profisee wordt standaard uitgevoerd op Azure Kubernetes Service en Azure SQL Database. Beide services bieden out-of-the-box-mogelijkheden om hoge beschikbaarheid te ondersteunen.

Schaalbaarheid

Profisee wordt standaard uitgevoerd op Azure Kubernetes Service en Azure SQL Database. Azure Kubernetes Service kunnen worden geconfigureerd om Profisee omhoog en uit te schalen, afhankelijk van de behoefte. Azure SQL Database kunnen in talloze configuraties worden geïmplementeerd om de prestaties, schaalbaarheid en kosten in balans te brengen.

Beveiliging

Profisee verifieert gebruikers met behulp van OpenID Verbinding maken, waarmee een OAuth 2.0-verificatiestroom wordt geïmplementeerd. De meeste organisaties configureren Profisee om gebruikers te verifiëren Azure Active Directory, zodat het bedrijfsbeleid voor verificatie kan worden toegepast en afgedwongen.

Het scenario implementeren

Dit scenario implementeren:

  1. Implementeer Profisee in Azure met behulp van een ARM-sjabloon.
  2. Maak een Azure Data Factory.
  3. Configureer uw Azure Data Factory verbinding te maken met een Git-opslagplaats.
  4. Voeg de sjablonen van Profisee Azure Data Factory toe.
  5. Maak een nieuwe pijplijn met behulp van een sjabloon.

Prijzen

Lopende kosten bestaan uit een softwarelicentie en Azure-verbruik. Neem contact op met Profisee op voor meer https://profisee.com/contact/ informatie.

Volgende stappen

Inzicht in de mogelijkheden van de REST Copy Connector in Azure Data Factory.

Meer informatie over Het uitvoeren van Profisee in Azure.

Meer informatie over het implementeren van Profisee in Azure met behulp van een ARM-sjabloon.

Bekijk de sjablonen Azure Data Factory Profisee.

Architectuurhandleidingen

Referentie-archtecturen