Integrer Dataverse med virksomhedsdata i Microsoft Fabric ved hjælp af en medaljonsarkitektur

Denne referencearkitektur viser, hvordan du integrerer Dataverse med virksomhedsdata i Microsoft Fabric til at oprette en styret analyseplatform ved hjælp af en medaljonstilgang. En medaljonsarkitektur organiserer data i bronze-, sølv- og guldlag, så teams kan bevare rå kildedata, oprette datasæt, der kan genbruges, og publicere udvalgte modeller, der er optimeret til analyse- og AI-oplevelser. Få mere at vide om principperne for en medaljonsarkitektur i Hvad er medallion lakehouse-arkitekturen?

Arkitekturdiagram

På et højt niveau adskiller arkitekturen ansvar for indtagelse, transformation, styring og forbrug, så hvert lag kan skaleres uafhængigt af hinanden. Du spejler Dataverse-data i OneLake via Link til Fabric, henter ikke-dataverse-kilder via Fabric pipelines og publicerer udvalgte dataprodukter via regulerede guldlagsmodeller til virksomhedsforbrug.

Diagrammet viser identitets- og adgangskontrolelementer på tværs af arkitekturen. Data kommer ind via Dataverse-spejling eller ekstern indtagelse og bevæger sig gennem bronze-, sølv- og guldlag. Power BI, Copilot, dataagenter og driftsrapportering bruger dataene.

Behandl styring som et tværgående problem i stedet for en enkelt arkitekturkomponent. Identitet, rollebaseret adgangskontrol (RBAC), afstamning, udrulningspipelines og certificerede semantiske modeller arbejder sammen om at styre adgang, administrere ændringer og bevare tillid på tværs af datalivscyklussen.

Workflow

Arbejdsprocessen følger datalivscyklussen fra sikker adgang og indtagelse via transformation, styrede udformnings-, forbrugs- og udrulningshandlinger.

Identitet og sikkerhed

Konfigurer først identitets- og adgangskontrolelementer, så hver downstream-Fabric artefakt arver en styret sikkerhedsmodel.

• Brug enkeltlogon med JumpCloud som identitetsudbyder integreret med Microsoft Entra ID for at få adgang til Power Platform, Fabric og forbrugsværktøjer.

• Anvend rollebaseret adgangskontrol (RBAC) på arbejdsområdet, elementet (Lakehouse, Warehouse, Eventhouse, Semantic Model), objekt (tabel, visning, fil) og række- og kolonneniveauer (RLS, CLS).

• Juster sikkerhedsgrupper efter personaer: udviklere af teknisk, BI (Business Intelligence), datateknikere, forretningsanalytikere og appudviklere.

Indtagelse: Bronzeniveau

Bronze bruger to indtagelsesbaner: administreret Dataverse-spejling via Link til Fabric og pipelinedrevet indtagelse for ikke-Dataverse-kilder.

• Linked Dataverse Lakehouse (Bronze): Klargjort og fuldt administreret via Link til Fabric. Spejler Dataverse-tabeller i OneLake med inkrementelle opdateringer og i Parquet-/Delta-format og fungerer som det autoritative, rå input fra registreringssystemet for Dataverse-domæner.

• Enterprise data warehouse (EDW) Lakehouse (Bronze – ikke-Dataverse-kilder): Henter data fra eksterne systemer, f.eks. filer, API'er og fremtidige kildeprogrammer. Fabric datapipelines understøtter batch- og ELT-orkestrering (udtrækning, indlæsning, transformering), mens Dataflow Gen2 understøtter indtagelse uden kode og lav kode, hvor det er relevant.

Transformation og overensstemmelse: Sølvniveau

Anvend transformationslogik ved hjælp af den rette Fabric arbejdsbelastning for hver opgave:

• Pipelines til orkestrering, afhængighedsstyring og planlægning.
• Dataflow Gen2 til enhedsformning med lav kode, afkodning af grupperet indstilling og letvægtsoverensstemmelse.
• Notebooks (Spark/Python) til skalerbare joins, historisering (SCD) og avanceret data engineering.

Sølv (i overensstemmelse): Normaliser Dataverse-enheder (f.eks. Konto, Kontakt, Salgsmulighed, Aktiviteter). Fladgør objekter. Materialiser opslag. Knyt grupperede indstillinger til læsbare etiketter. Juster identifikatorer på tværs af systemer. Standardiser ikke-dataversekilder til almindelige dimensioner og overensstemmende nøgler.

Organiseret modellering: Guldniveau

Guld (stjerneskema): Udvalgte fakta- og dimensionsmodeller, der er justeret efter forretningsdomæner (f.eks. Salg, Pipeline, Kunde 360, Service). Ydeevneorienteret design omfatter surrogatnøgler, datodimensioner, degenererede dimensioner, hvor det er nødvendigt, og trinvise strategier eller partitionsstrategier. Diagrammet viser guldlaget som et lakehouse, fordi omkostningseffektivitet er et primært designmål. Du kan også bruge et lager, når arbejdsbelastningen kræver stærkere relationsmodellering, SQL-first-udvikling eller lagerspecifikke funktioner til ydeevne og styring.

Når du har organiseret gulddataprodukter, leverer semantiske modeller det styrede forretningslag, der bruges af rapportering, Copilot og dataagenter.

Semantiske modeller og forbrug

• Byg semantiske modeller på guld, certificer dem, og styr dem for at betjene Power BI, Copilot oplevelser og dataagenter.

• Brug Linked Dataverse Lakehouse til driftsrapportering med minimal formning. Brug sølv eller guld til virksomhedsindhold for at understøtte ensartethed og skalering.

DevOps og livscyklus

Livscyklusstyring ombryder arbejdsprocessen, så artefakter flyttes konsekvent fra udvikling til produktion med kildekontrol, validering og miljøspecifik konfiguration.

• Integrer Git Source Control (Azure DevOps) med udviklingsarbejdsområdet til versionering og peer review.

• Brug Fabric udrulningspipelines til at automatisere hævning fra udvikling til test til produktion med miljøspecifikke variabler, datakilderegler og valideringsporte.

• Tildel klart ejerskab af artefakter: tekniker ejer pipelines og notesbøger, BI-teamet (Business Intelligence) ejer semantiske modeller, og produktejere administrerer KPI'er (Key Performance Indicators) og definitioner.

Resultatet er en styret analysepipeline, hvor rå kildedata bevares, overensstemmende data kan genbruges, der er tillid til organiserede modeller, og forbrugsoplevelser understøttes af certificerede semantiske lag.

Scenariedetaljer

Primært mål: Levér et skalerbart, understøttende analysegrundlag til Dataverse- og ikke-Dataverse-kilder, der fremskynder Power Platform-scenarier og forbereder dataoverfladen til Copilot og Enterprise BI.

Blandt de vigtigste målsætninger kan nævnes:

• Konsistente dataprodukter (stjerneskemaguld), der styrer certificerede semantiske modeller.
• Direkte integration med Power Apps (Dataverse) via Link til Fabric (administreret spejling).
• Styret udvikling med Git-integration og Fabric udrulningspipelines (Dev → Test → Production).
• Sikker, rolleorienteret adgang på niveauerne arbejdsområde, element, objekt og række/kolonne.
• Centraliserede data fra flere systemer.
• Forbedret datakvalitet, organisering og sikkerhed.
• Understøttelse af Copilot- og analysescenarier.
• Omkostningsbevidste værktøjs- og konfigurationsvalg.

Arkitekturen oversætter disse mål til et styret Fabric mønster: Dataverse-data kommer ind via Link til Fabric og eksterne kilder indtages via Fabric pipelines. Begge streams formes gennem bronze-, sølv- og guldlag, før de eksponeres via certificerede semantiske modeller til Power BI, Copilot, dataagenter og driftsrapportering.

Komponenter

Følgende komponenter udgør referencearkitekturen og understøtter identitet, indtagelse, transformation, styring, livscyklusstyring og forbrug.

Overvejelser

Disse overvejelser implementerer søjlerne i Power Platform Well-Architected, et sæt vejledende principper, der forbedrer kvaliteten af en arbejdsbyrde. Få mere at vide i Microsoft Power Platform Well-Architected.

Pålidelighed

Denne arkitektur er designet til at levere ensartet, robust datalevering på tværs af indtagelses-, transformations- og forbrugslag.

• Administreret forbindelse til spejling i Fabric reducerer behovet for logik til brugerdefineret dataudtræk og mindsker risikoen for fejl ved indlæsning.

• Medallionarkitektur isolerer fejl på tværs af bronze, sølv og guld, så problemer i ét lag ikke forstyrrer den fulde analysepipeline.

• Trinvis behandling, partitioneret ELT og afhængighedsorienteret orkestrering reducerer opdateringsvarigheden og kapacitetsstriden.

• Overvågning, advarsel og håndtering af nye forsøg hjælper pipelinefejl med at dukke op tidligt og genoprettes uden manuelt omarbejde.

Sikkerhed

Implementer sikkerhed som et førsteklasses problem, og anvend den konsekvent på tværs af identitets-, data- og analyselag.

• Brug enkeltlogon med JumpCloud som identitetsudbyder integreret med Microsoft Entra ID for at få adgang til Power Platform, Fabric og godkendte forbrugsværktøjer.

• Gennemtving RBAC på arbejdsområde-, element-, objekt- og semantisk modelniveauer for at understøtte adgang med mindst mulige rettigheder, der er justeret i forhold til virksomhedspersoner.

• Brug sikkerhed på rækkeniveau og kolonneniveau til at beskytte følsomme forretningsdata i semantiske modeller og understøtte sikker genbrug på tværs af flere rapporter.

• Brug følsomhedsmærkater, godkendelse, afstamning og periodisk adgangsgennemgang for at hjælpe med at bevare dataadgang, der er tillid til og overholder.

Driftsmæssig ekspertise

Opnå driftsmæssig ekspertise gennem standardisering, automatisering og klart ejerskab på tværs af analyselivscyklussen.

• Brug Git-integration med Azure DevOps til at aktivere versionsstyring, peer review og sporing af Fabric artefakter.

• Brug Fabric udrulningspipelines til at standardisere hævning på tværs af Udvikling, Test og Produktion, gennemtvinge valideringsporte og reducere manuelle udrulningsfejl.

• Tildel klart ejerskab på tværs af tekniske, business intelligence- og forretningsroller for at forbedre driftsansvaret.

• Definer ejere, afhjælpningsstier, afstamning og kørselsbøger for undtagelser for datakvalitet, så du kan løse problemer, før de påvirker certificerede modeller.

Ydeevneeffektivitet

Arkitekturen optimerer ydeevnen på tværs af lager-, beregnings- og semantiske lag for at understøtte både virksomheds-BI- og Copilot-scenarier.

• Delta- og Parquet-lagring understøtter effektiv prædikatnedskubning og skalerbare join-operationer for store analytiske arbejdsbelastninger.

• Stjerneskemaer i guldlag bruger surrogatnøgler, dimensioner, der er i overensstemmelse med reglerne, og trinvise strategier til at forbedre ydeevnen af forespørgsler.

• Certificerede semantiske modeller med cachelagring og sammenlægninger reducerer ventetiden for forespørgsler og aflaster gentaget beregning fra underliggende datalag.

• Appen Fabric Capacity Metrics overvåger lager- og beregningsforbrug, analyserer skaleringsbehov og identificerer flaskehalse i ydeevnen.

Optimering af oplevelse

Denne arkitektur prioriterer anvendelighed, tillid og produktivitet for dataforbrugere, -producenter og -analytikere.

• Certificerede semantiske modeller giver en ensartet kpi- og forretningslogikoverflade til godkendt rapportering og AI-assisterede oplevelser.

• Transformationsbaner, der er justeret efter færdighedssæt, f.eks. Dataflow Gen2 til udviklere med lav kode og notesbøger til teknikere, hjælper teams med at arbejde effektivt på en enkelt platform.

• Forretningsordliste- og KPI-definitioner, der er knyttet til semantiske modeller, forbedrer fortolkningen og reducerer flertydigheden for virksomhedsbrugere.

• Direkte rapportering fra Linked Dataverse Lakehouse begrænset til driftsscenarier, hvor minimal formning er acceptabel, og hvor semantisk virksomhedskonsistens ikke er påkrævet.

Tilsammen hjælper disse overvejelser med at holde arkitekturen pålidelig, sikker, vedligeholdbar, omkostningsorienteret, effektiv og nem at anvende, efterhånden som brugen udvides.

Bidragydere

Microsoft vedligeholder denne artikel. Følgende bidragydere skrev denne artikel.

Hovedforfattere:

• Terra Gilbert, Senior Teknisk Konsulent

Relaterede ressourcer

• Forstå medallion lakehouse-arkitekturen for Fabric med OneLake
• Automatiser git-integration med en tjenesteprincipal i Azure DevOps
• Introduktion til udrulningspipelines