Integrere dataverse med virksomhetsdata i Microsoft Fabric ved hjelp av en medaljongarkitektur

Denne referansearkitekturen viser hvordan du integrerer Dataverse med virksomhetsdata i Microsoft Fabric for å bygge en styrt analyseplattform ved hjelp av en medaljongtilnærming. En medaljongarkitektur organiserer data i bronse-, sølv- og gulllag, slik at team kan bevare rå kildedata, opprette samsvarende og gjenbrukbare datasett og publisere kuraterte modeller som er optimalisert for analyse- og AI-opplevelser. Lær mer om prinsippene for en medaljongarkitektur i Hva er medaljongsjøens arkitektur?

Arkitekturdiagram

Arkitekturen skiller inntak, transformasjon, styring og forbruksansvar på et høyt nivå, slik at hvert lag kan skaleres uavhengig av hverandre. Du speiler dataverse data i OneLake via Link til Fabric, inntar ikke-dataverse kilder gjennom Fabric datasamlebånd, og publiserer kuraterte dataprodukter gjennom styrte gulllagsmodeller for bedriftsforbruk.

Diagrammet viser identitets- og tilgangskontroller på tvers av arkitekturen. Data går inn gjennom datavers speiling eller ekstern inntak og beveger seg gjennom bronse-, sølv- og gulllagene. Power BI, Copilot, dataagenter og driftsrapporteringsopplevelser bruker dataene.

Behandle styring som en tverrgående bekymring i stedet for en enkelt arkitekturkomponent. Identitet, rollebasert tilgangskontroll (RBAC), avstamming, utrullingssamlebånd og sertifiserte semantiske modeller arbeider sammen for å kontrollere tilgang, administrere endring og bevare tillit på tvers av datalivssyklusen.

Workflow

Arbeidsflyten følger datalivssyklusen fra sikker tilgang og inntak gjennom transformasjon, styrt modellering, forbruk og distribusjonsoperasjoner.

Identitet og sikkerhet

Konfigurer identitets- og tilgangskontroller først, slik at hver nedstrøms Fabric artefakt arver en styrt sikkerhetsmodell.

• Bruk enkel pålogging med JumpCloud som identitetsleverandør integrert med Microsoft Entra ID for tilgang til Power Platform, Fabric og forbruksverktøy.

• Bruk rollebasert tilgangskontroll (RBAC) på arbeidsområdet, element (Lakehouse, Warehouse, Eventhouse, Semantic Model), objekt (tabell, visning, fil) og rad- og kolonnenivåer (RLS, CLS).

• Juster sikkerhetsgrupper etter personligheter: utviklere av ingeniørarbeid, forretningsintelligens (BI), dataforskere, forretningsanalytikere og apputviklere.

Inntak: Bronsenivå

Bronse bruker to inntaksbaner: administrert datavers speiling gjennom Link til Fabric og pipeline-drevet inntak for ikke-dataverse kilder.

• Linked Dataverse Lakehouse (bronse): Klargjort og fullstendig administrert via Kobling til Fabric. Speiler Dataverse-tabeller i OneLake med trinnvise oppdateringer og Parquet/Delta-formater, som fungerer som autoritative, rå system-of-record-inndata for dataverse domener.

• Enterprise datalager (EDW) Lakehouse (Bronse – ikke-dataverse kilder): Inntar data fra eksterne systemer som filer, API-er og fremtidige kildeprogrammer. Fabric støtter batchbaserte datapipelines og ELT-orkestrering (ekstraher, last inn, transformer), mens Dataflow Gen2 støtter kodefri og lavkode datainnhenting der det passer.

Transformasjon og samsvar: Sølvnivå

Bruk transformasjonslogikk ved å bruke riktig Fabric arbeidsbelastning for hver oppgave:

• Pipelines for iverksetting, avhengigheter og planlegging.
• Dataflyt gen2 for lavkodet enhetsforming, alternativsettdekoding og lett samsvar.
• Notatblokker (Spark/Python) for skalerbare koblinger, historisering (SCD) og avansert datateknikk.

Sølv (konform): Normaliser dataverse enheter (for eksempel forretningsforbindelse, kontakt, salgsmulighet, aktiviteter). Flate enheter. Materialiser oppslag. Tilordningsalternativet angir lesbare etiketter. Juster identifikatorer på tvers av systemet. Standardiser ikke-dataverse kilder til felles dimensjoner og samsvarende nøkler.

Kuratert modellering: Gullnivå

Gull (stjerneskjema): Kuraterte fakta- og dimensjonsmodeller justert til forretningsdomener (for eksempel Salg, Datasamlebånd, Kunde 360, Tjeneste). Ytelsesorientert utforming omfatter surrogatnøkler, datodimensjoner, degenererte dimensjoner der det er nødvendig, og trinnvise strategier eller partisjonsstrategier. Diagrammet viser gulllaget som et innsjøhus fordi kostnadseffektivitet er et primært utformingsmål. Du kan også bruke et lager når arbeidsbelastningen krever sterkere relasjonsmodellering, SQL-first-utvikling eller lagerspesifikke ytelses- og styringsfunksjoner.

Når du har kuratert gulldataprodukter, gir semantiske modeller det styrte forretningslaget som brukes ved rapportering, Copilot og dataagenter.

Semantiske modeller og forbruk

• Bygg semantiske modeller på gull, sertifiser dem og styre dem for å tjene Power BI, Copilot opplevelser og dataagenter.

• Bruk Linked Dataverse Lakehouse til driftsrapportering med minimal forming. Bruk sølv eller gull for bedriftsinnhold for å støtte konsekvens og skala.

DevOps og livssyklus

Livssyklusbehandling bryter arbeidsflyten slik at artefakter beveger seg konsekvent fra utvikling til produksjon med kildekontroll, validering og miljøspesifikk konfigurasjon.

• Integrer Git-kildekontroll (Azure DevOps) med utviklingsarbeidsområdet for versjonskontroll og fagfellevurdering.

• Bruk Fabric utrullingssamlebånd til å automatisere promotering fra utvikling til test til produksjon med miljøspesifikke variabler, datakilderegler og valideringsporter.

• Tilordne klart eierskap av artefakter: ingeniørarbeid eier datasamlebånd og notatblokker, forretningsintelligensteamet (BI) eier semantiske modeller, og produkteiere administrerer viktige ytelsesindikatorer (KPI-er) og definisjoner.

Resultatet er et styrt analysesamlebånd der rå kildedata bevares, samsvarende data kan brukes på nytt, kuraterte modeller er klarert, og forbruksopplevelser støttes av sertifiserte semantiske lag.

Scenariodetaljer

Primært mål: Lever et skalerbart, støttende analysegrunnlag for dataverse og ikke-dataverse kilder som akselererer Power Platform-scenarier og klargjør dataoverflaten for Copilot og Enterprise BI.

Viktige mål inkluderer:

• Konsekvente dataprodukter (stjerneskjemagull) som driver sertifiserte semantiske modeller.
• Direkte integrasjon med Power Apps (Dataverse) via Kobling til Fabric (administrert speiling).
• Styrt utvikling med Git-integrasjon og Fabric utrullingssamlebånd (Utvikling → test → produksjon).
• Sikker, rollebevisst tilgang på arbeidsområde-, element-, objekt- og rad-/kolonnenivåer.
• Sentraliserte data fra flere systemer.
• Forbedret datarenslighet, organisasjon og sikkerhet.
• Støtte for Copilot- og analysescenarioer.
• Kostnadsbevisste verktøy og konfigurasjonsvalg.

Arkitekturen oversetter disse målene til et styrt Fabric mønster: Dataverse data går inn via Kobling til Fabric og eksterne kilder inntas gjennom Fabric datasamlebånd. Begge strømmene er formet gjennom bronse-, sølv- og gulllag før de eksponeres gjennom sertifiserte semantiske modeller for Power BI, Copilot, dataagenter og driftsrapportering.

Komponenter

Følgende komponenter utgjør referansearkitekturen og støtteidentiteten, inntak, transformasjon, styring, livssyklusadministrasjon og forbruk.

Vurderinger

Disse hensynene tar i bruk prinsippene i Power Platform Well-Architected, et sett med veiledende prinsipper som forbedrer kvaliteten på en arbeidsbelastning. Finn ut mer i Microsoft Power Platform Well-Architected.

Pålitelighet

Denne arkitekturen er utformet for å gi konsekvent, robust datalevering på tvers av inntaks-, transformasjons- og forbrukslag.

• Administrert kobling til Fabric speiling reduserer egendefinert ekstraksjonslogikk og reduserer risikoen for inntaksfeil.

• Medaljongarkitektur isolerer feil på tvers av bronse, sølv og gull, slik at problemer i ett lag ikke forstyrrer hele analysesamlebåndet.

• Trinnvis behandling, partisjonert ELT og avhengighetsavhengig orkestrering reduserer oppdateringsvarighet og kapasitetsstrid.

• Overvåking, varsling og håndtering av gjenforsøk bidrar til at feil i pipelinen oppdages tidlig og kan gjenopprettes uten manuelt omarbeid.

Security

Implementer sikkerhet som en førsteklasses bekymring, og bruk den konsekvent på tvers av identitets-, data- og analyselag.

• Bruk enkel pålogging med JumpCloud som identitetsleverandør integrert med Microsoft Entra ID for tilgang til Power Platform, Fabric og godkjente forbruksverktøy.

• Fremtving RBAC på arbeidsområde-, element-, objekt- og semantiske modellnivåer for å støtte minst mulig tilgang justert til bedriftspersoner.

• Bruk sikkerhet på radnivå og kolonnenivå til å beskytte sensitive forretningsdata i semantiske modeller og støtte sikker gjenbruk på tvers av flere rapporter.

• Bruk følsomhetsetiketter, godkjenning, avstamming og periodiske tilgangsvurderinger for å bidra til å opprettholde klarert og kompatibel datatilgang.

Driftskvalitet

Oppnå driftskvalitet gjennom standardisering, automatisering og klart eierskap på tvers av analyselivssyklusen.

• Bruk Git-integrering med Azure DevOps til å aktivere versjonskontroll, nodegjennomgang og sporbarhet for Fabric artefakter.

• Bruk Fabric utrullingssamlebånd til å standardisere promotering på tvers av utvikling, test og produksjon, fremtvinge valideringsporter og redusere manuelle distribusjonsfeil.

• Tilordne klart eierskap på tvers av ingeniør-, forretningsintelligens- og forretningsroller for å forbedre driftsansvaret.

• Definer eiere, utbedringsbaner, avstamming og runbooks for unntak for datakvalitet, slik at du løser problemer før de påvirker sertifiserte modeller.

Ytelseseffektivitet

Arkitekturen optimaliserer ytelsen på tvers av lagrings-, databehandlings- og semantiske lag for å støtte både enterprise BI og Copilot scenarioer.

• Delta- og Parquet-lagring støtter effektiv predikat pushdown og skalerbare sammenføyninger for store analytiske arbeidsbelastninger.

• Stjerneskjemaer i gulllag bruker surrogatnøkler, samsvarende dimensjoner og trinnvise strategier for å forbedre spørringsytelsen.

• Sertifiserte semantiske modeller med hurtigbufring og aggregasjoner reduserer ventetiden for spørringen og avlaster gjentatt beregning fra underliggende datalag.

• Appen Fabric Capacity Metrics overvåker lagrings- og databehandlingsbruk, analyserer skaleringsbehov og identifiserer flaskehalser for ytelse.

Opplevelsesoptimalisering

Denne arkitekturen prioriterer brukervennlighet, tillit og produktivitet for dataforbrukere, beslutningstakere og analytikere.

• Sertifiserte semantiske modeller gir en konsekvent KPI og forretningslogikk for godkjente rapporterings- og AI-assisterte opplevelser.

• Transformasjonsbaner justert etter kompetansesett, for eksempel Dataflyt gen2 for beslutningstakere med lav kode og notatblokker for teknikere, hjelper teamene med å arbeide effektivt innenfor én enkelt plattform.

• Forretningsordliste- og KPI-definisjoner knyttet til semantiske modeller forbedrer tolkeligheten og reduserer tvetydighet for forretningsbrukere.

• Direkte rapportering fra Linked Dataverse Lakehouse begrenset til driftsscenarioer der minimal forming er akseptabelt og semantisk konsekvens for bedriften er ikke nødvendig.

Sammen bidrar disse vurderingene til å holde arkitekturen pålitelig, sikker, vedlikeholdbar, kostnadsavhengig, performant og enkel å ta i bruk etter hvert som bruken utvides.

Bidragsytere

Microsoft vedlikeholder denne artikkelen. Følgende bidragsytere skrev denne artikkelen.

Hovedforfattere:

• Terra Gilbert, senior teknisk konsulent

Relaterte ressurser

• Forstå medaljong sjøhusarkitektur for Fabric med OneLake
• Automatiser git-integrasjon med en tjenestekontohaver i Azure DevOps
• Innføring i utrullingspipelines