Padrões e capacidades fundamentais do Microsoft OneLake

Este artigo apresenta padrões comuns do OneLake e as capacidades da plataforma que você pode usar para implementá-los. Use as informações deste artigo para pensar em como você deseja organizar seu ambiente de dados e, em seguida, escolha os padrões que se encaixam nas necessidades do seu negócio, técnicas e de governança.

Cada padrão descreve como organizar dados e propriedade para alcançar um objetivo arquitetônico específico. Para implementar um padrão, você combina uma ou mais capacidades fundamentais do OneLake – virtualização de dados, interoperabilidade de dados abertos, governança centralizada e análises integradas e IA. Cada funcionalidade, por sua vez, depende de recursos específicos do produto , como atalhos, espelhamento, segurança OneLake e modo Direct Lake. A mesma capacidade e característica frequentemente aparece em mais de um padrão.

Considere esses cinco padrões como blocos de construção para o seu design OneLake. A maioria dos ambientes combina mais de um. Escolha os padrões que combinam com seus objetivos:

• Acesso unificado a dados com replicação mínima - Use o OneLake para expor dados de muitos sistemas fonte sem copiá-los.
• Arquitetura medalhão (bronze, prata e ouro) - Organizar os dados em um fluxo por três camadas de qualidade, desde a ingestão bruta até dados certificados, prontos para uso nos negócios.
• Malha de dados orientada a domínio em uma plataforma compartilhada - Permitir que domínios empresariais possuam e publiquem seus próprios produtos de dados em uma única base governada.
• Consolidação de plataforma para análise e IA - Configure cargas de trabalho de análise, ciência de dados e IA para rodar em uma única cópia dos dados.
• Compartilhamento externo de dados entre organizações - Dê aos parceiros e clientes acesso aos dados da OneLake sem exportações ou cópias duplicadas.

Acesso unificado a dados com replicação mínima

Se seus dados estão espalhados por múltiplas nuvens, sistemas locais ou lagos externos, copiar tudo em um só lugar pode não ser prático – ou mesmo possível. O acesso unificado aos dados com padrão de replicação mínimo trata o OneLake como uma única camada lógica de dados entre essas fontes. Em vez de criar pipelines de ingestão para cada fonte, você usa atalhos para referenciar os dados onde eles estão e recorre ao espelhamento quando precisa de uma cópia sincronizada e otimizada para consulta.

Use esse padrão quando:

• Seus dados estão espalhados por múltiplas nuvens, sistemas locais ou lagos externos.
• Replicar dados em um armazenamento central geraria armazenamento excessivo, latência ou sobrecarga de conformidade.
• Você precisa integrar novas fontes rapidamente sem precisar criar pipelines completos de extração, transformação e carregamento (ETL).
• Você quer preservar investimentos nos data lakes, data warehouses e armazenamentos operacionais existentes.

Aplicar acesso unificado aos dados

Para colocar esse padrão em prática, comece com duas abordagens principais de acesso a dados que não exigem construir ou operar processos de movimentação de dados: virtualização disponibiliza dados fonte via OneLake sem copiá-los, e espelhamento zero-ETL traz uma cópia sincronizada gerenciada pela plataforma para OneLake como tabelas Delta prontas para análise. Use ferramentas de movimentação de dados do Fabric apenas quando essas abordagens não suportam a fonte ou não atendem aos seus requisitos. Para orientações adicionais sobre como escolher e combinar essas abordagens, veja Unificar dados com atalhos e espelhamento do OneLake.

1. Faça um inventário das suas fontes de dados para determinar quais o OneLake pode acessar por virtualização ou espelhamento zero-ETL: armazenamento de objetos em nuvem, catálogos externos, bancos de dados operacionais e Dataverse. Marque quaisquer fontes restantes como necessitando de uma abordagem de movimentação de dados.

2. Escolha a técnica de acesso a dados correta para cada fonte suportada. Prefira virtualização quando a fonte suporta acesso sem cópia. Use espelhamento zero-ETL quando a fonte requer uma cópia sincronizada e otimizada para consultas:

1. Transforme os dados de origem quando necessário. As transformações de atalho podem processar arquivos compatíveis expostos por meio de um atalho, estejam eles armazenados externamente ou já no OneLake. Use transformações de arquivos de atalho para converter arquivos estruturados em tabelas Delta ou transformações de IA de atalho para processar texto não estruturado. Transformações de atalho criam saída Delta transformada e a mantêm sincronizada com os dados referenciados pelo atalho.

2. Use ferramentas de movimentação de dados do Fabric quando virtualização e espelhamento não suportam uma fonte ou quando você precisa de transformações complexas, orquestração, cadência de movimento programada ou ingestão de streaming. Para obter ajuda para escolher entre pipelines, fluxos de dados, trabalhos de cópia e fluxos de eventos, consulte Escolha uma estratégia de movimentação de dados.

Quando optar pela movimentação de dados, grave os dados copiados em um formato de tabela aberto, como Delta Parquet ou Iceberg. Transformações de espelhamento e de atalho já geram saída Delta. O uso de formatos abertos mantém dados virtualizados, cópias sincronizadas e saída transformada do Delta legíveis por motores Fabric e plataformas externas.

1. Registre o motivo sempre que criar uma cópia sincronizada, uma saída Delta transformada ou uma cópia por meio das ferramentas de movimentação de dados do Fabric. Esse registro mantém a decisão auditável. Crie uma cópia apenas quando uma fonte precisar de um layout físico, otimizado para consultas, ou não conseguir atender virtualmente aos seus requisitos de frescura, custo de transformação, conformidade ou processamento.

2. Aplique a segurança OneLake aos dados disponibilizados pelo OneLake para que as mesmas políticas cubram dados virtualizados, cópias sincronizadas e saída transformada do Delta.

3. Endosse e descreva os itens de dados resultantes no catálogo da OneLake para que os consumidores possam encontrá-los e confiar neles.

Capacidades unificadas de acesso a dados

• Virtualização de dados e espelhamento zero-ETL - Expor dados armazenados em outros sistemas e nuvens por meio de referências sem cópia ou de cópias sincronizadas prontas para análise. Características:
  • Atalhos disponibilizam os dados de origem no OneLake sem precisar copiá-los.
  • O espelhamento de metadados sincroniza metadados de catálogos externos e acessa os dados de origem por meio de atalhos.
  • Transformações de arquivos de atalho e transformações de IA de arquivos de atalho convertem dados de origem em saída sincronizada do Delta.
• Governança centralizada - Aplique segurança e descoberta consistentes a fontes virtualizadas, assim como aplicaria aos dados nativos do OneLake. Características:
  • A segurança do OneLake e o modelo de controle de acesso a dados aplicam políticas de acesso consistentes aos dados do OneLake.
  • O catálogo da OneLake apoia descobertas e endossos.
• Interoperabilidade de dados abertos - Mantenha dados virtualizados e cópias gerenciadas pela plataforma legíveis tanto por motores Fabric quanto por plataformas externas. Características:
  • Tabelas Iceberg no OneLake disponibilizam dados Iceberg para o Fabric e mecanismos externos.
  • O Delta Parquet é um formato de tabela aberta para armazenar dados prontos para análise.
  • O acesso e as APIs OneLake permitem que aplicações e ferramentas externas acessem os dados do OneLake.

Arquitetura medalhão (bronze, prata, ouro)

Disponibilizar dados no OneLake é apenas o primeiro passo. Dados brutos dos sistemas de origem geralmente não são seguros para usar diretamente em análises ou IA. Frequentemente contém duplicados, erros, formatos inconsistentes ou campos sensíveis. Quando várias equipes trabalham com base nos mesmos dados de origem, elas precisam de uma definição compartilhada de para quais usos se pode confiar em cada estágio dos dados.

O padrão de arquitetura medallion organiza os dados no OneLake em três camadas de qualidade: bronze para dados brutos e imutáveis de fonte; prata para dados purificados e conformados; e ouro para tabelas certificadas e prontas para negócios, além de modelos semânticos. Cada camada é uma etapa definida com a qual os consumidores das etapas seguintes podem contar. As tabelas silver e gold são reutilizáveis em workloads de BI, analytics e IA, para que as equipes não precisem recriar a mesma lógica de limpeza de dados ou modelagem em diferentes ferramentas.

Use esse padrão quando:

• Múltiplas equipes constroem sobre os mesmos dados de origem e precisam de qualidade consistente.
• Você precisa de uma linhagem rastreável desde entradas brutas até saídas certificadas.
• Você precisa de um contrato claro entre os consumidores de engenharia de dados e análise de dados ou IA.

Para mais informações sobre esse padrão, veja Entender arquitetura de medalhões para Fabric com OneLake. Esse artigo aborda o design de camadas, modelos de implantação, formatos de armazenamento, vistas de lagos materializados e otimização de tabelas Delta.

Como aplicá-lo

Uma arquitetura medalhão funcional se baseia em uma ideia: cada camada é um contrato com os consumidores das etapas seguintes, e os dados só avançam para a próxima camada depois que atendem aos padrões de qualidade dessa camada.

1. Identifique suas fontes brutas e os consumidores que dependem de dados certificados.

2. Defina o que pertence a cada camada e aplique essas definições consistentemente entre domínios:

   Camada	Conteúdos	Consumidores típicos
   Bronze	Dados brutos e imutáveis capturados diretamente de fontes, sem aplicação de esquema	Engenheiros de dados (acesso limitado)
   Prata	Purificado, desduplicado e conforme as definições de negócios compartilhadas	Engenheiros de dados e analistas treinados
   Ouro	Tabelas e modelos semânticos selecionados, prontos para uso empresarial	Todos os consumidores de BI, analytics e IA

3. Produzir cada camada com a carga de trabalho Fabric correta – tipicamente Engenharia de Dados (Spark) ou Data Factory para bronze e prata, e modelos semânticos de Data Warehouse ou Power BI para ouro. Preserve a fidelidade da fonte em bronze usando o formato original, um atalho para os dados de origem, Parquet ou Delta conforme apropriado. Use tabelas Delta para prata e ouro para que as cargas de trabalho do Fabric possam ler e gravar os dados refinados de forma confiável.

4. Aplique políticas de acesso com reconhecimento de camadas. Use a segurança do OneLake para itens suportados e as permissões Fabric e SQL aplicáveis para armazéns. Restringa o acesso ao bronze, disponibilize a prata aos analistas e conceda acesso ao ouro com base nas necessidades do consumidor e nos padrões de menor privilégio.

5. Use saídas de ouro curadas para análises a jusante. Construa modelos semânticos de camada dourada no modo Direct Lake para que o Power BI possa ler dados do OneLake sem criar uma cópia importada ou precisar de atualizações agendadas.

6. Confirme que toda produção de ouro tem linhagem rastreável através da prata até suas fontes de bronze. Depois, endosse tabelas de camada de ouro e modelos semânticos conforme certificados no catálogo OneLake. Essa validação ajuda os consumidores a identificar quais dados estão prontos para uso em produção.

7. Reutilize modelos semânticos dourados para impulsionar as ontologias do Fabric IQ. Essa etapa oferece aos agentes de IA um contexto de negócio governado por IA, fundamentado em dados certificados.

Recursos básicos

• Análise integrada e IA - as camadas de bronze, prata e ouro alimentam todas as cargas de trabalho de análise e IA no OneLake sem cópias específicas para cada mecanismo. Características:
  • A arquitetura de casas de lago Medallion em OneLake fornece orientações de design para as três camadas.
  • O modo Direct Lake permite que modelos semânticos do Power BI leiam dados da camada ouro diretamente do OneLake.
  • Cargas de trabalho Fabric como Data Engineering e Data Warehouse produzem e refinam as camadas.
• Governança centralizada - Aplicar diferentes políticas de acesso e portas de qualidade em cada camada para que os consumidores vejam apenas dados adequados ao seu papel. Características:
  • A segurança do OneLake impõe políticas de acesso com reconhecimento de camadas.
  • O catálogo OneLake oferece suporte à descoberta e à certificação com reconhecimento de camadas.
  • A Microsoft Purview aplica rótulos de sensibilidade e auditoria.
• Interoperabilidade de dados abertos - Armazene as camadas em formatos abertos para que motores externos possam lê-las junto com o Fabric. Características:
  • Delta Parquet é um formato de tabela aberta para armazenar dados de camadas refinadas.
  • As tabelas Iceberg no OneLake disponibilizam os dados das camadas para motores compatíveis com Iceberg.
  • O acesso e as APIs OneLake permitem que aplicações e ferramentas externas acessem dados da camada.

Malha de dados orientada a domínio em uma plataforma compartilhada

Se você tem várias equipes de negócios produzindo e consumindo dados, encaminhar cada requisição por uma única equipe central de dados pode retardar a entrega. Equipes de negócios geralmente entendem melhor seus próprios dados e necessidades, mas descentralizar a propriedade sem governança compartilhada pode levar a inconsistências de segurança, qualidade e linhagem.

O padrão de malha de dados orientado a domínio concede a cada domínio de negócio a propriedade de seus próprios produtos de dados, enquanto todos os domínios seguem padrões compartilhados em uma base OneLake. Cada domínio publica seus próprios produtos de dados, e outros domínios os acessam por atalhos e os consomem com análises do Fabric e cargas de trabalho de IA. Políticas centralizadas de identidade, segurança e governança se aplicam uniformemente em todos os domínios.

Use esse padrão quando:

• Uma única equipe central de dados se torna um gargalo para a entrega.
• Diferentes domínios de negócio possuem dados, requisitos e cadências de lançamento distintas.
• Você precisa de uma responsabilidade clara pela qualidade dos dados no nível do domínio sem abrir mão da governança em toda a empresa.

Aplique uma malha de dados orientada a domínio

Encontre o equilíbrio certo entre descentralização e consistência. Transferir a propriedade para o domínio que conhece melhor os dados e manter identidade, segurança e linhagem centralizadas para que os produtos de dados de cada domínio atendam aos mesmos padrões.

1. Identifique seus domínios de negócio. Cada domínio deve representar uma área coerente do negócio, com uma equipe que possa possuir e operar seus produtos de dados de ponta a ponta.

2. Crie um domínio para cada área de negócio e atribua espaços de trabalho a ele. Configure um domínio central separado para infraestrutura compartilhada e dados empresariais reutilizáveis.

3. Defina padrões de produtos de dados que todo domínio deve cumprir – por exemplo, requisitos de endosso ou certificação, esquemas documentados, metadados de propriedade, versionamento e acordos de nível de serviço (SLAs). Esses padrões tornam cada produto um contrato reutilizável e descobrível, em vez de apenas uma pasta de espaço de trabalho.

4. Use a segurança do OneLake para aplicar controles de acesso a dados baseados em funções no nível de pasta, tabela, linha e coluna, para que os produtores possam publicar produtos de dados sem expor tudo em seu espaço de trabalho.

5. Aplique a governança em todo o tenant com o catálogo OneLake para descoberta e linhagem entre domínios, e Microsoft Purview para etiquetas de sensibilidade e auditoria. Estenda o mesmo modelo de identidade e política para agentes de IA que consomem produtos de dados de domínio, para que o acesso a agentes seja governado como qualquer outro consumidor.

6. Faça com que domínios de consumo usem atalhos para referenciar produtos de dados produtores em vez de copiá-los. Os consumidores podem então usar os produtos de dados referenciados na carga de trabalho do Fabric que atenda às suas necessidades. Para modelos semânticos de Power BI, use o modo Direct Lake para ler dados diretamente do OneLake. Use Fabric Data Agents ou Fabric IQ para criar experiências de IA baseadas em produtos de dados de domínio governado.

7. Se domínios publicarem em catálogos fora do Fabric, planeje a sincronização de controle de acesso para que as permissões permaneçam consistentes entre o OneLake e o catálogo externo.

   Tip

   O acelerador open source da Microsoft, Policy Weaver, pode automatizar essa sincronização para fontes Azure Databricks (Unity Catalog), Snowflake e Dataverse. Ele espelha as políticas de acesso aos dados para as funções de segurança do OneLake, complementando o espelhamento (que migra os dados, mas não as permissões).

Capacidades de malha de dados

• Governança centralizada - Descentralize a propriedade dos domínios, mantendo identidade, segurança e linhagem centralizadas. Características:
  • Domínios agrupam os espaços de trabalho por área de negócio.
  • A segurança do OneLake fornece controles de acesso baseados em função a pastas, tabelas, linhas e colunas.
  • O catálogo OneLake permite a descoberta e a linhagem entre domínios.
  • A Microsoft Purview aplica rótulos de sensibilidade e auditoria.
• Virtualização de dados - Permita que domínios de consumo usem produtos de dados de propriedade do produtor por meio de referências, em vez de cópias. Características:
  • Atalhos permitem o compartilhamento sem cópia entre domínios.
• Análise integrada e IA - Tornar os produtos de dados de cada domínio consumíveis em todas as cargas de trabalho do Fabric. Características:
  • O modo Direct Lake permite que modelos semânticos do Power BI leiam produtos de dados de domínio diretamente do OneLake.
  • As cargas de trabalho do Fabric, como Engenharia de Dados, Data Warehouse, Inteligência em Tempo Real e Ciência de Dados, processam e analisam produtos de dados de domínios.
  • Fabric Data Agents e Fabric IQ suportam experiências de IA fundamentadas em produtos de dados de domínio.

Consolidação de plataformas para análise e IA

Se você roda várias plataformas de análise lado a lado – ferramentas separadas para data warehousing, business intelligence, ciência de dados, análise em tempo real e IA – cada ferramenta vem com suas próprias cópias de dados, pipelines e modelo de governança. Essa fragmentação aumenta os custos e dificulta a aplicação de segurança consistente ou obter uma única resposta para uma questão de negócios.

O padrão de consolidação de plataforma traz essas cargas de trabalho para o Fabric, onde o OneLake fornece uma base de dados compartilhada e governada. As cargas de trabalho do Fabric acessam, transformam, sincronizam ou analisam dados por meio dessa base, em vez de depender de modelos separados de dados e governança para cada ferramenta.

Use esse padrão quando:

• Você está usando várias plataformas de análise com capacidades sobrepostas.
• Cópias de dados específicas do motor e pipelines geram custos e custos de manutenção.
• Você precisa de um modelo único de governança e segurança para todas as cargas de trabalho de analytics e IA.

Aplique a consolidação da plataforma

Mire em menos plataformas, não em mais integrações. Consolide as cargas de trabalho no Fabric, em vez de interligar ferramentas entre si, e integre mecanismos externos apenas quando ainda não for possível aposentá-los.

1. Faça um inventário das ferramentas e pipelines de analytics, data warehousing, ciência de dados, inteligência de negócios (BI) e IA que você utiliza hoje. Observe quais cargas de trabalho cada ferramenta atende e quais dados ela copia.

2. Mapeie cada carga de trabalho existente para a carga de trabalho do Fabric que pode substituí-la:

   Carga de trabalho legada	Carga de trabalho do Fabric
   Orquestração de dados e ETL	Azure Data Factory
   Notebooks do Spark e processamento de lakehouse	Engenharia de Dados
   armazenamento de dados SQL	Data Warehouse
   Streaming e análises KQL	Inteligência em tempo real
   Treinamento de modelos de ML e acompanhamento de experimentos	Ciência de Dados
   Bancos de dados operacionais	Bancos de dados (banco de dados SQL em Fabric e Cosmos DB em Fabric)
   Visualização BI e modelos semânticos	Power BI com modo Direct Lake
   IA conversacional baseada em dados corporativos	Fabric Data Agents, Copilot para Fabric, Fabric IQ

3. Estabeleça um modelo único de governança e segurança para todas as cargas de trabalho usando a segurança OneLake, Microsoft Purview e o catálogo OneLake. Configure chaves gerenciadas pelo cliente quando itens Fabric suportados exigem outra camada de criptografia.

4. Consolide dados analíticos no OneLake usando o formato Delta ou Iceberg para que as cargas de trabalho possam compartilhar uma base de dados governada. Inclua cargas de trabalho operacionais consolidando-as em bancos de dados Fabric, que disponibilizam dados analíticos sincronizados no OneLake.

5. Baseie a IA nos dados consolidados. Construa ontologias (prévia) sobre sua camada de dados curada e exponha-as aos agentes através do servidor MCP da Ontologia, para que Fabric Data Agents, Microsoft 365 Copilot e ferramentas externas raciocinem sobre o mesmo contexto governado. Você pode gerar definições de ontologia a partir de modelos semânticos do Power BI nos modos Import, Direct Lake ou DirectQuery. Use o modo Direct Lake quando precisar de vínculos gerados para dados do OneLake compatíveis e revise as limitações atuais da ontologia.

6. Para motores externos que você ainda não pode aposentar, exponha os dados do OneLake a eles por meio da integração com Azure Databricks, interoperabilidade do Iceberg com Snowflake, ou acesso e APIs do OneLake.

7. Desative as ferramentas, as cópias de dados e os pipelines substituídos após validar a solução equivalente no Fabric. Dessa forma, a consolidação elimina custos, licenças e transferências, em vez de adicionar outra plataforma à pilha.

Capacidades de consolidação de plataformas

• Análise integrada e IA - Reúne cargas de trabalho de análise, ciência de dados e IA em uma base compartilhada da OneLake. Características:
  • As cargas de trabalho do Fabric, como Data Factory, Data Engineering, Data Warehouse, Real-Time Intelligence, Ciência de Dados, Bancos de Dados e o Power BI, acessam, transformam, sincronizam ou analisam dados por meio da plataforma compartilhada.
  • O modo Direct Lake permite que modelos semânticos do Power BI leiam dados OneLake diretamente.
  • Fabric Data Agents, Copilot for Fabric e Fabric IQ suportam experiências de IA baseadas em dados do OneLake.
  • Ontologias e o servidor MCP de Ontologia fornecem um contexto de negócios governado para agentes de IA.
  • O OneLake, como fonte de conhecimento para o Microsoft Foundry, permite que o Foundry indexe arquivos do OneLake para uso por agentes de IA.
• Interoperabilidade de dados abertos - Permita que plataformas externas que você não descontinua continuem acessando os mesmos dados. Características:
  • Tabelas Iceberg no OneLake e Delta Parquet mantêm os dados em formatos abertos de tabela.
  • O acesso e as APIs OneLake permitem que aplicações e ferramentas externas acessem os dados do OneLake.
  • A integração do Azure Databricks e a interoperabilidade do Iceberg com o Snowflake permitem que plataformas externas de análise leiam os dados do OneLake.
• Governança centralizada - Substitua os modelos de segurança por ferramenta por um modelo único de governança e auditoria que abrange todas as cargas de trabalho. Características:
  • A governança Fabric fornece uma estrutura comum de governança entre as cargas de trabalho do Fabric.
  • A segurança da OneLake aplica controles consistentes de acesso a dados.
  • O catálogo OneLake oferece suporte à descoberta e à linhagem em todas as cargas de trabalho.
  • A integração com Microsoft Purview aplica etiquetas de sensibilidade e auditoria.
  • Chaves gerenciadas pelo cliente adicionam outra camada de criptografia aos itens Fabric suportados.

Compartilhamento externo de dados entre organizações

Se você troca dados com parceiros, fornecedores, clientes ou outras divisões de forma contínua, exportações em lote, transferências de arquivos e sistemas downstream duplicados adicionam lacunas de latência, custo e governança. O padrão de compartilhamento externo de dados oferece aos consumidores externos à sua organização ou divisão de negócios acesso direto a dados curados da OneLake sem exportações recorrentes. Os consumidores podem acessar os dados por meio de compartilhamento entre locatários Fabric ou por plataformas externas de análise como Snowflake e Azure Databricks, utilizando as capacidades de interoperabilidade do OneLake.

Os consumidores veem as atualizações à medida que você as publica. Você controla o acesso aos dados de origem por meio do mecanismo de compartilhamento ou interoperabilidade que suporta a plataforma do consumidor.

Use esse padrão quando:

• Você troca dados com organizações externas de forma contínua.
• Exportações em lote ou transferências de arquivos adicionam latência, complexidade ou lacunas de governança.
• Você precisa monitorar e revogar o acesso externo de forma centralizada.

Aplicar compartilhamento externo de dados

O compartilhamento externo funciona melhor quando você usa virtualização em vez de exportar dados. Compare o método de acesso ao que cada consumidor pode ler e aplique os controles de acesso suportados por esse mecanismo de compartilhamento ou interoperabilidade.

1. Identifique os produtos de dados que você deseja compartilhar externamente e os consumidores que precisam deles (parceiros, fornecedores, clientes). Normalmente, você compartilha tabelas e arquivos curados, bem definidos e documentados.

2. Escolha a abordagem de compartilhamento certa para cada consumidor:

   Tipo consumidor	Abordagem recomendada
   Usuários de Fabric em outro tenant	Compartilhamento externo de dados para acesso virtualizado entre locatários em modo somente leitura
   Usuários do Snowflake no Azure	Interoperabilidade entre o Iceberg e o Snowflake para ler tabelas do Fabric expostas no formato Iceberg
   Usuários do Azure Databricks	Federação do catálogo OneLake no Azure Databricks para consultar tabelas OneLake através do Unity Catalog sem copiar dados
   Aplicações ou ferramentas que suportam ADLS Gen2 ou APIs Blob	Acesso OneLake e APIs para acessar dados OneLake por meio de APIs suportadas

   Para trazer dados do Dataverse para o OneLake antes de compartilhá-los, use o padrão unificado de acesso a dados.

3. Defina o escopo do acesso externo de acordo com as permissões suportadas pelo mecanismo de compartilhamento selecionado. Para o compartilhamento externo de dados do Fabric, esse compartilhamento concede acesso somente para leitura a qualquer usuário no locatário de origem do usuário convidado. Políticas de segurança e governança do lado do provedor, incluindo segurança OneLake, rótulos de sensibilidade e políticas de prevenção de perda de dados, não são aplicadas no tenant do consumidor. O cliente deve gerenciar o acesso subsequente em seu ambiente.

4. Concorde com os termos de cada relação de compartilhamento desde o início – o que é compartilhado, com quem e por quanto tempo. Para compartilhamento externo de dados do Fabric, revoge o acesso a partir da aba Compartilhamentos de dados externos na página Gerenciar permissões. Para outras abordagens, revoque o acesso por meio do mecanismo de compartilhamento selecionado. Confirme que o consumidor perde visibilidade.

5. Aplique etiquetas de sensibilidade, auditoria e prevenção de perda de dados com o Microsoft Purview no ambiente Fabric do provedor.

6. Endosse e documente os produtos de dados de origem no catálogo da OneLake para que os provedores possam encontrá-los e governá-los antes de compartilhá-los. O catálogo OneLake não publica produtos de dados para locatários externos ou plataformas de análise.

Capacidades externas de compartilhamento de dados

• Virtualização de dados - Compartilhe dados por meio de referências sem cópia, sem gerenciar pipelines de exportação. Características:
  • O compartilhamento externo de dados proporciona compartilhamento virtualizado entre os locatários Fabric.
  • Atalhos permitem que os parceiros consumam dados publicados sem copiá-los.
• Interoperabilidade de dados abertos - Compartilhe com consumidores que não usam Fabric publicando em formatos abertos. Características:
  • As tabelas iceberg no OneLake publicam dados compartilhados em formato de tabela aberta.
  • A interoperabilidade do Iceberg com o Snowflake permite que os usuários do Snowflake leiam dados compartilhados do OneLake.
  • A federação de catálogos OneLake no Azure Databricks permite que consumidores do Azure Databricks consultem tabelas OneLake pelo Unity Catalog sem copiar dados.
  • O acesso e as APIs OneLake permitem que aplicações e ferramentas compatíveis acessem os dados do OneLake.
• Governança centralizada - Governar os dados fonte no Fabric e controlar o acesso externo por meio de cada mecanismo de compartilhamento. Características:
  • A segurança do OneLake escopa o acesso aos dados de origem no Fabric.
  • A Microsoft Purview aplica rótulos de sensibilidade, auditoria e prevenção de perda de dados no ambiente Fabric do provedor.
  • O catálogo OneLake oferece suporte à descoberta e à aprovação pelo provedor antes do compartilhamento.