Integrera Dataverse med företagsdata i Microsoft Fabric med hjälp av en medaljongarkitektur

Den här referensarkitekturen visar hur du integrerar Dataverse med företagsdata i Microsoft Fabric för att skapa en styrd analysplattform med hjälp av en medaljongmetod. En medaljongarkitektur organiserar data i brons-, silver- och guldlager så att teamen kan bevara rådata, skapa anpassade och återanvändbara datamängder och publicera utvalda modeller som är optimerade för analys och AI-upplevelser. Läs mer om principerna för en medaljongarkitektur i Vad är medallion lakehouse-arkitekturen?

Arkitekturdiagram

På hög nivå separerar arkitekturen inmatnings-, transformerings-, styrnings- och förbrukningsansvar så att varje lager kan skalas separat. Du speglar Dataverse-data till OneLake via Länk till Fabric, matar in icke-Dataverse-källor via Fabric pipelines och publicerar utvalda dataprodukter via reglerade guldskiktsmodeller för företagsförbrukning.

Diagrammet visar identitets- och åtkomstkontroller i hela arkitekturen. Data kommer in via Dataverse-spegling eller extern inmatning och rör sig genom brons-, silver- och guldskikten. Power BI, Copilot, dataagenter och upplevelser för operativ rapportering förbrukar data.

Behandla styrning som ett övergripande problem snarare än en enda arkitekturkomponent. Identitet, rollbaserad åtkomstkontroll (RBAC), ursprung, distributionspipelines och certifierade semantiska modeller fungerar tillsammans för att kontrollera åtkomst, hantera ändringar och bevara förtroendet under datalivscykeln.

Workflow

Arbetsflödet följer datalivscykeln från säker åtkomst och inmatning genom transformering, styrd modellering, förbrukning och distributionsåtgärder.

Identitet och säkerhet

Konfigurera identitets- och åtkomstkontroller först så att varje underordnad Fabric artefakt ärver en styrd säkerhetsmodell.

• Använd enkel inloggning med JumpCloud som identitetsprovider integrerad med Microsoft Entra ID för åtkomst till Power Platform, Fabric och förbrukningsverktyg.

• Tillämpa rollbaserad åtkomstkontroll (RBAC) på arbetsytan, objektet (Lakehouse, Warehouse, Eventhouse, Semantic Model), objekt (tabell, vy, fil) och rad- och kolumnnivåer (RLS, CLS).

• Anpassa säkerhetsgrupper till personas: utvecklare av teknik, business intelligence (BI), dataforskare, affärsanalytiker och apputvecklare.

Inmatning: Bronsnivå

Bronze använder två inhämtningsvägar: hanterad Dataverse-spegling via Link to Fabric och pipelinebaserad inhämtning för källor utanför Dataverse.

• Länkat Dataverse-sjöhus (brons): Etablerat och fullständigt hanterat via Länka till Fabric. Speglar Dataverse-tabeller i OneLake med inkrementella uppdateringar och Parquet/Delta-format, och fungerar som den officiella, obearbetade källan för Dataverse-domäner.

• Enterprise Data Warehouse (EDW)-sjöhus (brons – källor som inte kommer från Dataverse): Matar in data från externa system som filer, API:er och framtida källprogram. Fabric-datapipelines stöder batch- och ELT-orkestrering (extrahera, läsa in och transformera), medan Dataflow Gen2 stöder datainhämtning utan kod eller med lite kod när det är lämpligt.

Transformering och överensstämmelse: Silvernivå

Tillämpa transformeringslogik med rätt arbetsbelastning i Fabric för varje uppgift:

• Pipelines för orkestrering, beroenden och schemaläggning.
• Dataflöde Gen2 för entitetsutformning med låg kod, alternativuppsättningsdekodning och enkel överensstämmelse.
• Notebookar (Spark/Python) för skalbara sammanfogningar, historisering (SCD) och avancerad data engineering.

Silver (överensstämmer): Normalisera Dataverse-entiteter (till exempel Konto, Kontakt, Affärsmöjlighet, Aktiviteter). Platta ut entiteter. Materialisera sökningar. Mappa alternativuppsättningar till läsbara etiketter. Samordna systemövergripande identifierare. Standardisera icke-Dataverse-källor till vanliga dimensioner och kompatibla nycklar.

Kuraterad modellering: Guldnivå

Guld (stjärnschema): Utvalda fakta- och dimensionsmodeller som är anpassade till affärsdomäner (till exempel Försäljning, Pipeline, Kund 360, Tjänst). Prestandaorienterad design omfattar surrogatnycklar, datumdimensioner, degenererade dimensioner där det behövs och inkrementella strategier eller partitionsstrategier. Diagrammet visar guldskiktet som ett sjöhus eftersom kostnadseffektivitet är ett primärt designmål. Du kan också använda ett lager när arbetsbelastningen kräver starkare relationsmodellering, SQL-första utveckling eller lagerspecifika prestanda- och styrningsfunktioner.

När du har kuraterat gulddataprodukter tillhandahåller semantiska modeller det styrda affärsskiktet som används av rapportering, Copilot och dataagenter.

Semantiska modeller och förbrukning

• Skapa semantiska modeller på guld, certifiera dem och styr dem för att hantera Power BI, Copilot upplevelser och dataagenter.

• Använd Linked Dataverse Lakehouse för driftrapportering med minimal formning. Använd silver eller guld för företagsinnehåll för att stödja konsekvens och skalning.

DevOps och livscykel

Livscykelhantering omsluter arbetsflödet så att artefakter flyttas konsekvent från utveckling till produktion med källkontroll, validering och miljöspecifik konfiguration.

• Integrera Git Source Control (Azure DevOps) med arbetsytan utveckling för versionshantering och peer-granskning.

• Använd Fabric distributionspipelines för att automatisera befordran från utveckling till testning till produktion med miljöspecifika variabler, datakällaregler och valideringsgrindar.

• Tilldela tydligt ägarskap för artefakter: utvecklingsteamet ansvarar för pipelines och notebooks, Business Intelligence (BI)-teamet ansvarar för semantiska modeller, och produktägarna hanterar nyckeltal (KPI:er) och definitioner.

Resultatet är en styrd analyspipeline där rådata bevaras, överensstämmande data kan återanvändas, kuraterade modeller är betrodda och förbrukningsupplevelser stöds av certifierade semantiska lager.

Scenarioinformation

Primärt mål: Leverera en skalbar, stödbar analysgrund för Dataverse- och icke-Dataverse-källor som påskyndar Power Platform-scenarier och förbereder dataytan för Copilot och Enterprise BI.

Viktiga mål är:

• Konsekventa dataprodukter (star-schema gold) som driver certifierade semantiska modeller.
• Direktintegrering med Power Apps (Dataverse) via Länka till Fabric (hanterad spegling).
• Styrd utveckling med Git-integrering och Fabric distributionspipelines (Dev → Test → Production).
• Säker, rollbaserad åtkomst på arbetsyte-, post-, objekt- och rad-/kolumnnivå.
• Centraliserade data från flera system.
• Förbättrad dataredlighet, organisation och säkerhet.
• Stöd för Copilot- och analysscenarier.
• Kostnadsmedvetna verktyg och konfigurationsalternativ.

Arkitekturen översätter dessa mål till ett styrt Fabric mönster: Dataverse-data matas in via Länk till Fabric och externa källor matas in via Fabric pipelines. Båda strömmarna formas genom brons-, silver- och guldskikt innan de exponeras via certifierade semantiska modeller för Power BI, Copilot, dataagenter och driftrapportering.

Components

Följande komponenter utgör referensarkitekturen och stöder identitet, inmatning, transformering, styrning, livscykelhantering och förbrukning.

Överväganden

Dessa överväganden implementerar Power Platforms Well-Architected-pelarna, en uppsättning vägledande principer som förbättrar kvaliteten på ett arbetsflöde. Läs mer i Microsoft Power Platform Well-Architected.

Reliability

Den här arkitekturen är utformad för att tillhandahålla konsekvent, elastisk dataleverans över inmatnings-, transformerings- och förbrukningslager.

• Hanterad Länka till Fabric-spegling minskar behovet av anpassad extraheringslogik och sänker risken för inmatningsfel.

• Medallion-arkitektur isolerar fel i brons, silver och guld, så problem i ett lager stör inte hela analyspipelinen.

• Inkrementell bearbetning, partitionerad ELT och beroendemedveten orkestrering minskar uppdateringstiden och kapacitetskonkurrationen.

• Övervakning, aviseringar och hantering av återförsök hjälper till att upptäcka pipelinefel tidigt och att återhämta sig utan manuellt omarbete.

Security

Implementera säkerhet som ett förstklassigt problem och tillämpa den konsekvent över identitets-, data- och analyslager.

• Använd enkel inloggning med JumpCloud som identitetsprovider integrerad med Microsoft Entra ID för åtkomst till Power Platform, Fabric och godkända förbrukningsverktyg.

• Tillämpa RBAC på arbetsyte-, resurs-, objekt- och semantisk modellnivå för att stödja åtkomst enligt principen om minsta privilegium, i linje med företagsroller.

• Använd säkerhet på radnivå och kolumnnivå för att skydda känsliga affärsdata i semantiska modeller och stödja säker återanvändning i flera rapporter.

• Använd känslighetsetiketter, bekräftelse, ursprung och periodiska åtkomstgranskningar för att upprätthålla betrodd och kompatibel dataåtkomst.

Operativ skicklighet

Uppnå driftskvalitet genom standardisering, automatisering och tydligt ägande i hela analyslivscykeln.

• Använd Git-integrering med Azure DevOps för att aktivera versionskontroll, peer-granskning och spårning för Fabric artefakter.

• Använd Fabric distributionspipelines för att standardisera befordran över Dev, Test och Production, framtvinga valideringsportar och minska manuella distributionsfel.

• Tilldela ett tydligt ägarskap mellan teknik-, business intelligence- och affärsroller för att förbättra driftansvaret.

• Definiera ägare, åtgärdsvägar, datahärkomst och åtgärdsmanualer för datakvalitetsavvikelser så att ni kan lösa problem innan de påverkar certifierade modeller.

Prestandaeffektivitet

Arkitekturen optimerar prestanda mellan lagrings-, beräknings- och semantiska lager för att stödja både företags-BI och Copilot scenarier.

• Delta- och Parquet-lagring stöder effektiv predikatnedföring och skalbara sammanfogningar för stora analytiska arbetsbelastningar.

• Stjärnscheman med guldlager använder surrogatnycklar, anpassade dimensioner och inkrementella strategier för att förbättra prestandan vid frågor.

• Certifierade semantiska modeller med cachelagring och aggregeringar minskar frågesvarstiden och avlastar upprepad beräkning från underliggande datalager.

• Appen Fabric Capacity Metrics övervakar lagrings- och beräkningsanvändningen, analyserar skalningsbehov och identifierar flaskhalsar för prestanda.

Upplevelseoptimering

Den här arkitekturen prioriterar användbarhet, förtroende och produktivitet för datakonsumenter, tillverkare och analytiker.

• Certifierade semantiska modeller ger en konsekvent KPI- och affärslogikyta för godkänd rapportering och AI-assisterade upplevelser.

• Transformeringsbanor som är anpassade till kompetensuppsättningar, till exempel Dataflow Gen2 för utvecklare med låg kod och notebook-filer för ingenjörer, hjälper team att arbeta effektivt inom en enda plattform.

• Företagsordlista och KPI-definitioner som är knutna till semantiska modeller förbättrar tolkningen och minskar tvetydigheten för företagsanvändare.

• Direkt rapportering från Linked Dataverse Lakehouse är begränsad till operativa scenarier där minimal bearbetning är acceptabel och konsekvent företagssemantik inte krävs.

Tillsammans hjälper dessa överväganden till att hålla arkitekturen tillförlitlig, säker, underhållsbar, kostnadsmedveten, högpresterande och lätt att använda när användningen expanderar.

Deltagare

Microsoft ansvarar för den här artikeln. Följande bidragsgivare skrev den här artikeln.

Huvudsakliga författare:

• Terra Gilbert, senior teknisk konsult

Relaterade resurser

• Förstå medaljongbaserad lakehouse-arkitektur för Fabric med OneLake
• Automatisera git-integrering med ett huvudnamn för tjänsten i Azure DevOps
• Introduktion till distributionspipelines