Power Platform - Apps - Automate - SharePoint

Pages

Architecture Power Platform

Modéliser des données

Common Data Model

Le Common Data Model (CDM) est un cadre standardisé qui définit un langage commun pour les entités commerciales à travers divers processus tels que les ventes, les services, le marketing, les opérations, la finance, les talents et le commerce. Son principal objectif est d'améliorer l'interopérabilité des données et la compatibilité des applications à travers plusieurs canaux et implémentations de services. Le CDM fournit des données auto-descriptives, permettant aux applications de lire et de comprendre les données plus efficacement.

Les principales caractéristiques du CDM incluent :

Un modèle de données partagé pour une interaction unifiée des données.

Un système de métadonnées riche avec des entités standard, des relations, des hiérarchies et des attributs.

Issu de Microsoft Dynamics 365/CRM, disponible en open-source sur GitHub avec plus de 260 entités standard.

Mis en œuvre par divers systèmes et plateformes, y compris Dataverse, les flux de données Microsoft Power BI et les services de données Microsoft Azure.

Le CDM est utilisé lors de la configuration des environnements Dataverse, du déploiement des applications Dynamics 365, et dans des outils comme Power BI et Azure Data Factory pour une interopérabilité améliorée.

Les Accélérateurs Microsoft Industry étendent encore le CDM avec des schémas standardisés spécifiques aux secteurs, aidant les ISV et les fournisseurs de solutions à créer des solutions sectorielles. Les secteurs actuellement ciblés incluent l'industrie automobile, les services financiers, l'éducation, les associations, la production, et les médias et divertissements.

⁠

https://learn.microsoft.com/fr-fr/dynamics365/industry/accelerators/overview/⁠

⁠

Modélisation des Données

La modélisation des données sur Microsoft Power Platform englobe l'architecture des données, incluant un aperçu logique des données de Dataverse, des lacs de données et des sources externes via des connecteurs. Les normes disponibles incluent UML et IDEF1X, avec deux principales catégories de modèles de données pour Dataverse : logiques et physiques.

Diagrammes entité/association (ERD) : Les modèles logiques montrent globalement le flux des données dans le système sans se préoccuper des détails d'implémentation physique. Les modèles physiques, plus détaillés, se concentrent sur les colonnes et les relations spécifiques. Modèles de données logiques :

⁠

Modèles de données physiques :

⁠

Diagrammes d’objets :

⁠

Stratégies de modélisation : Commencez par les tables et relations principales, évitez la sur-normalisation, et pensez à court et long terme. Dataverse permet des essais incrémentiels, facilitant la création de preuves de concept.

Influenceurs de modèles : Les exigences de sécurité, l'expérience utilisateur, la localisation des données, les rapports en libre-service, les systèmes existants, et les besoins de localisation peuvent influencer le modèle de données.

Choisir un magasin de données

Lors de la conception de votre solution, vous devez prendre en compte les sources de données existantes pour celle-ci.

Si votre application crée des données qui n’existent pas encore, par exemple dans des situations où le processus métier existant s’effectuait sur support papier, nous vous recommandons de stocker les données dans Dataverse.

Les données en lecture/écriture à partir d’un système existant sont un type de données dans lequel vous devez récupérer les dernières informations d’une base de données ou d’un système existant. Dans ces cas, les données doivent être demandées lorsque vous en avez besoin.

Où stocker les données

Dataverse

Dataverse soustrait vos applications de la façon dont les données sont stockées. Toutes les données dans Dataverse sont accessible par le biais des API REST. Actuellement, les tables dans Dataverse sont des tables relationnelles. Dataverse stocke ses données dans une combinaison de magasins et de formats :

Pools élastiques Microsoft Azure SQL Database

Microsoft Azure Cosmos DB

Stockage Microsoft Azure

Microsoft Azure Data Lake Storage dans les dossiers Common Data Model

Trois façons d’utiliser les données existantes

Connecteur : Permet à l'application de se connecter à divers systèmes et sources, comme SharePoint, SQL Server ou Microsoft 365, pour récupérer ou enregistrer des données.

Flux de données : Extraient, transforment et chargent des données d’un autre système vers Dataverse ou Azure Data Lake Storage. Ils utilisent Microsoft Power Query Online pour manipuler les données avant de les stocker.

Tables virtuelles : Tables personnalisées dans Dataverse contenant des données d'une source externe, apparaissant comme des lignes de table normales aux utilisateurs. Ces tables permettent désormais la création et l'écriture de données.

Recommandations

Dataverse : pour les données transactionnelles que vos applications consommeront et manipuleront.

Azure Data Lake : pour les données d’autres systèmes, axées sur la lecture et intégrées dans une structure Common Data Model.

Connecteurs : pour laisser les données existantes là où elles se trouvent et accéder à d’autres services dont les données sont accessibles.

Modélisation pour Dataverse

Types de tables

Dataverse comporte trois types de tables :

Standard : Tables pour stocker des données et ajouter à la navigation dans les applications basées sur des modèles, principalement créées à partir du schéma Common Data Model dans Dataverse.

Activité : Tables pour stocker des interactions comme les appels téléphoniques, les tâches et les rendez-vous, présentes dans les bases de données Dataverse.

Virtuelle : Tables permettant de créer la table et les colonnes dans Dataverse tout en utilisant une source de données externe pour le stockage, apparaissant comme des données normales dans les applications.