WEBVTT

00:00:00.000 --> 00:00:01.200
Selamat datang di episode lainnya.

00:00:01.680 --> 00:00:05.780
Topik hari ini mungkin pernah Anda dengar dalam rapat atau artikel teknologi, yaitu Microsoft Fabric.

00:00:06.360 --> 00:00:09.200
Namun jika Anda seperti kebanyakan orang, Anda belum sepenuhnya yakin apa sebenarnya?

00:00:09.660 --> 00:00:11.160
Apakah ini hanya produk Microsoft lainnya?

00:00:11.280 --> 00:00:13.940
Perubahan merek dari sesuatu yang lama atau sesuatu yang benar-benar berbeda?

00:00:14.340 --> 00:00:15.420
Ijinkan saya berikan jawaban singkat.

00:00:15.840 --> 00:00:17.260
Microsoft Fabric bukan sekadar produk biasa.

00:00:17.880 --> 00:00:21.660
Ini adalah platform data lengkap, satu tempat di mana Anda bisa melakukan semua pekerjaan data,

00:00:22.060 --> 00:00:24.820
penyimpanan, transformasi, analitik, dan pelaporan semuanya di satu tempat.

00:00:25.420 --> 00:00:28.940
Di akhir episode ini, Anda akan memahami apa itu Fabric, mengapa Microsoft membangunnya,

00:00:28.940 --> 00:00:31.020
dan bagaimana bagian-bagian utamanya saling melengkapi.

00:00:31.280 --> 00:00:32.600
Ambil kopi Anda dan mari kita mulai.

00:00:33.480 --> 00:00:35.660
Cara lama, mengapa data menjadi terpecah?

00:00:40.640 --> 00:00:44.760
20 tahun yang lalu jika Anda menjalankan perusahaan, Anda harus membeli server untuk menyimpan data,

00:00:44.940 --> 00:00:48.340
alat terpisah untuk membuat laporan, dan produk lain untuk analisis waktu nyata.

00:00:49.060 --> 00:00:52.420
Tanpa disadari, Anda memiliki 5 sistem berbeda, masing-masing dengan login sendiri,

00:00:52.560 --> 00:00:54.860
cara kerja sendiri, cara kerja sendiri, dan tim yang mengelola.

00:00:55.080 --> 00:00:58.700
Untuk waktu yang lama data beradam silo, data penjualan ada di satu sistem,

00:00:59.080 --> 00:01:02.260
data pelanggan di sistem lain, dan data keuangan di tempat yang benar-benar berbeda.

00:01:02.260 --> 00:01:05.240
Jika Anda ingin mengajukan pertanyaan yang melintasi sistem tersebut,

00:01:05.360 --> 00:01:08.480
seperti pelanggan mana yang membeli produk paling menguntungkan, Anda harus memindahkan data.

00:01:09.260 --> 00:01:13.060
Ekspor dari satu sistem, ubah, muat ke sistem lain, lalu lakukan lagi saat data berubah.

00:01:13.640 --> 00:01:17.300
Lebih banyak waktu dihabiskan untuk memindahkan data antar sistem daripada benar-benar menganalisisnya.

00:01:17.460 --> 00:01:19.720
Integrasi data menjadi pekerjaan penuh waktu bagi seluruh tim.

00:01:20.240 --> 00:01:24.000
Bagian terburuknya adalah setiap kali Anda memindahkan data, Anda membuat salinan lain,

00:01:24.140 --> 00:01:27.820
versi kebenaran lain, dan tak lama kemudian tidak ada yang tahu salinan mana yang benar.

00:01:28.660 --> 00:01:31.420
Microsoft melihat fragmentasi ini dan mengajukan pertanyaan sederhana.

00:01:31.420 --> 00:01:33.360
Bagaimana jika semua layanan ini bekerja bersama?

00:01:33.620 --> 00:01:37.240
Bagaimana jika alih menyatukan produk yang terpisah, Anda memiliki satu platform yang melakukan segalanya?

00:01:37.540 --> 00:01:39.540
Pertanyaan itulah yang mengarah pada Microsoft Fabric.

00:01:40.280 --> 00:01:41.940
Apa sebenarnya Microsoft Fabric itu?

00:01:42.640 --> 00:01:43.320
Jadi apa itu Fabric?

00:01:43.720 --> 00:01:45.020
Berikut adalah definisi paling sederhana.

00:01:45.320 --> 00:01:48.120
Microsoft Fabric adalah platform data dan analitik terpadu.

00:01:48.560 --> 00:01:49.680
Satu tempat untuk semua pekerjaan data.

00:01:50.060 --> 00:01:51.620
Bayangkan ini seperti gedung kantor modern.

00:01:52.000 --> 00:01:55.480
Setiap alat seperti Power BI atau Azure Synapse adalah ruangan di dalam gedung tersebut.

00:01:55.480 --> 00:01:59.260
Mereka memiliki tujuan, perabotan, dan alatnya sendiri, tetapi semuanya merupakan bagian dari struktur yang sama.

00:01:59.260 --> 00:02:02.240
Anda tidak perlu berjalan keluar untuk berpindah dari satu ruangan ke ruangan sembilan sektor.

00:02:02.640 --> 00:02:03.380
Telah dilakukan Fabric.

00:02:03.700 --> 00:02:09.500
Platform ini menyatukan rekayasa data, integrasi data, pergudangan data, analitik waktu nyataan, kecerdasan bisnis dalam satu platform.

00:02:09.880 --> 00:02:13.160
Semuanya berjalan di satu platform saat, yang berarti tidak ada infrastruktur terpisah untuk dikola,

00:02:13.380 --> 00:02:16.860
tidak ada serut untuk disediakan atau jaringan untuk disediakan atau jaringan untuk dikonfigurasi.

00:02:16.960 --> 00:02:18.000
Microsoft menangani semua itu Anda.

00:02:18.400 --> 00:02:23.260
Sejak diluncurkan pada tahun 2023, Fabric telah menjadi produk data dengan pertumbuhan tercepat dalam sejarah mikrofon.

00:02:23.260 --> 00:02:27.340
Saat ini, lebih dari 25.000 pelanggan menggunakannya, termasuk 80% dari Fortune 500.

00:02:27.760 --> 00:02:29.140
Itu adalah tingkat adopsinya yang sangat singkat.

00:02:29.720 --> 00:02:34.060
Perbedaan utamanya adalah, di masa lalu Anda membeli produk terpisah dan mencoba membuat semuanya saling terhubung.

00:02:34.640 --> 00:02:37.160
Dengan Fabric, Anda tidak perlu lagi menyatukan berbagai layanan yang berbeda.

00:02:37.480 --> 00:02:40.680
Ini adalah satu pengalaman, satu login, satu cara kerja, dan itu mengubah segalanya.

00:02:41.640 --> 00:02:42.660
One Lake Sang Fondasi

00:02:42.660 --> 00:02:45.580
Sekarang, mari kita bicara tentang fondasi yang membuat semua ini berfungsi.

00:02:46.060 --> 00:02:48.280
Inti dari Fabric adalah sesuatu yang disebut One Lake.

00:02:48.840 --> 00:02:51.620
Cara termudah untuk membayangkan One Lake adalah seperti OneDrive untuk data Anda.

00:02:51.620 --> 00:02:55.560
Anda tahu bagaimana OneDrive memberikan satu tempat untuk menyimpan semua file pribadi Anda,

00:02:55.720 --> 00:02:58.000
dan setiap aplikasi di komputer Anda dapat mengakses file tersebut.

00:02:58.160 --> 00:03:00.960
One Lake melakukan hal yang sama, tetapi untuk data organisasi Anda.

00:03:01.360 --> 00:03:02.240
Inilah yang membayang sangat ceng.

00:03:02.740 --> 00:03:06.720
Setiap beban kerja Fabric, baik itu Lighthouse, Warehouse, atau pekerja analitik waktu nyata,

00:03:06.880 --> 00:03:08.620
secara otomatis menyimpan datanya di One Lake,

00:03:09.000 --> 00:03:11.700
Anda tidak perlu menyalahkan apapun secara manual atau mengkonfigurasi koneksi.

00:03:12.120 --> 00:03:13.060
Sebenarnya terjadi secara otomatis.

00:03:13.280 --> 00:03:14.880
Dan hanya ada satu One Lake perpenyewa,

00:03:15.260 --> 00:03:17.740
satu sumber kebenaran tunggal untuk seluruh organisasi Anda.

00:03:18.040 --> 00:03:20.560
Sekarang Anda mungkin berpikir bagaimana jika saya ingin pindah platform nanti.

00:03:20.560 --> 00:03:21.600
Apakah saya terkunci?

00:03:22.000 --> 00:03:22.760
Jawabannya adalah tidak.

00:03:23.260 --> 00:03:25.980
One Lake menyimpan data dalam format terbuka seperti Delta Parkway,

00:03:26.340 --> 00:03:29.000
format standar industri yang digunakan oleh Databricks dan Apache Spark.

00:03:29.440 --> 00:03:30.700
Anda tidak pernah terkunci di Microsoft.

00:03:31.280 --> 00:03:33.100
Jika Anda ingin memindahkan data tempat lain, Anda bisa melakukan.

00:03:33.500 --> 00:03:34.000
Itu data Anda.

00:03:35.020 --> 00:03:36.660
Namun, di sini One Lake menjadi sangat menarik.

00:03:36.920 --> 00:03:37.540
Pintasan shortcut.

00:03:37.880 --> 00:03:40.380
Pintasan adalah penunjuk virtual ke data yang tersimpan di tempat lain.

00:03:40.740 --> 00:03:43.760
Anda dapat membuat pintasan ke data yang disimpan di AWS S3, Google Cloud,

00:03:43.880 --> 00:03:44.840
atau bahkan penyimpanan lokal,

00:03:44.840 --> 00:03:47.460
dan data tersebut akan muncul di One Lake seolah-olah tersimpan di sana.

00:03:48.180 --> 00:03:49.920
Tidak perlu pemindahan data, tidak ada duplikasi.

00:03:50.560 --> 00:03:52.540
Anda cukup menunjuk ke sana dan data itu muncul.

00:03:53.400 --> 00:03:55.300
One Lake dibangun di atas Azure Data Lake Storage,

00:03:55.440 --> 00:03:57.020
penyimpanan kelas-kelas perusahaan dari Microsoft,

00:03:57.180 --> 00:03:59.100
tetapi Anda tidak perlu mengelola infrastrukturnya

00:03:59.100 --> 00:04:00.760
karena semuanya ditangani sebagai layanan SaaS.

00:04:01.180 --> 00:04:03.400
Anda tidak perlu menyediakan server atau mengonfigurasi jaringan,

00:04:03.480 --> 00:04:04.100
Anda tinggal menggunakan.

00:04:04.520 --> 00:04:05.320
Apa artinya ini bagi Anda?

00:04:05.760 --> 00:04:08.040
Artinya, Anda bisa memiliki data dari berbagai sumber,

00:04:08.160 --> 00:04:10.840
penyimpanan cloud, basis data lokal, platform pihak ketiga,

00:04:11.020 --> 00:04:12.980
semua muncul di satu tempat tanpa duplikasi.

00:04:13.480 --> 00:04:14.660
Dan apa kekuatan sebenarnya?

00:04:15.060 --> 00:04:18.480
Data apapun yang ditulis ke One Lake dapat langsung digunakan oleh beban kerja fabrik apapun.

00:04:18.480 --> 00:04:21.380
Anda melihatnya sekali dan setiap alat di fabrik dapat melihatnya.

00:04:21.600 --> 00:04:22.520
Itulah kajaiban One Lake.

00:04:23.480 --> 00:04:25.060
Lake House, pusat rekayasa data.

00:04:25.760 --> 00:04:28.000
Data Anda sudah ada di One Lake, Anda perlu mengolahnya.

00:04:28.380 --> 00:04:29.380
Disinilah Lake House berperang.

00:04:29.700 --> 00:04:30.900
Berikut adalah definisi paling sederhana.

00:04:31.220 --> 00:04:34.240
Lake House adalah penyimpanan data yang menggabungkan fleksibilitas data lake

00:04:34.240 --> 00:04:35.480
dengan struktur basis data.

00:04:36.340 --> 00:04:38.780
Di data lake tradisional, Anda bisa menyimpan apa saja,

00:04:38.980 --> 00:04:41.640
file CSV mentah, dokumen JSON, gambar, file video,

00:04:42.040 --> 00:04:43.760
namun berantakan tanpa struktur atau skema,

00:04:43.760 --> 00:04:44.980
sehingga sulit di-query.

00:04:45.620 --> 00:04:48.220
Di basis data tradisional, semuanya terstruktur dan dapat di-query,

00:04:48.340 --> 00:04:50.300
tetapi Anda hanya bisa menyimpan jenis data tertentu.

00:04:50.560 --> 00:04:51.420
Lake House memberi Anda kedua.

00:04:51.760 --> 00:04:54.060
Anda dapat menyimpan file mentah seperti CSV, JSON,

00:04:54.380 --> 00:04:55.580
atau bahkan gambar di Lake House.

00:04:56.280 --> 00:04:59.320
Dan Anda juga dapat menyimpan tabel terstruktur yang dapat Anda query dengan SQ.

00:04:59.700 --> 00:05:00.780
Keduanya berada di tempat yang sama.

00:05:00.960 --> 00:05:02.760
Tabel tersebut menggunakan format Delta Parkway,

00:05:03.040 --> 00:05:05.440
format terbuka dan cepat yang sama seperti yang digunakan oleh Databricks

00:05:05.440 --> 00:05:08.000
dan platform besar lainnya dirancang untuk menangani data dalam jumlah besar.

00:05:08.340 --> 00:05:09.680
Lake House mendukung berbagai alat.

00:05:10.300 --> 00:05:12.480
Anda dapat menggunakan Spark untuk pemrosesan data skala besar.

00:05:12.480 --> 00:05:14.420
Anda dapat menggunakan Python untuk pembelajaran mesin.

00:05:14.720 --> 00:05:16.200
Anda dapat menggunakan SQL untuk query, sederhana.

00:05:16.620 --> 00:05:18.780
Apapun alat yang Anda sukai, Lake House dapat menangaminya.

00:05:19.340 --> 00:05:22.160
Anggap Lake House sebagai ruang kerja Anda untuk membangun saluran data-data pepint.

00:05:22.700 --> 00:05:26.120
Anda memasukkan data mentah, mengubahnya, membersihkannya, dan menyiapkannya untuk analisis.

00:05:26.700 --> 00:05:28.180
Anda dapat menjalankan moda pemrosesan di atasnya.

00:05:28.760 --> 00:05:30.640
Anda dapat membuat sedata pelatihan, semua di satu tempat.

00:05:31.020 --> 00:05:33.280
Bagi insinyur data yang lebih menyukai lingkungan ramah kode,

00:05:33.460 --> 00:05:34.500
Lake House mendukung notebook.

00:05:35.000 --> 00:05:36.940
Ini adalah dokumen interaktif tempat Anda menulis kode,

00:05:37.060 --> 00:05:38.960
melihat hasil, dan mendokumentasikan pekerjaan Anda

00:05:38.960 --> 00:05:40.340
seperti buku catatan laboratorium untuk data.

00:05:40.600 --> 00:05:42.200
Anda dapat menulis kode Spark di satu sel,

00:05:42.320 --> 00:05:43.440
melihat hasilnya di sel berikutnya,

00:05:43.540 --> 00:05:45.100
dan menjelaskan apa yang Anda lakukan di sel setel.

00:05:45.520 --> 00:05:48.560
Lake House adalah titik masuk bagi sebagian besar insinyur data yang bekerja di fabrik.

00:05:49.280 --> 00:05:50.820
Di sinilah pekerjaan berat dilakukan.

00:05:50.980 --> 00:05:52.520
Dan karena semuanya disimpan dalam satu leg,

00:05:52.640 --> 00:05:54.920
data apapun yang Anda masukkan ke Lake House langsung tersedia

00:05:54.920 --> 00:05:56.860
untuk setiap beban kerja fabrik lainnya di warehouse.

00:05:57.300 --> 00:05:58.760
Mesin analitik, SQL.

00:05:59.820 --> 00:06:01.860
Sekarang, jika Lake House adalah pusat rekayasa data,

00:06:01.860 --> 00:06:03.740
anggap warehouse sebagai mesin analitik SQL

00:06:03.740 --> 00:06:05.280
yang dibangun untuk jenis pengguna yang berbeda.

00:06:06.040 --> 00:06:09.220
Warehouse di fabrik adalah basis data analitik SQL yang dikelola sepenuhnya.

00:06:09.800 --> 00:06:12.040
Jika Anda seorang administrator basis data atau pengembang SQL,

00:06:12.120 --> 00:06:13.240
di sinilah Anda akan merasa nyaman.

00:06:14.020 --> 00:06:15.360
Anda dapat menulis kualitas SQL,

00:06:15.540 --> 00:06:17.860
membuat tampilan, prosedur tersimpan, dan kebijakan keamanan.

00:06:18.680 --> 00:06:20.560
Tampilannya terasa seperti gudang data tradisional,

00:06:20.740 --> 00:06:21.760
namun inilah yang membuatnya berbeda.

00:06:22.100 --> 00:06:23.660
Berbeda dengan gudang data tradisional,

00:06:23.800 --> 00:06:25.660
warehouse fabrik menyimpan data langsung di satu leg.

00:06:26.100 --> 00:06:27.420
Tidak ada lapisan penyimpanan terpisah,

00:06:27.560 --> 00:06:29.020
tidak ada infrastruktur tambahan untuk dikelola.

00:06:29.020 --> 00:06:30.520
Data berada di satu leg,

00:06:30.940 --> 00:06:33.240
dan warehouse hanyalah antar muka yang Anda gunakan untuk mengquery.

00:06:33.720 --> 00:06:36.400
Hal ini penting karena warehouse dan lake house berbagi data yang sama,

00:06:36.560 --> 00:06:38.160
jadi Anda tidak menduplikasi apapun.

00:06:38.740 --> 00:06:40.740
Jika seorang data engineer memuat data ke lake house,

00:06:41.160 --> 00:06:43.380
developer SQL dapat segera mengquery-nya dari warehouse,

00:06:43.800 --> 00:06:44.960
tanpa menyalin, tanpa memindahkan.

00:06:45.240 --> 00:06:47.540
Ini adalah data yang sama yang diakses melalui alat yang berbeda.

00:06:48.100 --> 00:06:50.240
Warehouse ini dibangun untuk analitik berskala besar.

00:06:51.000 --> 00:06:51.560
Di balik layar,

00:06:51.620 --> 00:06:53.180
ia menggunakan pemrosesan parallel masif

00:06:53.180 --> 00:06:54.640
untuk menangani kumpulan data yang sangat besar.

00:06:54.640 --> 00:06:57.100
Dan Microsoft telah berinvestasi besar-besaran dalam hal perform.

00:06:57.100 --> 00:06:58.600
Dalam 6 bulan terakhir saja,

00:06:58.900 --> 00:07:01.060
performa telah meningkat sebesar 36%.

00:07:01.060 --> 00:07:02.980
Itu adalah peningkatan yang signifikan Anda waktu singkat.

00:07:03.360 --> 00:07:04.760
Jika Anda bermigrasi dari platform lain,

00:07:04.940 --> 00:07:08.300
Fabric memiliki asisten migrasi yang membantu Anda berpindah dari snowflake atau synapse.

00:07:08.900 --> 00:07:11.400
Ia menganalisis pengaturan Anda saat ini dan membantu Anda prosesnya.

00:07:11.860 --> 00:07:13.680
Tujuannya adalah membuat migrasi semudah mungkin.

00:07:14.200 --> 00:07:15.940
Jadi apa perbedaan antara lake house dan warehouse?

00:07:16.400 --> 00:07:17.400
Semuanya berumur apa dan terbuka.

00:07:17.620 --> 00:07:19.240
Warehouse mengutamakan SQL.

00:07:19.780 --> 00:07:23.180
Warehouse dibangun untuk orang-orang yang berpikir dalam bentuk tabel, query, dan prosedur tersebut.

00:07:23.520 --> 00:07:24.820
Lakehouse mengutamakan developer.

00:07:24.820 --> 00:07:28.000
Lakehouse dibangun untuk mereka yang ingin menggunakan Spark, Python, dan Node.

00:07:28.460 --> 00:07:30.620
Namun di dasarnya, keduanya menyimpan data di satu lake yang sama.

00:07:30.880 --> 00:07:32.700
Keduanya adalah dua cara untuk bekerja dengan data yang sama.

00:07:33.340 --> 00:07:35.640
Mengasukkan data, data factory, mirroring, dan shortcut.

00:07:36.360 --> 00:07:38.320
Jadi Anda memiliki satu lake untuk penyimpanan,

00:07:38.380 --> 00:07:40.580
lakehouse untuk transformasi, dan warehouse untuk query.

00:07:40.900 --> 00:07:42.240
Namun bagaimana data sebenarnya masuk?

00:07:42.760 --> 00:07:43.940
Disitulah data factory berperan.

00:07:44.220 --> 00:07:46.400
Data factory adalah layanan integrasi data bawaan Fabric

00:07:46.400 --> 00:07:48.280
yang menyediakan lebih dari 200 konektor

00:07:48.280 --> 00:07:50.280
untuk menarik data dari basis data, penyimpanan cloud,

00:07:50.380 --> 00:07:51.540
aplikasi SaaS, dan banyak lagi.

00:07:51.540 --> 00:07:55.120
Ini adalah alat integrasi data yang paling banyak digunakan di dunia dan dengan rasa lengku.

00:07:55.480 --> 00:07:57.660
Di dalam data factory, Anda mendapatkan data Flows Gen 2

00:07:57.660 --> 00:08:01.020
yang memberi Anda cara tanpa kode untuk mentransformasi data menggunakan Power Query.

00:08:01.180 --> 00:08:04.480
Jika Anda pernah menggunakan Power Query di Excel atau Power BI, Anda pasti sudah paham caranya.

00:08:04.860 --> 00:08:07.900
Anda cukup klik melalui antar muka visual untuk membersihkan, membentuk ulang, dan menggabungkan.

00:08:08.140 --> 00:08:11.620
Tidak perlu coding, dan alat ini berskala enterprise yang mampu menangani data set masih.

00:08:12.280 --> 00:08:15.620
Lebih dari 22 miliar orkestrasi berjalan di data factory setiap bulan,

00:08:15.940 --> 00:08:18.320
yang berarti miliaran pergerakan data terjadi secara otomatis,

00:08:18.320 --> 00:08:20.320
menjadikannya bagian infrastruktur yang sangat penting.

00:08:20.760 --> 00:08:23.680
Namun, ada cara yang lebih sederhana untuk memasukkan data ke One Lake, itu mirroring.

00:08:24.460 --> 00:08:27.800
Mirroring menyalin data dari basis data eksternal seperti Azure SQL, Oracle,

00:08:28.000 --> 00:08:31.380
atau Google BigQuery ke One Lake secara hampir waktu nyata, dan inilah bagian terbaiknya.

00:08:32.320 --> 00:08:34.740
Layanan ini gratis sudah termasuk di dalam layanan tanpa biaya tambah.

00:08:35.280 --> 00:08:37.980
Anda cukup mengarahkannya ke basis data sumber Anda dan fabrik akan menangani.

00:08:38.180 --> 00:08:40.620
Lalu ada pintasan, shortcuts yang sempat kita singgung sebelumnya,

00:08:40.620 --> 00:08:41.860
namun layak mendapatkan perhatian Anda.

00:08:42.120 --> 00:08:46.000
Pintasan adalah penunjuk virtual ke data yang disimpan di tempat lain tanpa memerlukan pergerakan data.

00:08:46.000 --> 00:08:50.800
Anda membuat pintasan ke bakat AWS S3 dan pintasan tersebut muncul di One Lake seolah-olah tersimpan di sana,

00:08:50.940 --> 00:08:52.560
padahal data tetap berada di tempat asalnya.

00:08:52.980 --> 00:08:53.780
Anda hanya menunjuk ke sana.

00:08:54.200 --> 00:08:56.200
Dan sekarang pintasan bisa melakukan lebih dari sekali menuju.

00:08:56.880 --> 00:09:00.140
Transformasi pintasan memungkinkan Anda menerapkan transformasi bertenaga air secara otomatis.

00:09:00.700 --> 00:09:03.120
Anda dapat menjalankan analisis sentimen pada data teks,

00:09:03.320 --> 00:09:08.580
menerjemahkan konten, atau mendeteksi informasi identitas pribadi semuanya tanpa memindahkan data atau membangun pipeline.

00:09:09.200 --> 00:09:10.920
Transformasi terjadi saat Anda mengaksesnya.

00:09:11.760 --> 00:09:13.180
Tujuan dari semua alat ini sederhana.

00:09:13.180 --> 00:09:16.460
Membawa semua data Anda ke One Lake tanpa harus membangun pipeline yang kompleks.

00:09:17.080 --> 00:09:19.440
Baik Anda menggunakan data factory untuk ETL tradisional,

00:09:19.680 --> 00:09:21.500
mirroring untuk replikasi hampir waktu nyata,

00:09:21.640 --> 00:09:23.900
atau pintasan untuk akses virtual, hasilnya tetap sama.

00:09:24.980 --> 00:09:27.760
Data Anda berakhir di One Lake, siap untuk pembangun kerja Fabric apapun.

00:09:29.120 --> 00:09:31.060
Kecerdasan waktu nyata, basis data, dan AI.

00:09:31.460 --> 00:09:33.980
Sejauh ini kita telah berbicara tentang memindahkan data dan menyimpannya,

00:09:34.100 --> 00:09:35.520
tetapi bagaimana dengan data yang terus bergerak?

00:09:35.840 --> 00:09:39.560
Data streaming dari sensor IoT, klik situs web, telemetri dari perangkat.

00:09:39.560 --> 00:09:41.400
Disitulah peran kecerdasan waktu nyata.

00:09:42.080 --> 00:09:45.080
Fabric menangani data streaming melalui sesuatu yang disebut event house,

00:09:45.720 --> 00:09:48.940
yang menyimpan dan menguari data deret waktu bervolume tinggi menggunakan KQL,

00:09:49.100 --> 00:09:49.920
Gusto Query Language.

00:09:50.820 --> 00:09:53.000
Ini adalah mesin yang sama yang mendukung Azure Data Explorer,

00:09:53.200 --> 00:09:55.880
dibuat untuk kecepatan sehingga Anda dapat menyerap jutaan peristiwa per detik

00:09:55.880 --> 00:09:56.980
dan mengairinya dalam mili detik.

00:09:57.580 --> 00:09:58.520
Dia penting dan inilah alasan.

00:09:59.200 --> 00:10:02.160
46 persen pelanggan Fabric telah menggunakan kecerdasan waktu nyata.

00:10:02.160 --> 00:10:03.260
Itu hampir separuh.

00:10:03.620 --> 00:10:04.640
Kasus penggunaannya ada di mana-mana.

00:10:05.380 --> 00:10:07.100
Perusahaan logistik melacak truk pengiriman,

00:10:07.400 --> 00:10:09.300
berita memantau lalu lintas pengunjung di toko,

00:10:09.580 --> 00:10:11.540
produsen mengawasi data sensor dari peralatan Fabric,

00:10:11.640 --> 00:10:13.060
semuanya terjadi secara waktu nyata.

00:10:14.160 --> 00:10:15.600
Namun Fabric bukan hanya tantangan itu.

00:10:16.020 --> 00:10:17.800
Fabric juga menyertakan basis data operasional,

00:10:17.920 --> 00:10:20.220
seperti basis data SQL untuk data relasional dan Cosmos DB

00:10:20.220 --> 00:10:21.240
untuk pembeban kerjaan WSKL.

00:10:21.460 --> 00:10:24.120
Ini adalah basis data yang sama yang Anda gunakan untuk menjalankan aplikasian.

00:10:24.580 --> 00:10:26.140
Dan karena sudah terintegrasi ke dalam Fabric,

00:10:26.240 --> 00:10:28.340
mereka secara otomatis menyimpan datanya di One Lake,

00:10:28.780 --> 00:10:30.360
tanpa pipeline tambahan, tanpa penyalahan manual.

00:10:30.360 --> 00:10:33.640
Data transaksional dan data analitis Anda berada di tempat yang sama.

00:10:34.320 --> 00:10:35.660
Sekarang mari kita bicara tentang AI,

00:10:35.800 --> 00:10:37.240
karena disinilah Fabric menjadi sangat menarik.

00:10:37.800 --> 00:10:39.760
Integrasi AI berjalan mendalam di seluruh platform,

00:10:40.160 --> 00:10:41.540
dan Anda mendapatkan model siap pakai

00:10:41.540 --> 00:10:43.520
untuk analisis teks, terjemahan, dan analisis sentimen.

00:10:43.900 --> 00:10:45.740
Anda dapat menggunakannya langsung dalam aliran data Anda

00:10:45.740 --> 00:10:46.800
tanpa perlu menulis kode apapun.

00:10:47.080 --> 00:10:47.880
Cukup tunjuk data Anda,

00:10:48.140 --> 00:10:49.260
pilih modelnya dan itu akan berjalan.

00:10:49.680 --> 00:10:50.440
Lalu ada Copilot,

00:10:50.940 --> 00:10:51.940
yang disematkan di seluruh Fabric,

00:10:52.340 --> 00:10:53.420
yang membantu Anda menulis query,

00:10:53.560 --> 00:10:55.060
membuat laporan, dan membuat alur kerja.

00:10:55.440 --> 00:10:56.880
Anda cukup menjelaskan apa yang Anda inginkan

00:10:56.880 --> 00:10:57.880
dengan bahasa yang mudah dipahami,

00:10:57.880 --> 00:10:59.000
dan Copilot akan membuat kodenya.

00:10:59.220 --> 00:11:01.020
Rasanya seperti memiliki teknisi data junior

00:11:01.020 --> 00:11:02.640
di samping Anda siap membantu kapan saja.

00:11:02.940 --> 00:11:03.680
Visinya sederhana.

00:11:04.260 --> 00:11:06.460
AI bekerja pada data Anda tanpa memindahkannya kemanapun.

00:11:06.900 --> 00:11:08.040
Data Anda tetap berada di one leg,

00:11:08.140 --> 00:11:09.320
dan model AI mendatangi data tersebut.

00:11:09.740 --> 00:11:11.080
Tanpa penyalinan, tanpa ekspor,

00:11:11.220 --> 00:11:12.260
tanpa risiko keamanan,

00:11:13.000 --> 00:11:14.680
data depan meninggalkan lingkungan Anda yang terkelola.

00:11:16.640 --> 00:11:18.440
Power BI Tata Kelola dan Nilai Bisnis

00:11:18.440 --> 00:11:20.460
Sekarang kita sampai pada bagian yang paling banyak

00:11:20.460 --> 00:11:22.500
dilihat orang pintu gerbang menuju wawasan, yaitu Power BI.

00:11:23.100 --> 00:11:25.560
Ini digunakan oleh 590 ribu organisasi

00:11:25.560 --> 00:11:28.000
dan 34 juta pengguna setiap bulan menjadikannya

00:11:28.000 --> 00:11:30.800
alat intelijen bisnis yang paling banyak digunakan di dunia.

00:11:31.640 --> 00:11:33.800
Dan dalam fabrik, ini menjadi sesuatu yang jauh lebih kuat.

00:11:34.220 --> 00:11:34.600
Ini kuncin.

00:11:35.120 --> 00:11:37.460
Di fabrik, Power BI terhubung langsung ke one leg

00:11:37.460 --> 00:11:39.380
menggunakan mode yang disebut direct leg.

00:11:39.920 --> 00:11:41.720
Ini berbeda dari mode import tradisional

00:11:41.720 --> 00:11:44.020
di mana Anda menyalin data ke penyimpanan internal Power BI.

00:11:44.660 --> 00:11:47.400
Sebaliknya, direct leg menguri data di tempatnya berada di one leg,

00:11:47.620 --> 00:11:49.320
tanpa perlu penyegaran, tanpa duplikasi,

00:11:49.460 --> 00:11:51.080
dan data selalu terkini serta sangat cepat.

00:11:51.080 --> 00:11:54.980
Di balik setiap laporan Power BI, terdapat model semantik otak dari

00:11:54.980 --> 00:11:58.640
laporan Anda tempat Anda mendefinisikan logika bisnis, ukuran, dan hubungan.

00:11:59.440 --> 00:12:01.880
Dan sekarang Anda dapat membuat model ini sepenuhnya di peramban web.

00:12:02.560 --> 00:12:04.140
Pemodelan web kini tersedia secara umum

00:12:04.140 --> 00:12:06.440
sehingga Anda dapat membuat model semantik membangun hubungan

00:12:06.440 --> 00:12:08.420
dan menulis ukuran DAG semuanya dari peramban,

00:12:08.680 --> 00:12:09.180
bahkan di Mac.

00:12:09.520 --> 00:12:10.560
Tidak diperlukan aplikasi desktop.

00:12:10.820 --> 00:12:12.860
Namun, semua kekuatan data ini tidak berarti apa-apa

00:12:12.860 --> 00:12:15.040
tanpa tata kelola yang terintegrasi sejak awal.

00:12:15.580 --> 00:12:17.660
Microsoft Review menyediakan label sensitivitas

00:12:17.660 --> 00:12:18.900
yang mengikuti data Anda kemana saja.

00:12:19.500 --> 00:12:21.420
Jika sebuah laporan berisi informasi sensitif,

00:12:21.540 --> 00:12:23.640
label tersebut tetap melekat padanya bahkan saat diekspor.

00:12:24.260 --> 00:12:25.700
Kebijakan pencegahan kehilangan data

00:12:25.700 --> 00:12:27.460
secara otomatis mendeteksi data sensitif

00:12:27.460 --> 00:12:29.120
dan memblokir berbagi yang tidak sah.

00:12:33.720 --> 00:12:36.060
Domain membantu Anda mengatur data berdasarkan area bisnis

00:12:36.060 --> 00:12:37.500
dengan aturan tata kelola yang terpisah

00:12:37.500 --> 00:12:39.380
sehingga data keuangan Anda dapat memiliki kontrol

00:12:39.380 --> 00:12:40.820
yang lebih ketat daripada data pemasaranan.

00:12:41.220 --> 00:12:42.860
Setiap domain dapat dikelola oleh timnya sendiri,

00:12:43.160 --> 00:12:45.400
menciptakan tata kelola yang berkembang bersama organisasi Anda.

00:12:45.760 --> 00:12:47.160
Sekarang mari kita bicara tentang hasilnya.

00:12:47.320 --> 00:12:48.520
Ini bukan sekadar teori.

00:12:48.520 --> 00:12:50.960
Eastman Chemical menggunakan fabrik untuk mengurangi

00:12:50.960 --> 00:12:53.100
waktu persiapan penjualan sebesar 83%.

00:12:53.100 --> 00:12:55.000
Apa yang dulunya memakan waktu 4 jam kini

00:12:55.000 --> 00:12:55.880
hanya butuh sekitar 4.

00:12:56.280 --> 00:12:58.960
Ethan Solutions memangkas upaya manual hingga 75%

00:12:58.960 --> 00:13:01.160
dengan proses yang tadinya butuh 10 hingga 15 langkah

00:13:01.160 --> 00:13:02.100
kini hanya 2 langkah.

00:13:02.700 --> 00:13:05.300
Dan Sonata Software menghemat 30 ribu jam rekonsiliasi manual

00:13:05.300 --> 00:13:07.100
setiap tahun mengalihkan upaya manusia tersebut

00:13:07.100 --> 00:13:08.600
ke pekerjaan bernilai lebih tinggi.

00:13:09.240 --> 00:13:10.260
Model biayanya sangat sederhana.

00:13:10.940 --> 00:13:12.140
Anda membayar untuk kapasitas,

00:13:12.440 --> 00:13:14.000
yaitu daya komputasi yang menjalankan beban kerjaan.

00:13:14.000 --> 00:13:15.700
Microsoft memiliki fitur perlataan smoothing

00:13:15.700 --> 00:13:16.980
dan perlindungan lonjakan search placement.

00:13:16.980 --> 00:13:19.400
Fitur perlataan menyebarkan biaya operasi latar belakang

00:13:19.400 --> 00:13:20.240
selama 24 jam

00:13:20.240 --> 00:13:21.820
agar Anda tidak terkenal lonjakan mendadak

00:13:21.820 --> 00:13:24.100
dan perlindungan lonjakan membatasi tugas latar belakang

00:13:24.100 --> 00:13:25.520
saat sibuk guna menjaga setelah belakang

00:13:25.520 --> 00:13:27.260
saat sibuk guna menjaga stabilitas performa interaktif.

00:13:27.600 --> 00:13:28.720
Anda membayar apa yang Anda gunakan

00:13:28.720 --> 00:13:29.800
sehingga tidak akan ada kejutan.

00:13:31.080 --> 00:13:31.900
Hari kita rangkum semuanya.

00:13:32.440 --> 00:13:33.860
Fabrik bukan sekadar produk Microsoft lain.

00:13:34.460 --> 00:13:35.660
Ini adalah pemikiran ulang menyeluruh

00:13:35.660 --> 00:13:37.500
tentang bagaimana platform data seharusnya pekerjaan.

00:13:37.580 --> 00:13:38.760
Satu platform, satu dano data,

00:13:38.880 --> 00:13:40.800
satu salinan data dan kemungkinannya tak terbatas.

00:13:40.800 --> 00:13:42.420
Dengan AI serta kopilot bawaan,

00:13:42.420 --> 00:13:43.760
platform ini dapat diakses oleh siapa saja.

00:13:43.900 --> 00:13:45.120
Bukan hanya bagi profesional data,

00:13:45.240 --> 00:13:46.880
tetapi juga analis bisnis, tim penjualan,

00:13:46.940 --> 00:13:48.840
manager operasional, siapapun yang butuhkan jawaban dari data.

00:13:48.940 --> 00:13:49.580
Ini tugas untuk Anda.

00:13:49.960 --> 00:13:51.580
Kunjungi fabric.microsoft.com

00:13:51.580 --> 00:13:52.760
mulai uji coba gratis

00:13:52.760 --> 00:13:54.040
dan buat ruang kerja pertama Anda.

00:13:54.420 --> 00:13:54.820
Coba saja.

00:13:55.300 --> 00:13:56.700
Anda akan melihat bagaimana semua bagaimana

00:13:56.700 --> 00:13:58.180
menyatu dengan cara yang tidak bisa digantikan

00:13:58.180 --> 00:13:58.840
oleh sekadar membelajar.

00:13:59.380 --> 00:14:00.460
Jika episode ini membantu Anda

00:14:00.460 --> 00:14:01.240
lebih memahami Fabrik,

00:14:01.580 --> 00:14:03.160
belangananlah di platform podcast favorit Anda

00:14:03.160 --> 00:14:04.160
dan bagikan kepada seseorang

00:14:04.160 --> 00:14:05.160
yang sedang mulai perjalanan datang.

00:14:05.160 --> 00:14:06.400
Mereka berterima kasih kepada Anda.

00:14:06.660 --> 00:14:08.660
Lain kali, kita akan membahas pintasan One Nick

00:14:08.660 --> 00:14:09.680
dalam bahasa yang sederhana.

00:14:10.460 --> 00:14:12.160
Cara kerjanya, mengapa itu penting,

00:14:12.320 --> 00:14:14.180
dan cara menggunakannya tanpa memindahkan data.

00:14:14.820 --> 00:14:15.640
Itu ada yang ingin menawarkan.

00:14:16.120 --> 00:14:17.120
Sampai jumpa terus dalam belajar.
