WEBVTT

00:00:00.000 --> 00:00:05.560
Topik hari ini adalah sesuatu yang hampir semua orang yang bekerja dengan data pernah dengar, namun hanya sedikit yang benar-benar memahaminya.

00:00:06.140 --> 00:00:07.080
Microsoft Fabric One Leg

00:00:07.080 --> 00:00:12.620
Anda mungkin pernah melihatnya di pemasaran Microsoft atau mendengar seseorang menyebutnya sebagai data leg terpadu untuk seluruh organisasi Anda.

00:00:13.060 --> 00:00:14.200
Namun, apa sebenarnya artinya itu?

00:00:14.720 --> 00:00:17.500
Apakah itu hanya sekadar wadah penyimpanan lain atau sesuatu yang benar-benar benar-benar?

00:00:17.720 --> 00:00:19.200
Berikut adalah definisi paling sederhana.

00:00:19.440 --> 00:00:22.420
One Leg adalah satu data leg logis yang berada di pusat Microsoft Fabric.

00:00:23.360 --> 00:00:29.180
Setiap layanan Fabric, Leg House, Warehouse, Event House, Power BI menyimpan datanya di sini, dan aturan utama yang sederhan.

00:00:29.180 --> 00:00:32.320
Satu salinan visi data yang dapat diakses oleh banyak mesin berbeda.

00:00:32.640 --> 00:00:34.340
Tidak perlu lagi menyalin data dari satu alat ke alat lain.

00:00:34.660 --> 00:00:36.860
Tidak perlu lagi bertanya-tanya versi laporan mana yang benar.

00:00:37.200 --> 00:00:44.600
Di akhir episode ini, Anda akan memahami apa sebenarnya One Leg, bagaimana ia menghilangkan duplikasi data, dan mengapa ia mengubah segalanya bagi Power BI, rekayasa data, dan AI.

00:00:45.180 --> 00:00:48.020
Jadi, mari kita mulai dengan masalah yang dibangun untuk dipecahkan oleh One Leg.

00:00:49.020 --> 00:00:51.000
Masalahnya, setiap departemen memiliki leg-nya sendiri.

00:00:51.460 --> 00:00:52.980
Bayangkan Anda bekerja di perusahaan skala menengah.

00:00:53.240 --> 00:00:55.520
Tim penjualan Anda menggunakan sistem CRM untuk melacak kesempatan.

00:00:55.520 --> 00:00:58.220
Tim keuangan Anda menjalankan RP untuk penagihan dan faktur.

00:00:58.740 --> 00:01:01.000
Tim pemasaran Anda menarik data dari alat kampanye mereka.

00:01:01.480 --> 00:01:04.640
Dan tim rekayasa data Anda mengelola data warehouse untuk pelaporan.

00:01:05.080 --> 00:01:06.160
Inilah yang ingin saya pikirkan.

00:01:06.600 --> 00:01:09.140
Berapa banyak salinan data pelanggan yang sama yang ada di seluruh sistem ini?

00:01:09.800 --> 00:01:11.640
Di sebagian besar perusahaan, jawabannya adalah empat.

00:01:12.100 --> 00:01:12.820
CRM menyimpannya.

00:01:13.220 --> 00:01:13.940
RP menyimpannya.

00:01:14.320 --> 00:01:16.080
Pemasaran mengekspornya ke alat analitik mereka.

00:01:16.080 --> 00:01:18.920
Seseorang di bagian keuangan membuat spread dari RP.

00:01:19.500 --> 00:01:23.040
Dan tim rekayasa datang menyalankannya ke warehouse agar Power BI dapat membacanya.

00:01:23.720 --> 00:01:28.780
Itu adalah ID pelanggan yang sama, jumlah penjualan yang sama, tanggal faktur yang sama, tanggal faktur yang sama yang disimpan di lima tempat berbeda.

00:01:28.960 --> 00:01:29.920
Ini bukan karena orang yang ceroboh.

00:01:30.400 --> 00:01:32.020
Ini karena alat-alat lama tidak sering terhubung.

00:01:32.020 --> 00:01:37.100
Jika Anda ingin menjalankan laporan yang menggabungkan data penjualan dari CRM dengan data keuangan dari RP,

00:01:37.220 --> 00:01:39.820
Anda harus menyalin keduanya ke sesuatu yang bisa membacanya bersama-sama.

00:01:40.460 --> 00:01:44.440
Itu berarti membangun pipeline, menjadwalkan tugas, dan berharap tidak ada yang rusak dalam semangat.

00:01:44.740 --> 00:01:45.900
Biaya tersembunyi bertambah dengan cepat.

00:01:46.360 --> 00:01:49.040
Tagihan penyimpanan membengkak karena Anda membayar untuk data yang sama sepanjang lima tempat.

00:01:49.400 --> 00:01:52.220
Laporan menjadi kedaluar sekena satu salinan diperbarui sementara yang lain tidak.

00:01:52.700 --> 00:01:54.760
Dan kemudian seseorang mengajukan pertanyaan yang tidak ingin dijawab oleh siapapun.

00:01:55.100 --> 00:01:55.820
Versi mana yang benar?

00:01:56.240 --> 00:01:58.260
Kebingungan itu menginggis kepercayaan pada data.

00:01:58.260 --> 00:02:02.380
Dan begitu kepercayaan hilang, orang akan berhenti menggunakan platform analitik tersebut sama sekali.

00:02:03.040 --> 00:02:05.820
Jadi, Microsoft melihat kekacauan ini dan mengajukan pertanyaan sederhana.

00:02:06.000 --> 00:02:08.520
Bagaimana jika Anda bisa memiliki satu salin data yang dapat dibaca oleh siapapun?

00:02:08.800 --> 00:02:11.540
Tanpa duplikasi, tanpa kebingungan, satu sumber kebenaran.

00:02:12.640 --> 00:02:13.560
Apa sebenarnya OneLag itu?

00:02:14.200 --> 00:02:16.300
OneLag adalah jawaban Microsoft untuk pertanyaan tersebut.

00:02:16.520 --> 00:02:18.920
Ini adalah satu danau data logis untuk seluruh organisasi Anda.

00:02:19.440 --> 00:02:21.180
Frasa kunci yang perlu diingat adalah ini.

00:02:21.320 --> 00:02:23.280
Satu danau perpenyewa, bukan satu danau pertim.

00:02:24.040 --> 00:02:26.920
Di baliknya, OneLag dibangun di atas Azure Data Lake Storage Gen 2.

00:02:26.920 --> 00:02:32.280
Teknologi yang sama, api yang sama, tetapi Microsoft telah mengumasnya kembali sebagai layanan SaaS yang dikelola sepenuhnya.

00:02:32.480 --> 00:02:36.160
Anda tidak perlu membuat akun penyimpanan, tidak perlu mengatur kunci akses, Anda tinggal menggunakannya.

00:02:36.560 --> 00:02:37.260
Tinggal menggunakannya.

00:02:37.400 --> 00:02:39.300
Anggap saja ini seperti OneDrive untuk data perusahaan Anda.

00:02:39.660 --> 00:02:43.220
OneDrive memberi Anda satu tempat untuk file, dokumen, foto, dan spreadsheet pribadi Anda.

00:02:43.620 --> 00:02:47.160
Anda tidak perlu memikirkan di mana mereka disimpan secara fisik. Anda cukup membukanya dan bekerja.

00:02:47.420 --> 00:02:49.880
OneLag melakukan hal yang sama, tetapi untuk data organisasi Anda.

00:02:50.100 --> 00:02:53.640
Ini memberi setiap tim, setiap proyek, dan setiap beban kerja satu kumpulan penyimpanan bersama.

00:02:54.220 --> 00:02:55.340
Nah, inilah perbedaan yang penting.

00:02:56.920 --> 00:03:00.380
Di baliknya, ia dapat mencakup beberapa akun penyimpanan di berbagai wilayah.

00:03:00.500 --> 00:03:02.600
Tetapi bagi Anda, itu terlihat seperti satu kumpulan raksas.

00:03:02.820 --> 00:03:05.540
Anda tidak peduli server-man yang menampung file tersebut, Anda hanya melihat data Anda.

00:03:05.920 --> 00:03:07.520
Setiap layan Fabric menyimpan datanya di sini.

00:03:08.080 --> 00:03:09.820
Saat Anda membuat Lakehouse, datanya tersimpan di OneLag.

00:03:10.140 --> 00:03:12.480
Saat Anda membangun gudang data, tabel-tabel yang tersimpan di OneLag.

00:03:12.540 --> 00:03:16.440
Saat Anda menjalankan laporan Power BI jika menggunakan mode DirectLag yang membaca langsung dari OneLag.

00:03:16.780 --> 00:03:20.440
Bahkan Eventhouse, penyimpanan analitik waktu nyata, dapat mengekspos datanya ke OneLag.

00:03:20.440 --> 00:03:24.680
Semuanya mengarah ke tempat yang sama, dan format data defaultnya adalah Delta Parkway.

00:03:25.020 --> 00:03:26.900
Itu adalah format terbuka, bukan penguncian ekosistem Microsoft.

00:03:27.300 --> 00:03:29.200
Data Bricks menggunakannya mesin Spark pembacanya.

00:03:29.540 --> 00:03:31.120
Alat seperti Panas dan Polar dapat bekerja dengan.

00:03:31.420 --> 00:03:33.260
Jadi, data Anda tidak terjebak di dalam video Microsoft.

00:03:33.900 --> 00:03:34.920
Data itu terbuka dan portable.

00:03:35.100 --> 00:03:36.760
Tetapi keajaiban sebenarnya bukanlah penyimpanannya,

00:03:36.900 --> 00:03:39.640
melainkan bagaimana OneLag menghilangkan kebutuhan untuk menyalain data sejak awal.

00:03:40.400 --> 00:03:41.440
Prinsip Satu Salinan

00:03:41.440 --> 00:03:45.020
Nah, inilah ide utama yang membuat OneLag berbeda dari apapun sebelumnya.

00:03:45.580 --> 00:03:47.380
Disebut prinsip Satu Salinan, dan sangat sederhana.

00:03:47.780 --> 00:03:50.640
Satu salinan data fisik dapat diakses oleh banyak mesin berbeda.

00:03:50.960 --> 00:03:52.220
Izinkan saya menunjukkan apa artinya ini.

00:03:52.640 --> 00:03:54.600
Katakanlah Anda memiliki tabel data penjualan di OneLag.

00:03:55.000 --> 00:03:57.160
Seorang insinyur data menjalankan buku catatan Spark untuk membersihkan.

00:03:57.460 --> 00:03:59.980
Seorang analis bisnis menulis kualitas SKL untuk mengagregasinya.

00:04:00.420 --> 00:04:02.180
Dan laporan Power BI membacanya untuk dashboard.

00:04:02.600 --> 00:04:03.720
Ketiganya terjadi pada saling menang.

00:04:04.120 --> 00:04:05.160
Ketiganya membaca file yang sama.

00:04:05.580 --> 00:04:06.420
Tidak ada yang menyalin apapun.

00:04:06.940 --> 00:04:08.400
Dulu hal itu tidak pernah terjadi.

00:04:08.400 --> 00:04:10.820
Anda menyalin data dari data light ke gudang data.

00:04:11.380 --> 00:04:13.780
Lalu Anda menyalinnya dari gudang data ke model semantik.

00:04:14.260 --> 00:04:15.400
Kemudian Anda menyegarkan laporannya.

00:04:15.680 --> 00:04:17.140
Itu berarti tiga salinan untuk data yang sama.

00:04:17.560 --> 00:04:18.860
Masih makan waktu dan ruang penyimpanan.

00:04:19.300 --> 00:04:21.060
Dan jika ada langkah yang gagal, angka Anda menjadi salah.

00:04:21.540 --> 00:04:22.660
Satu salinan menghilangkan semua itu.

00:04:23.060 --> 00:04:24.100
Data tersimpan di OneLag hanya sekali.

00:04:24.560 --> 00:04:27.620
Mesin Spark, SKL, Power BI, semuanya membaca langsung.

00:04:28.140 --> 00:04:28.640
Tidak berpindahan.

00:04:29.000 --> 00:04:29.680
Tidak ada duplikasi.

00:04:30.080 --> 00:04:31.080
Tidak ada masalah sinkronisasi.

00:04:31.460 --> 00:04:32.360
Penghematan biaya yang sangat nyat.

00:04:32.680 --> 00:04:35.260
Penyimpanan lebih hemat karena Anda tidak membayar data yang sama lima kali.

00:04:35.260 --> 00:04:39.000
ETA lebih sedikit karena Anda tidak perlu membuat alur untuk memindahkan data.

00:04:39.840 --> 00:04:42.620
Lebih sedikit hal untuk dikelola karena tidak ada yang rusak antar salinan.

00:04:43.180 --> 00:04:44.360
Dan manfaat kebaruannya sangat besar.

00:04:44.940 --> 00:04:46.380
Satu salinan berarti satu sumber kebenaran.

00:04:46.860 --> 00:04:49.680
Saat data diperbarui, setiap laporan langsung melihat pembaruannya.

00:04:50.260 --> 00:04:53.380
Tidak perlu lagi bertanya apakah laporan ini menggunakan data minggu lalu atau minggu ini.

00:04:54.240 --> 00:04:55.420
Datanya selalu sama dimanapun.

00:04:55.980 --> 00:04:58.500
Sekarang Anda mungkin berpikir bukankah ini hanya Azure Data Lake Storage.

00:04:58.920 --> 00:04:59.540
Tidak persis begitu.

00:04:59.800 --> 00:05:00.720
Adalah layanan PAI.

00:05:01.020 --> 00:05:02.180
Anda membuat akun penyimpanan.

00:05:02.240 --> 00:05:03.020
Anda mengelola konten.

00:05:03.020 --> 00:05:04.260
Anda mengatur kunci akses.

00:05:04.580 --> 00:05:05.960
Anda memutuskan wilayah mana menyimpan apa.

00:05:06.380 --> 00:05:07.880
Dan fleksibel tetapi juga memerlukan usaha.

00:05:08.300 --> 00:05:10.980
One Lake adalah layanan saat Anda tidak perlu membuat akun penyimpanan.

00:05:11.320 --> 00:05:12.320
Anda tidak perlu mengelola konten.

00:05:12.440 --> 00:05:13.380
Anda cukup menggunakannya.

00:05:13.740 --> 00:05:15.800
Infrastruktur dasarnya sudah ditangani untuk Anda.

00:05:16.420 --> 00:05:18.620
Satu saliran sangat bagus untuk data di dalam fabrik.

00:05:19.100 --> 00:05:20.500
Tapi bagaimana dengan data yang berada di tempat lain?

00:05:21.160 --> 00:05:21.720
Pintasan, sob.

00:05:22.060 --> 00:05:23.040
Biarkan data tetap di tempatnya.

00:05:23.960 --> 00:05:24.760
Disilah peran pintasan.

00:05:25.220 --> 00:05:26.380
Pintasan adalah penunjuk virtual.

00:05:27.080 --> 00:05:28.240
Anggap saja seperti telek Anda.

00:05:28.240 --> 00:05:33.680
Dan itu memungkinkan Anda mengakses data di luar One Lake tanpa memindahkan atau menyalinnya.

00:05:34.680 --> 00:05:35.300
Begini cara kerja.

00:05:35.660 --> 00:05:37.840
Anda membuat pintasan di dalam lake house atau gudang data.

00:05:38.360 --> 00:05:40.740
Dan pintasan itu mengarah ke file atau folder di tempat lain.

00:05:41.440 --> 00:05:47.020
Bisa di akun Azure Data Lake Storage, bucket Amazon S3, Google Cloud Storage, atau workspace fabric lainnya.

00:05:47.780 --> 00:05:48.740
Datanya tetap di sana.

00:05:48.880 --> 00:05:50.940
Tapi dari dalam fabric terlihat seperti ada di One Lake.

00:05:51.580 --> 00:05:52.920
Izinkan saya memberikan skenario nyata.

00:05:52.920 --> 00:05:56.760
Tim penjualan Anda telah menjalankan analitik di AWS selama bertahun-tahun.

00:05:56.860 --> 00:05:58.460
Jadi semua data mereka tersimpan di bucket S3.

00:05:59.080 --> 00:06:01.340
Tim keuangan Anda menggunakan fabric dan power BI.

00:06:01.680 --> 00:06:04.180
Dan mereka perlu menggabungkan data penjualan dengan data keuangan.

00:06:04.820 --> 00:06:07.080
Di masa lalu, Anda harus mengekspor semuanya dari S3.

00:06:07.280 --> 00:06:07.980
Mengunggahnya ke Azure.

00:06:08.200 --> 00:06:09.620
Membangun pipeline agar tetap sinkron.

00:06:09.820 --> 00:06:10.800
Dan berharap tidak ada yang rusak.

00:06:11.460 --> 00:06:14.420
Dengan shortcut, Anda membuat pintasan dari lake house Anda ke bucket S3.

00:06:15.060 --> 00:06:15.940
Datanya tetap di AWS.

00:06:15.940 --> 00:06:19.080
Tetapi bagian keuangan dapat menanyakannya di power BI seolah-olah data tersebut ada banyak.

00:06:19.480 --> 00:06:20.760
Tidak perlu ekspor, tidak perlu unggah.

00:06:20.860 --> 00:06:21.980
Dan tidak ada pipeline yang perlu dihajar.

00:06:21.980 --> 00:06:23.460
Shortcut juga berfungsi secara internal.

00:06:24.060 --> 00:06:26.500
Jika satu tim memiliki kumpulan data terkurasi di ruang kerja mereka,

00:06:26.620 --> 00:06:28.260
tim lain dapat membuat pintasan ke data tersebut.

00:06:28.960 --> 00:06:30.360
Tidak ada penyalinan, tidak ada duplikasi.

00:06:30.920 --> 00:06:32.520
Data tetap berada di ruang kerja asli.

00:06:32.700 --> 00:06:34.140
Dan semua orang hanya mereferensikannya.

00:06:34.640 --> 00:06:35.920
Ada satu batasan yang perlu Anda pahami.

00:06:36.860 --> 00:06:40.500
Shortcut tidak menyalin data, jadi kinerja query bergantung pada kecepatan sistem sumber.

00:06:41.220 --> 00:06:43.700
Jika Anda membuat pintasan ke bucket S3 di belahan dunia lain,

00:06:43.700 --> 00:06:46.120
query Anda akan lebih lambat daripada jika datanya bersifat log.

00:06:46.440 --> 00:06:47.460
Untuk data yang sering diakses,

00:06:47.540 --> 00:06:49.400
seperti bangkan untuk melakukan mirroring sebagai ganti.

00:06:50.060 --> 00:06:51.580
Dan itu membawa kita ke topik berikutnya.

00:06:51.580 --> 00:06:54.120
Mirroring secara otomatis memasuk data basisnya.

00:06:54.620 --> 00:06:57.000
Shortcut menangani penyimpanan file eksternal dengan sangat baik,

00:06:57.160 --> 00:06:58.980
tetapi bagaimana dengan basis data Anda yang sudah ada?

00:06:59.420 --> 00:07:02.720
Yang menjalankan ERP, CRM, dan aplikasi operasional Anda.

00:07:03.440 --> 00:07:04.460
Disitulah mirroring berperan.

00:07:04.900 --> 00:07:07.900
Mirroring adalah cara untuk mendapatkan data dari basis data ke dalam one leg

00:07:07.900 --> 00:07:09.900
secara mendekati waktu nyata tanpa membangun satu penpep.

00:07:09.900 --> 00:07:12.420
Anda mengarahkan fabrik ke basis data Anda,

00:07:12.640 --> 00:07:15.800
dan ia menangani sisanya dengan membuat salinan incremental otomatis dari data tersebut

00:07:15.800 --> 00:07:17.560
ke dalam format data parquet di dalam one leg,

00:07:17.780 --> 00:07:19.820
menjaga salinan itu tetap mutakhir seiring perubahan di sumber.

00:07:19.820 --> 00:07:24.500
Sumber yang didukung termasuk SCL database, SCL server yang berjalan di lokasi on-premises,

00:07:24.660 --> 00:07:27.460
Cosmos DB, dan lainnya, serta Microsoft terus menamanya seiring waktu.

00:07:28.060 --> 00:07:30.840
Namun, skenario yang paling umum adalah basis data kritis bisnis Anda

00:07:30.840 --> 00:07:33.000
yang menjalankan ERP atau aplikasi lini bisnis Anda.

00:07:33.600 --> 00:07:34.120
Begini cara kerja.

00:07:34.240 --> 00:07:36.600
Anda mengaktifkan mirroring pada basis data,

00:07:36.760 --> 00:07:39.440
dan fabrik membaca feed perubahan penyisipan pembaruan penghapusan

00:07:39.440 --> 00:07:41.240
dan mereplikasi perubahan tersebut ke dalam one leg.

00:07:41.240 --> 00:07:43.860
Sinkronisasi pertama menyalin seluruh kumpulan data.

00:07:44.540 --> 00:07:46.020
Setelah itu, bersifat incremental,

00:07:46.620 --> 00:07:48.040
hanya memindahkan baris yang berubah.

00:07:48.640 --> 00:07:52.420
Data tersebut mendarat dalam format delta parquet siap untuk diquery oleh mesin fabrik apapun.

00:07:52.860 --> 00:07:54.120
Inilah perbedaan utama dari shortcut.

00:07:54.920 --> 00:07:56.880
Shortcut tidak menyalin data mereka menunjukkan data tersebut.

00:07:57.360 --> 00:07:58.660
Mirroring benar-benar menyalin data,

00:07:58.920 --> 00:08:00.780
sehingga data berada di one leg secara fisik,

00:08:00.920 --> 00:08:04.820
dan kinerja query menjadi cepat terlepas dari seberapa cepat atau lambat basis data sumbernya.

00:08:05.680 --> 00:08:07.420
Komprominya adalah Anda menyimpan salinan,

00:08:07.540 --> 00:08:09.500
tetapi keuntungannya adalah akses mendekati waktu nyata

00:08:09.500 --> 00:08:10.580
tanpa perlu membangun pipeline,

00:08:10.680 --> 00:08:11.300
tanpa penuh pipeline,

00:08:11.420 --> 00:08:12.280
tanpa manajemen jadwal,

00:08:12.380 --> 00:08:13.760
dan tanpa pemeliharaan yang perlu dikhawatirkan.

00:08:13.840 --> 00:08:15.260
Ijinkan saya memberikan contoh kasus yang nyata.

00:08:15.680 --> 00:08:17.860
Perusahaan Anda menjalankan ERP di SQL Server

00:08:17.860 --> 00:08:19.480
yang menampung semua data keuangan,

00:08:19.960 --> 00:08:20.720
faktur pembayaran,

00:08:21.120 --> 00:08:21.860
dan buku besar.

00:08:22.560 --> 00:08:25.480
Di masa lalu, Anda harus membangun tugas ETL yang berjalan setiap malam,

00:08:25.620 --> 00:08:26.200
mengekstrak data,

00:08:26.320 --> 00:08:26.760
mengubahnya,

00:08:26.960 --> 00:08:27.960
dan memuatnya ke gudang data.

00:08:28.420 --> 00:08:29.280
Tugas itu sering rusak,

00:08:29.380 --> 00:08:30.340
seseorang harus memperbaikinya,

00:08:30.340 --> 00:08:32.360
dan datanya selalu tertinggal setidaknya satu hari.

00:08:32.720 --> 00:08:33.280
Dengan mirroring,

00:08:33.400 --> 00:08:34.600
Anda cukup mengaktifkannya sekali,

00:08:34.720 --> 00:08:37.080
dan Fabric akan mereplikasi data ke OneLag secara berkelanjutan.

00:08:37.460 --> 00:08:39.480
Laporan Power BI Anda membaca langsung dari OneLag

00:08:39.480 --> 00:08:41.220
dan melihat data yang baru berusia beberapa menit,

00:08:41.340 --> 00:08:42.000
bukan jam atau hari,

00:08:42.100 --> 00:08:43.000
tanpa harus menyentuh pipeline.

00:08:43.360 --> 00:08:45.480
Kini Anda memiliki data di OneLag dari pintasan,

00:08:45.900 --> 00:08:46.500
dari mirroring,

00:08:46.600 --> 00:08:47.480
dan dari unggahan langsung.

00:08:47.860 --> 00:08:48.580
Bagaimana cara benar menggunakan?

00:08:49.080 --> 00:08:50.500
OneLag dan 3 penyimpanan data.

00:08:51.120 --> 00:08:52.480
Jadi OneLag adalah lapisan penyimpanan,

00:08:52.620 --> 00:08:53.680
tempat semua file Anda berada.

00:08:54.260 --> 00:08:55.060
Namun masalahnya,

00:08:55.160 --> 00:08:56.720
Anda sebenarnya tidak bekerja langsung dengan OneLag.

00:08:56.940 --> 00:08:57.860
Sebagai gantinya,

00:09:00.340 --> 00:09:02.560
DataStore, yaitu antarmuka yang memberi Anda cara berbeda

00:09:02.560 --> 00:09:03.820
untuk mengolah data dasar yang sama.

00:09:04.660 --> 00:09:06.160
Ada 3 data store utama di Fabric,

00:09:06.420 --> 00:09:08.100
yaitu LakeHouse, Warehouse, dan EventHouse.

00:09:08.620 --> 00:09:10.260
Semuanya menyimpan data di OneLag yang sama,

00:09:10.480 --> 00:09:12.000
namun masing-masing memiliki tujuan yang berbeda.

00:09:12.620 --> 00:09:13.780
Mari kita mulai dengan LakeHouse,

00:09:13.880 --> 00:09:14.980
penyimpanan data fleksibel

00:09:14.980 --> 00:09:17.240
yang menerima file seperti CSV, JSON, dan gambar,

00:09:17.340 --> 00:09:18.020
serta tabel Delta.

00:09:18.640 --> 00:09:20.480
Anda menggunakannya saat melakukan rekayasa data,

00:09:20.580 --> 00:09:21.240
pembelajaran mesin,

00:09:21.340 --> 00:09:22.840
atau menampung data mentah dari sistem sumber.

00:09:23.300 --> 00:09:24.920
Ini adalah wadah kerja tempat Anda membersihkan,

00:09:25.000 --> 00:09:25.900
mengubah, dan menyiapkan data.

00:09:25.900 --> 00:09:28.040
Jika Anda sedang membangun arsitektur medali

00:09:28.040 --> 00:09:29.640
dengan lapisan perunggu, perak, dan emas,

00:09:29.740 --> 00:09:30.720
LakeHouse adalah tempatnya.

00:09:31.260 --> 00:09:33.080
Anda dapat mengaksesnya melalui notebook Spark,

00:09:33.500 --> 00:09:36.040
atau melalui titik akhir analitik SQL untuk query baca saja.

00:09:36.980 --> 00:09:38.920
Selanjutnya adalah Warehouse, penyimpanan data terstruktur.

00:09:39.460 --> 00:09:41.780
Ini memberi Anda dukungan baca dan tulis di SQL penuh,

00:09:41.920 --> 00:09:43.420
sehingga Anda bisa membuat tabel, view,

00:09:43.600 --> 00:09:44.740
prosedur tersimpan, fungsi,

00:09:44.840 --> 00:09:47.380
serta menjalankan pernyataan insert, update, dan delete.

00:09:48.420 --> 00:09:50.400
Rasanya seperti database SQL server tradisional,

00:09:50.540 --> 00:09:52.140
karena dirancang bagi mereka yang berpikir dalam SQL.

00:09:52.140 --> 00:09:54.480
Gunakan Warehouse saat Anda membangun laporan BI,

00:09:54.680 --> 00:09:56.000
menjalankan agregasi kompleks,

00:09:56.120 --> 00:09:57.960
atau bermigrasi dari gudang data yang sudah ada.

00:09:58.460 --> 00:10:00.480
Anggap ini sebagai lapisan emas untuk laporan perusahaan.

00:10:00.920 --> 00:10:02.900
Lalu ada EventHouse, penyimpanan data real-time

00:10:02.900 --> 00:10:04.140
yang dibangun di atas mesin kustod,

00:10:04.240 --> 00:10:05.920
teknologi yang sama dibalik Azure Data Explorer.

00:10:06.420 --> 00:10:08.600
Ini menangani data streaming, log, telemetri IoT,

00:10:08.740 --> 00:10:10.500
dan klik stream apapun yang masuk dengan cepat

00:10:10.500 --> 00:10:11.560
dan perlu segera diquery.

00:10:12.220 --> 00:10:14.180
Anda mengueringnya dengan kaki albasa query kustod.

00:10:14.820 --> 00:10:16.760
Dan saat Anda mengaktifkan ketersediaan OneLake,

00:10:17.200 --> 00:10:18.760
data kejen tersebut dapat diakses oleh

00:10:18.760 --> 00:10:20.460
LakeHouse dan Warehouse sebagai tabel delta.

00:10:20.460 --> 00:10:22.120
Jadi inilah yang perlu Anda pahami.

00:10:22.640 --> 00:10:24.300
Ketiganya menyimpan data mereka di OneLake yang sama.

00:10:24.940 --> 00:10:27.420
Tabel yang dibuat di LakeHouse dapat dibaca oleh Query Warehouse.

00:10:27.940 --> 00:10:30.080
Tabel di Warehouse dapat diakses dari buku catatan Spark.

00:10:30.720 --> 00:10:32.260
Data yang dimasukkan ke EventHouse dapat ditampilkan

00:10:32.260 --> 00:10:33.580
sebagai tabel delta untuk Power BI.

00:10:34.220 --> 00:10:35.800
Keduanya bukan basis data terpisah,

00:10:35.900 --> 00:10:37.240
melainkan tampil beda ke data Lake yang sama.

00:10:37.660 --> 00:10:38.520
Hanya orang salah, amin-amin.

00:10:38.880 --> 00:10:40.720
Mereka mengira LakeHouse, Warehouse, dan EventHouse

00:10:40.720 --> 00:10:41.600
adalah produk yang bersaing,

00:10:41.680 --> 00:10:41.960
padahal bukan.

00:10:42.720 --> 00:10:43.900
Anda justru menggunakan ketiganya

00:10:43.900 --> 00:10:45.520
karena masing-masing menyelesaikan masalah yang berbeda.

00:10:45.980 --> 00:10:47.060
LakeHouse untuk rekayasa data,

00:10:47.060 --> 00:10:48.800
Warehouse untuk BI, EventHouse untuk waktu nyata,

00:10:48.880 --> 00:10:50.440
dan semuanya berbagi penyimpanan yang sama.

00:10:51.020 --> 00:10:52.100
OneLake menangani penyimpanan

00:10:52.100 --> 00:10:54.060
dan penyimpanan data menangani aksesnya.

00:10:54.700 --> 00:10:55.580
Namun siapa yang bisa melihat apa?

00:10:56.380 --> 00:10:57.640
Keamanan dan tata kelola di OneLake.

00:10:58.340 --> 00:10:59.960
Karena semua data Anda berada di satu tempat,

00:11:00.100 --> 00:11:01.140
keamanan menjadi lebih sederhana.

00:11:01.800 --> 00:11:03.280
Anda mengelola akses di satu titik,

00:11:03.400 --> 00:11:04.620
bukan di 10 sistem yang berbeda.

00:11:05.440 --> 00:11:07.100
Tidak perlu lagi mengatur izin di CRM,

00:11:07.480 --> 00:11:08.180
lalu di Warehouse,

00:11:08.280 --> 00:11:09.120
kemudian di Power BI.

00:11:09.620 --> 00:11:10.460
OneLake memberikan Anda

00:11:10.460 --> 00:11:11.900
satu model keamanan untuk segalanya.

00:11:11.900 --> 00:11:13.360
Pada tingkat atas,

00:11:13.460 --> 00:11:14.580
Anda memiliki peran ruang kerja,

00:11:14.720 --> 00:11:16.660
admin, anggota, kontributor, dan penampil.

00:11:17.480 --> 00:11:18.840
Ini mengontrol siapa yang dapat bekerja tertentu.

00:11:19.500 --> 00:11:20.620
Jika seseorang adalah penampil,

00:11:20.780 --> 00:11:21.600
mereka dapat melihat item,

00:11:21.700 --> 00:11:22.560
tetapi tidak dapat mengubah.

00:11:22.900 --> 00:11:23.740
Jika mereka adalah admin,

00:11:23.820 --> 00:11:24.600
mereka mengontrol segala.

00:11:24.880 --> 00:11:25.380
Bukup sederhana,

00:11:25.740 --> 00:11:26.680
Anda bisa melangkah lebih cepat.

00:11:27.180 --> 00:11:28.060
Peran keamanan OneLake

00:11:28.060 --> 00:11:29.340
memungkinkan Anda mengontrol akses

00:11:29.340 --> 00:11:30.000
di tingkat folder,

00:11:30.140 --> 00:11:30.620
tingkat tabel,

00:11:30.680 --> 00:11:31.180
tingkat kolom,

00:11:31.280 --> 00:11:31.980
bahkan tingkat kolom,

00:11:31.980 --> 00:11:32.700
bahkan tingkat baris.

00:11:32.920 --> 00:11:34.180
Misalnya, keamanan tingkat kolom

00:11:34.180 --> 00:11:35.900
berarti Anda dapat menyembunyikan informasi gaji

00:11:35.900 --> 00:11:37.180
dari semua orang kecuali HR.

00:11:37.760 --> 00:11:38.520
Keamanan tingkat baris

00:11:38.520 --> 00:11:39.700
berarti manajer penjualan

00:11:39.700 --> 00:11:41.060
hanya melihat data wilayah mereka sendiri.

00:11:41.360 --> 00:11:42.500
Dan ini berfungsi dengan cara yang sama

00:11:42.500 --> 00:11:43.440
di semua penyimpanan data

00:11:43.440 --> 00:11:44.840
karena semuanya berada di OneLake yang sama.

00:11:45.140 --> 00:11:46.120
Ada juga katalog OneLake,

00:11:46.240 --> 00:11:47.720
tampilan terpusat tempat Anda dapat melihat

00:11:47.720 --> 00:11:48.860
semua data di semua ruang kerja.

00:11:49.260 --> 00:11:50.940
Anda dapat menemukan set data bersertifikat,

00:11:51.080 --> 00:11:52.000
memeriksa siapa pemiliknya,

00:11:52.240 --> 00:11:53.660
dan mengelola tetap kelola dari satu tempat.

00:11:54.300 --> 00:11:55.700
Ini terintegrasi dengan Microsoft Purview

00:11:55.700 --> 00:11:56.500
untuk klasifikasi,

00:11:56.680 --> 00:11:57.500
label sensitivitas,

00:11:57.640 --> 00:11:58.860
dan penjagaan kehilangan data.

00:11:59.580 --> 00:12:00.960
Jadi, jika Anda perlu menandai data

00:12:00.960 --> 00:12:01.920
tertentu sebagai rahasia

00:12:01.920 --> 00:12:02.740
atau sangat terbatas,

00:12:02.740 --> 00:12:04.020
Anda dapat melakukannya di tingkat lake

00:12:04.020 --> 00:12:05.520
dan itu berlaku di mana saja.

00:12:06.200 --> 00:12:07.280
Dan ada diagnostik OneLake

00:12:07.280 --> 00:12:08.620
yang mencatat siapa yang mengakses apa

00:12:08.620 --> 00:12:09.120
dan kapan.

00:12:09.940 --> 00:12:10.880
Ini berguna untuk audit,

00:12:11.020 --> 00:12:11.760
pemeriksaan kepatuhan,

00:12:11.880 --> 00:12:12.620
dan menjawab pertanyaan

00:12:12.620 --> 00:12:14.000
siapa yang mengakses data ini minggu lalu.

00:12:14.520 --> 00:12:15.860
Ini mencatat setiap operasi baca

00:12:15.860 --> 00:12:17.360
dan tulis serta menyimpan log tersebut

00:12:17.360 --> 00:12:18.840
sebagai file JSON di dalam lake house.

00:12:19.480 --> 00:12:20.380
Anda dapat menganalisisnya

00:12:20.380 --> 00:12:21.820
dengan Spark SQL atau Power BI.

00:12:22.400 --> 00:12:23.300
Gambaran besarnya adalah

00:12:23.300 --> 00:12:24.620
satu model keamanan

00:12:24.620 --> 00:12:25.600
untuk semua data Anda

00:12:25.600 --> 00:12:27.400
alih-alih mengelola aturan terpisah

00:12:27.400 --> 00:12:28.060
untuk setiap alat.

00:12:28.560 --> 00:12:29.480
Itu adalah penyederhanaan

00:12:29.480 --> 00:12:31.060
yang sangat besar bagi organisasi manapun.

00:12:31.060 --> 00:12:32.580
Poin praktis

00:12:32.580 --> 00:12:33.840
Sepertinya ini bagi Anda.

00:12:34.280 --> 00:12:35.180
Jadi apa artinya ini

00:12:35.180 --> 00:12:36.300
jika Anda memulai perjalanan

00:12:36.300 --> 00:12:37.140
fabrik Anda hari ini?

00:12:37.620 --> 00:12:38.180
Mari kita bedah.

00:12:38.600 --> 00:12:39.260
Jika Anda membangun

00:12:39.260 --> 00:12:40.040
platform data baru,

00:12:40.360 --> 00:12:41.420
OneLake menghilangkan kebutuhan

00:12:41.420 --> 00:12:42.960
untuk merancang perpindahan data yang rumit.

00:12:43.340 --> 00:12:44.440
Anda tidak perlu merencanakan

00:12:44.440 --> 00:12:45.540
bagaimana aliran data

00:12:45.540 --> 00:12:46.760
dari danau ke gudang,

00:12:47.300 --> 00:12:48.580
lalu ke model semantik.

00:12:49.040 --> 00:12:49.900
Cukup masukkan ke dalam OneLake

00:12:49.900 --> 00:12:50.880
dan setiap alat akan membacanya.

00:12:51.200 --> 00:12:52.100
Satu OneLake, satu salin.

00:12:52.420 --> 00:12:53.280
Telah keseluruhan setelah.

00:12:53.640 --> 00:12:55.240
Jika Anda bermigrasi dari sistem lama,

00:12:55.380 --> 00:12:56.240
pintasan dan pencerminan

00:12:56.240 --> 00:12:56.900
memungkinkan Anda

00:12:56.900 --> 00:12:58.220
membiarkan data tetap di tempatnya

00:12:58.220 --> 00:12:59.740
sambil beralih beban kerja secara bertahap.

00:12:59.900 --> 00:13:01.040
Tidak perlu migrasi besar-besaran.

00:13:01.580 --> 00:13:02.860
Arahkan pintasan ke data lag Anda

00:13:02.860 --> 00:13:03.420
yang sudah ada.

00:13:03.580 --> 00:13:05.260
Cerminkan basis data SQL Server Anda.

00:13:05.560 --> 00:13:06.280
Mulai gunakan fabrik

00:13:06.280 --> 00:13:07.240
sementara sistem lama Anda

00:13:07.240 --> 00:13:07.820
tetap berjalan.

00:13:08.100 --> 00:13:09.080
Anda bergerak soal kecepatan Anda.

00:13:09.460 --> 00:13:10.620
Inilah perubahan pola pikirnya.

00:13:10.980 --> 00:13:12.040
Berpikir tentang penyimpanan per proyek.

00:13:12.640 --> 00:13:13.780
Berhentilah membuat data lag baru

00:13:13.780 --> 00:13:14.780
untuk setiap inisiatif baru.

00:13:15.340 --> 00:13:16.120
Mulai berpikir tentang

00:13:16.120 --> 00:13:16.960
satu danau bersama

00:13:16.960 --> 00:13:18.240
yang diakses oleh setiap proyek.

00:13:18.760 --> 00:13:19.820
Data tim penjualan Anda,

00:13:20.000 --> 00:13:20.920
data tim keuangan Anda,

00:13:21.020 --> 00:13:21.720
data tim teknik Anda.

00:13:22.040 --> 00:13:23.000
Semuanya ada di tempat yang sama.

00:13:23.400 --> 00:13:24.520
Mereka hanya melihat bagian yang berbeda.

00:13:24.900 --> 00:13:25.820
Bagi pengguna Power BI,

00:13:26.040 --> 00:13:27.200
laporan membaca langsung dari OneLag.

00:13:27.600 --> 00:13:28.420
Tidak ada impor terpisah,

00:13:28.520 --> 00:13:29.660
tidak ada model semantik duplikat.

00:13:30.100 --> 00:13:30.760
Datanya segar

00:13:30.760 --> 00:13:31.860
karena merupakan data yang sama

00:13:31.860 --> 00:13:32.980
dengan dikerjakan oleh data engineer.

00:13:33.400 --> 00:13:34.100
Bagi data engineer,

00:13:34.240 --> 00:13:35.460
itu berarti lebih sedikit pipeline

00:13:35.460 --> 00:13:36.080
untuk dibangun,

00:13:36.180 --> 00:13:37.080
dipelihara, dan diperbaiki.

00:13:37.500 --> 00:13:38.540
Anda masukkan data satu kali sih.

00:13:38.720 --> 00:13:39.860
Semua orang hanya mereferensikannya.

00:13:40.200 --> 00:13:40.680
Intinya adalah,

00:13:40.800 --> 00:13:42.560
OneLag bukan sekadar data lag biasa.

00:13:43.020 --> 00:13:43.720
Ini adalah fondasi

00:13:43.720 --> 00:13:44.560
yang membuat fabrik berbeda

00:13:44.560 --> 00:13:45.380
dari apapun sebelumnya.

00:13:46.020 --> 00:13:47.060
Itulah alasan Anda bisa berhenti

00:13:47.060 --> 00:13:48.480
menyalin data dan mulai mempercayainya.

00:13:49.200 --> 00:13:49.940
Jadi itulah dia.

00:13:50.320 --> 00:13:51.200
OneLag adalah data lag

00:13:51.200 --> 00:13:52.180
tunggal organisasi Anda

00:13:52.180 --> 00:13:52.940
yang dibangun dengan

00:13:52.940 --> 00:13:54.000
prinsip satu salinan.

00:13:54.680 --> 00:13:55.440
Satu salin fisik data

00:13:55.440 --> 00:13:56.700
yang dapat diakses oleh alat apapun,

00:13:56.800 --> 00:13:57.280
tim apapun,

00:13:57.400 --> 00:13:58.200
beban kerja apapun.

00:13:58.700 --> 00:13:59.680
Tidak ada lagi duplikasi,

00:13:59.800 --> 00:14:00.700
tidak ada lagi kebingungan

00:14:00.700 --> 00:14:01.740
tentang versi mana yang benar.

00:14:02.120 --> 00:14:03.140
Pekerjaan rumah Anda sederhana.

00:14:03.460 --> 00:14:04.360
Mulailah dengan pintasan

00:14:04.360 --> 00:14:05.260
dari sumber eksternal

00:14:05.260 --> 00:14:06.340
atau cerminkan basis data.

00:14:07.100 --> 00:14:08.040
Lihat betapa sederhananya

00:14:08.040 --> 00:14:08.760
jika Anda tidak perlu

00:14:08.760 --> 00:14:09.320
membangun pipeline

00:14:09.320 --> 00:14:10.480
hanya untuk memindahkan data.

00:14:11.080 --> 00:14:11.880
Kebanyakan organisasi

00:14:11.880 --> 00:14:13.160
tidak akan melakukan perubahan ini dengan cepat.

00:14:13.460 --> 00:14:14.180
Jadi lapih yang melakukan.

00:14:14.180 --> 00:14:15.880
Jika episode ini membantu Anda

00:14:15.880 --> 00:14:16.700
memahami OneLag,

00:14:16.980 --> 00:14:18.620
berlanggananlah Microsoft Knowledge Nuggets

00:14:18.620 --> 00:14:19.800
untuk konten fabric lainnya

00:14:19.800 --> 00:14:20.740
dalam bahasa yang sederhana.

00:14:21.300 --> 00:14:22.220
Dan bagikan ini kepada

00:14:22.220 --> 00:14:23.320
seseorang yang masih mengelola

00:14:23.320 --> 00:14:23.920
lima data list.

00:14:24.180 --> 00:14:24.780
Mereka berima kasih.

00:14:24.780 --> 00:14:54.760
Seseorang yang masih mengelola
