WEBVTT

00:00:00.000 --> 00:00:06.140
Добро пожаловать в новый выпуск. Сегодняшняя тема – то, о чем вы наверняка слышали на собраниях или в статьях Microsoft Fabric.

00:00:06.280 --> 00:00:09.800
Но, как и большинство, вы, возможно, не до конца понимаете, что это такое.

00:00:09.960 --> 00:00:14.040
Это просто очередной продукт Microsoft, ребрендинг старого или что-то совершенно иное.

00:00:14.220 --> 00:00:18.340
Позвольте дать вам краткий ответ. Microsoft Fabric – это не просто очередной продукт.

00:00:18.400 --> 00:00:25.000
Это полноценная платформа данных, где собрано все хранение, преобразование, аналитика и отчетность в одном месте.

00:00:25.000 --> 00:00:31.200
К концу этого выпуска вы поймете, что такое Fabric, зачем Microsoft ее создала и как связаны ее основные компоненты.

00:00:31.420 --> 00:00:33.160
Берите кофе и давайте начнем.

00:00:33.360 --> 00:00:36.180
Старый подход. Почему работа с данными была затруднена?

00:00:36.380 --> 00:00:40.620
Чтобы понять, зачем нужна Fabric, нужно понять проблему, которую она решает.

00:00:40.760 --> 00:00:48.900
20 лет назад, управляя компанией, вы покупали сервер для хранения данных, отдельный инструмент для отчетов и еще один продукт для анализа в реальном времени.

00:00:48.900 --> 00:00:54.820
В итоге у вас 5 разных систем, каждая со своим доступом, методами работы и командой сопровождения.

00:00:55.000 --> 00:00:57.200
Долгое время данные находились в изоляции.

00:00:57.440 --> 00:01:02.520
Данные о продажах – в одной системе, данные о клиентах – в другой, а финансовые данные – где-то еще.

00:01:02.700 --> 00:01:09.020
Если вы хотели получить ответ, затрагивающий все системы, например, какие клиенты покупают самые прибыльные продукты, данные приходилось переносить.

00:01:09.240 --> 00:01:13.760
Экспортировать из одной, преобразовать, загрузить в другую и повторять это при каждом изменении данных.

00:01:13.880 --> 00:01:17.140
На перемещение данных уходило больше времени, чем на их анализ.

00:01:17.400 --> 00:01:20.400
Интеграция данных стала полноценной работой для целых команд.

00:01:20.400 --> 00:01:28.080
Хуже всего-то, что при каждом переносе создавалась копия, новая версия правды, и вскоре никто уже не знал, какая из них верна.

00:01:28.220 --> 00:01:31.400
Microsoft взглянула на эту разрозненность и задала простой вопрос.

00:01:31.600 --> 00:01:33.700
Что, если все эти службы будут работать вместе?

00:01:33.920 --> 00:01:37.420
Что, если вместо объединения отдельных продуктов у вас будет одна платформа для всего?

00:01:37.580 --> 00:01:40.020
Этот вопрос и привел к созданию Microsoft Fabric.

00:01:40.140 --> 00:01:42.200
Что же такое Microsoft Fabric на самом деле?

00:01:42.380 --> 00:01:43.800
Итак, что же такое Fabric?

00:01:43.920 --> 00:01:45.280
Вот самое простое определение.

00:01:45.440 --> 00:01:48.340
Microsoft Fabric – это единая платформа для работы с данными и аналитики.

00:01:48.340 --> 00:01:50.180
Одно место для всей вашей работы с данными.

00:01:50.340 --> 00:01:52.180
Представьте ее как современное офисное здание.

00:01:52.340 --> 00:01:55.660
Каждый инструмент, например, Power BI или Azure Synapse – это комната в этом здании.

00:01:55.840 --> 00:01:58.860
У них свои задачи, обстановка и инструменты, но все они часть одной структуры.

00:01:59.040 --> 00:02:01.480
Вам не нужно выходить на улицу, чтобы попасть из одной комнаты в другую.

00:02:01.620 --> 00:02:02.720
Они соединены между собой.

00:02:02.920 --> 00:02:04.140
Именно это и делает Fabric.

00:02:04.240 --> 00:02:10.060
Она объединяет проектирование и интеграцию данных, хранилище данных, аналитику в реальном времени и бизнес-аналитику на одной платформе.

00:02:10.180 --> 00:02:16.520
Все работает на единой SIS-платформе, а значит, вам не нужно управлять инфраструктурой, настраивать серверы или конфигурации сети.

00:02:16.520 --> 00:02:18.200
Microsoft берет все это на себя.

00:02:18.360 --> 00:02:23.100
С момента запуска в 2023 году Fabric стала самым быстрорастущим продуктом для работы с данными в истории Microsoft.

00:02:23.320 --> 00:02:27.540
Сегодня ее используют более 25 тысяч клиентов, включая 80% компаний из списка Fortune 500.

00:02:27.700 --> 00:02:29.960
Это впечатляющий уровень внедрения за столь короткий срок.

00:02:30.100 --> 00:02:34.380
Ключевое отличие – вот в чем, раньше вы покупали разные продукты и пытались заставить их работать вместе.

00:02:34.560 --> 00:02:37.320
С Fabric вам больше не нужно сшивать разные сервисы.

00:02:37.420 --> 00:02:40.220
Это единый интерфейс, единый вход и единый метод работы.

00:02:40.460 --> 00:02:41.220
И это меняет все.

00:02:41.400 --> 00:02:42.920
One Lake – основа системы.

00:02:42.920 --> 00:02:46.060
А теперь давайте поговорим об основе, которая обеспечивает работу всего этого.

00:02:46.200 --> 00:02:48.940
В центре Fabric находится компонент под названием One Lake.

00:02:49.060 --> 00:02:51.960
Проще всего представить One Lake как OneDrive для ваших данных.

00:02:52.120 --> 00:02:55.580
Вы знаете, что OneDrive предоставляет единое место для хранения всех личных файлов,

00:02:55.780 --> 00:02:58.020
к которым может обратиться любое приложение на вашем компьютере.

00:02:58.180 --> 00:03:01.100
One Lake делает то же самое, но для данных вашей организации.

00:03:01.300 --> 00:03:02.740
Вот что делает ее такой мощной.

00:03:02.940 --> 00:03:06.760
Любая рабочая нагрузка в Fabric, будь то League House, хранилище или аналитика в реальном времени,

00:03:07.000 --> 00:03:08.760
автоматически сохраняет свои данные в One Lake.

00:03:08.760 --> 00:03:11.840
Вам не нужно вручную копировать что-либо или настраивать подключение.

00:03:11.840 --> 00:03:13.320
Все происходит автоматически.

00:03:13.480 --> 00:03:15.200
На один тенант приходится только один One Lake,

00:03:15.420 --> 00:03:17.880
единый источник достоверной информации для всей вашей организации.

00:03:18.080 --> 00:03:21.060
Возможно, вы спросите, что, если позже я захочу сменить платформу,

00:03:21.140 --> 00:03:22.200
буду ли я привязан к ней.

00:03:22.340 --> 00:03:23.120
Ответ – нет.

00:03:23.300 --> 00:03:25.120
One Lake хранит данные в открытых форматах,

00:03:25.260 --> 00:03:27.200
таких как Delta Parquet, отраслевом стандарте,

00:03:27.380 --> 00:03:28.960
используемом Databricks и Apache Spark.

00:03:29.100 --> 00:03:30.760
Вы никогда не будете привязаны к Microsoft.

00:03:31.020 --> 00:03:32.960
Если вы захотите переместить свои данные в другое место,

00:03:33.120 --> 00:03:33.860
вы сможете это сделать.

00:03:34.000 --> 00:03:34.800
Это ваши данные.

00:03:34.960 --> 00:03:37.540
Но вот что в One Lake действительно интересно – ярлыки.

00:03:37.700 --> 00:03:39.560
Ярлык – это виртуальный указатель на данные,

00:03:39.560 --> 00:03:40.960
которые хранятся где-то еще.

00:03:41.140 --> 00:03:44.120
Вы можете создать ярлык на данные в AWS S3, Google Cloud

00:03:44.120 --> 00:03:45.480
или даже в локальном хранилище,

00:03:45.620 --> 00:03:47.860
и они появятся в One Lake, как будто они там и лежали.

00:03:48.020 --> 00:03:50.580
Никакого перемещения данных, никакого дублирования.

00:03:50.780 --> 00:03:53.060
Вы просто указываете на них, и они появляются.

00:03:53.280 --> 00:03:55.520
One Lake построена на базе Azure Data Lake Storage,

00:03:55.700 --> 00:03:57.380
корпоративного облачного хранилища Microsoft,

00:03:57.640 --> 00:03:59.040
но вы не управляете этой инфраструктурой,

00:03:59.160 --> 00:04:01.040
так как она предоставляется как SES-сервис.

00:04:01.180 --> 00:04:03.100
Вам не нужно настраивать серверы или сети,

00:04:03.300 --> 00:04:04.460
вы просто пользуетесь ими.

00:04:04.620 --> 00:04:05.720
Что это значит для вас?

00:04:05.720 --> 00:04:08.000
Это значит, что данные из разных источников,

00:04:08.180 --> 00:04:11.120
облачных хранилищ, локальных баз данных и сторонних платформ

00:04:11.120 --> 00:04:13.340
теперь собраны в одном месте без дублирования.

00:04:13.520 --> 00:04:14.720
А в чем настоящая сила?

00:04:14.920 --> 00:04:16.320
Любые данные, записанные в One Lake,

00:04:16.500 --> 00:04:18.820
сразу же доступны для использования в любой рабочей нагрузке фабрик.

00:04:18.920 --> 00:04:21.560
Вы записываете их один раз, и они видны во всех инструментах фабрик.

00:04:21.640 --> 00:04:23.320
В этом и заключается магия One Lake.

00:04:23.620 --> 00:04:25.300
Lakehouse – центр обработки данных.

00:04:25.460 --> 00:04:27.060
Итак, ваши данные теперь в One Lake.

00:04:27.200 --> 00:04:28.280
Теперь с ними нужно работать.

00:04:28.440 --> 00:04:29.980
И здесь на помощь приходит Lakehouse.

00:04:30.160 --> 00:04:31.560
Вот самое простое определение.

00:04:31.760 --> 00:04:33.440
Lakehouse – это хранилище данных,

00:04:33.440 --> 00:04:36.400
сочетающие гибкость озера данных со структурой базы данных.

00:04:36.580 --> 00:04:39.260
В традиционном озере данных можно хранить что угодно –

00:04:39.260 --> 00:04:41.920
файлы CSV, JSON, изображения, видео,

00:04:42.140 --> 00:04:45.060
но из-за отсутствия структуры или схемы их сложно анализировать.

00:04:45.240 --> 00:04:48.000
В традиционной базе данных все структурировано и доступно для запросов,

00:04:48.180 --> 00:04:50.120
но хранить там можно только определенные типы данных.

00:04:50.300 --> 00:04:51.900
Lakehouse дает вам это и другое.

00:04:52.020 --> 00:04:53.840
В Lakehouse можно хранить как сырые файлы,

00:04:54.000 --> 00:04:56.140
такие как CSV, JSON или даже изображения.

00:04:56.260 --> 00:04:57.900
А можно хранить структурированные таблицы,

00:04:58.100 --> 00:04:59.440
доступные для SQL-запросов.

00:04:59.440 --> 00:05:01.280
Ита и другое находятся в одном месте.

00:05:01.280 --> 00:05:04.460
Эти таблицы используют формат Delta Parket, тот же открытый и быстрый формат,

00:05:04.580 --> 00:05:07.920
который применяют Databricks и другие крупные платформы для обработки огромных объемов данных.

00:05:08.080 --> 00:05:10.060
Lakehouse поддерживает множество инструментов.

00:05:10.160 --> 00:05:12.580
Вы можете использовать Spark для крупномасштабной обработки данных.

00:05:12.720 --> 00:05:14.580
Вы можете использовать Python для машинного обучения.

00:05:14.760 --> 00:05:16.720
Вы можете использовать SQL для простых запросов.

00:05:16.840 --> 00:05:19.300
Какой бы инструмент вы не предпочли, Lakehouse справится с ним.

00:05:19.440 --> 00:05:22.500
Представьте Lakehouse как рабочее пространство для создания конвейеров данных.

00:05:22.660 --> 00:05:26.420
Вы загружаете необработанные данные, преобразуете их, очищаете и готовите к анализу.

00:05:26.520 --> 00:05:28.520
На них можно запускать модели машинного обучения.

00:05:28.520 --> 00:05:31.200
Вы можете создавать наборы обучающих данных, и все это в одном месте.

00:05:31.380 --> 00:05:35.160
Для инженеров данных, предпочитающих среду с написанием кода, Lakehouse поддерживает блокноты.

00:05:35.300 --> 00:05:38.960
Это интерактивные документы, где можно писать код, видеть результаты и документировать свою работу,

00:05:39.160 --> 00:05:40.440
словно лабораторный журнал для данных.

00:05:40.580 --> 00:05:43.500
Вы пишете код на Spark в одной ячейке, видите результат в следующей,

00:05:43.660 --> 00:05:45.340
а в третьей описываете проделанные действия.

00:05:45.600 --> 00:05:49.340
Lakehouse – это точка входа для большинства инженеров данных, работающих в фабрик.

00:05:49.500 --> 00:05:52.920
Здесь выполняется основная работа, и поскольку все хранится в едином озере,

00:05:53.120 --> 00:05:56.360
любые данные в Lakehouse сразу доступны для других рабочих нагрузок фабрик.

00:05:56.360 --> 00:05:59.400
Например, в хранилищах данных, SQL-аналитических движках.

00:05:59.520 --> 00:06:01.660
Итак, если Lakehouse – это центр обработки данных,

00:06:01.740 --> 00:06:05.600
то хранилище в Airhouse – это SQL-аналитический движок, созданный для другого типа пользователей.

00:06:05.760 --> 00:06:09.580
Хранилище данных в фабрик – это полностью управляемая аналитическая SQL-база данных.

00:06:09.740 --> 00:06:13.740
Если вы администратор базы данных или SQL-разработчик, здесь вы почувствуете себя как дома.

00:06:13.880 --> 00:06:18.360
Вы можете писать в SQL-запросы, создавать представления, хранимые процедуры и политики безопасности.

00:06:18.500 --> 00:06:22.060
Это выглядит и ощущается как традиционное хранилище данных, но вот в чем его отличие.

00:06:22.060 --> 00:06:26.020
В отличие от традиционных хранилищ, хранилище фабрик сохраняет данные прямо в OneLake.

00:06:26.200 --> 00:06:29.440
Нет отдельного уровня хранения и дополнительной инфраструктуры для управления.

00:06:29.680 --> 00:06:33.720
Данные находятся в OneLake, а хранилище – это просто интерфейс для выполнения запросов.

00:06:33.820 --> 00:06:38.500
Это важно, так как хранилище и Lakehouse используют одни и те же данные, поэтому дублирования нет.

00:06:38.620 --> 00:06:43.320
Если Data Engineer загружает данные в Lakehouse, SQL-разработчик может сразу запросить их из хранилища.

00:06:43.460 --> 00:06:45.160
Никакого копирования или перемещения.

00:06:45.320 --> 00:06:48.280
Это одни и те же данные, к которым просто обращаются через разные инструменты.

00:06:48.420 --> 00:06:50.680
Хранилище создано для крупномасштабной аналитики.

00:06:50.680 --> 00:06:54.720
В его основе лежит технология массовой параллельной обработки для работы с огромными объемами данных.

00:06:54.840 --> 00:06:57.480
И Microsoft активно инвестирует в повышение производительности.

00:06:57.640 --> 00:07:01.180
Только за последние шесть месяцев производительность выросла на 36%.

00:07:01.180 --> 00:07:03.580
Это значительный прогресс за короткий промежуток времени.

00:07:03.800 --> 00:07:08.360
Если вы переходите с другой платформы, в фабрик есть помощник по миграции со Snowflake или Synapse.

00:07:08.520 --> 00:07:11.340
Он анализирует вашу текущую настройку и ведет вас через весь процесс.

00:07:11.560 --> 00:07:14.040
Цель состоит в том, чтобы сделать миграцию максимально безболезненной.

00:07:14.180 --> 00:07:16.360
Так в чем же разница между Lakehouse и хранилищем данных?

00:07:16.480 --> 00:07:17.700
Все сводится к интерфейсу.

00:07:17.800 --> 00:07:19.780
Хранилища ориентированы прежде всего на SQL.

00:07:20.680 --> 00:07:23.180
Для тех, кто мыслит категориями таблиц, запросов и хранимых процедур.

00:07:23.320 --> 00:07:25.400
Lakehouse ориентированы прежде всего на разработчиков.

00:07:25.500 --> 00:07:28.260
Они созданы для тех, кто предпочитает использовать Spark, Python и ноутбуки.

00:07:28.380 --> 00:07:31.000
Но в основе своей они оба хранят данные в одном и том же озере данных, ванлей.

00:07:31.120 --> 00:07:33.260
Это два способа работы с одними и теми же данными.

00:07:33.460 --> 00:07:36.420
Загрузка данных, Data Factory, зеркалирование и ярлыки.

00:07:36.600 --> 00:07:38.440
Итак, у вас есть ванлейк для хранения,

00:07:38.680 --> 00:07:40.940
Lakehouse для трансформации и хранилища для запросов.

00:07:41.080 --> 00:07:42.300
Но как данные попадают внутрь?

00:07:42.420 --> 00:07:44.400
Именно здесь на помощь приходит Data Factory.

00:07:44.400 --> 00:07:46.980
Data Factory — это встроенная служба интеграции данных в фабрик,

00:07:47.100 --> 00:07:49.520
предлагающая более 200 коннекторов для получения данных из BD,

00:07:49.640 --> 00:07:51.820
облачных хранилищ, SIS-приложений и многого другого.

00:07:51.940 --> 00:07:55.380
Это самый популярный инструмент интеграции данных в мире, и не без оснований.

00:07:55.540 --> 00:07:57.760
Внутри Data Factory вы получаете Data Flows JAN2,

00:07:58.020 --> 00:08:00.840
которые позволяют трансформировать данные без кода с помощью Power Query.

00:08:01.000 --> 00:08:03.440
Если вы когда-либо использовали Power Query в Excel или Power BI,

00:08:03.600 --> 00:08:04.740
вы уже знаете, как это работает.

00:08:04.900 --> 00:08:08.060
Вы используете визуальный интерфейс, чтобы очищать, преобразовывать и объединять данные.

00:08:08.200 --> 00:08:08.760
Код не требуется.

00:08:08.980 --> 00:08:10.420
Решение готово к промышленной эксплуатации

00:08:10.420 --> 00:08:12.340
и масштабируется для обработки огромных массивов данных.

00:08:12.440 --> 00:08:15.920
Каждый месяц в Data Factory выполняется более 22 миллиардов операций оркестрации,

00:08:16.040 --> 00:08:18.440
что означает автоматическое перемещение миллиардов единиц данных,

00:08:18.620 --> 00:08:20.520
делая этот сервис важнейшим элементом инфраструктуры.

00:08:20.620 --> 00:08:24.180
Но есть еще более простой способ загрузки данных в One Lake — зеркалирование.

00:08:24.520 --> 00:08:26.700
Зеркалирование копирует данные из внешних баз данных,

00:08:26.820 --> 00:08:30.660
таких как Azure SQL, Oracle или Google BigQuery, в One Lake почти в реальном времени.

00:08:30.840 --> 00:08:31.940
И вот что самое приятное.

00:08:32.080 --> 00:08:34.760
Это бесплатно и включено в сервис без дополнительных затрат.

00:08:34.760 --> 00:08:36.820
Вы просто указываете свою исходную базу данных,

00:08:37.000 --> 00:08:38.360
а фабрик берет на себя все остальное.

00:08:38.360 --> 00:08:40.480
Далее идут ярлыки, о которых мы уже упоминали,

00:08:40.640 --> 00:08:42.040
но они заслуживают большего внимания.

00:08:42.220 --> 00:08:43.980
Ярлыки — это виртуальные указатели на данные,

00:08:44.140 --> 00:08:46.540
хранящиеся в другом месте, которые не требуют перемещения данных.

00:08:46.660 --> 00:08:48.620
Вы создаете ярлык в корзине AWS S3,

00:08:48.780 --> 00:08:51.120
и он отображается в One Lake так, будто данные хранятся там,

00:08:51.280 --> 00:08:52.660
хотя фактически они остаются на месте.

00:08:52.820 --> 00:08:54.160
Вы просто указываете на них.

00:08:54.280 --> 00:08:56.660
А теперь ярлыки могут не только указывать на данные.

00:08:57.020 --> 00:09:00.760
Преобразование ярлыков позволяет применять трансформации на базе и на лету.

00:09:00.860 --> 00:09:02.980
Вы можете проводить анализ тональности текста,

00:09:03.060 --> 00:09:05.580
переводить контент или выявлять персональные данные,

00:09:05.580 --> 00:09:08.620
и все это без перемещения данных или создания конвейеров.

00:09:08.820 --> 00:09:11.640
Преобразование происходит непосредственно в момент доступа к данным.

00:09:11.800 --> 00:09:13.580
Цель всех этих инструментов проста —

00:09:13.580 --> 00:09:17.040
собрать все ваши данные в One Lake без необходимости строить сложные конвейеры.

00:09:17.240 --> 00:09:19.760
Используете ли вы Data Factory для традиционного ETL,

00:09:19.960 --> 00:09:21.920
зеркалирования для репликации в реальном времени

00:09:21.920 --> 00:09:24.500
или ярлыки для виртуального доступа «Результат 1».

00:09:24.500 --> 00:09:28.580
Ваши данные попадают в One Lake и готовы к использованию в любой рабочей нагрузке фабрик.

00:09:28.680 --> 00:09:31.120
Аналитика в реальном времени, базы данных и ИИ.

00:09:31.280 --> 00:09:33.380
До сих пор мы говорили о перемещении и хранении данных,

00:09:33.380 --> 00:09:35.860
но как насчет данных, которые постоянно находятся в движении?

00:09:35.980 --> 00:09:39.980
Потоковые данные с IoT-датчиков, кликстримы с веб-сайтов, телеметрия с устройств.

00:09:40.140 --> 00:09:42.380
Здесь на помощь приходит аналитика в реальном времени.

00:09:42.600 --> 00:09:45.780
Фабрик обрабатывает потоковые данные с помощью так называемого Event House,

00:09:45.980 --> 00:09:48.320
который хранит и запрашивает большие объемы временных рядов

00:09:48.320 --> 00:09:50.560
с использованием KQL языка запросов каста.

00:09:50.680 --> 00:09:53.800
Это тот же движок, что и в Azure Data Explorer, созданный для скорости,

00:09:53.940 --> 00:09:57.380
позволяющий принимать миллионы событий в секунду и запрашивать их за миллисекунды.

00:09:57.500 --> 00:09:58.760
Это важно, и вот почему.

00:09:58.760 --> 00:10:02.380
46% клиентов фабрик уже используют аналитику в реальном времени.

00:10:02.520 --> 00:10:03.500
Это почти половина.

00:10:03.680 --> 00:10:05.580
Варианты использования встречаются повсюду.

00:10:05.860 --> 00:10:07.760
Логистическая компания отшлеживает грузовики,

00:10:07.980 --> 00:10:09.860
ретейлер следит за посещаемостью магазинов,

00:10:10.060 --> 00:10:12.260
производитель наблюдает за данными датчиков оборудования,

00:10:12.460 --> 00:10:13.840
все это происходит в реальном времени.

00:10:14.020 --> 00:10:15.740
Но фабрик – это не только аналитика.

00:10:15.900 --> 00:10:17.620
Он также включает операционные базы данных,

00:10:17.760 --> 00:10:21.280
такие как SQL Database для реляционных данных и Cosmos DB для NoSQL нагрузок.

00:10:21.380 --> 00:10:24.500
Это те же базы данных, которые вы используете для работы своих приложений.

00:10:24.620 --> 00:10:26.020
И поскольку они встроены в фабрик,

00:10:26.020 --> 00:10:28.420
они автоматически сохраняют свои данные в OneLake.

00:10:28.580 --> 00:10:30.840
Никаких лишних конвейеров и ручного копирования.

00:10:31.060 --> 00:10:34.060
Ваши транзакционные и аналитические данные находятся в одном месте.

00:10:34.240 --> 00:10:35.120
Теперь поговорим об И,

00:10:35.280 --> 00:10:37.760
ведь именно здесь фабрик становится по-настоящему интересным.

00:10:37.940 --> 00:10:40.040
Интеграция И глубоко пронизывает всю платформу.

00:10:40.240 --> 00:10:43.540
Вам доступны готовые модели для анализа текста, перевода и анализа тональности.

00:10:43.700 --> 00:10:45.580
Вы можете использовать их напрямую в потоках данных,

00:10:45.740 --> 00:10:46.820
не написав ни строчки кода.

00:10:46.940 --> 00:10:49.720
Просто укажите на свои данные, выберите модель, и она заработает.

00:10:49.820 --> 00:10:52.500
А еще есть Копайлот, который встроен во все компоненты фабрик.

00:10:52.500 --> 00:10:55.540
Он помогает писать запросы, создавать отчеты и конвейеры данных.

00:10:55.660 --> 00:10:57.680
Вы просто описываете задачу на обычном языке.

00:10:57.880 --> 00:10:58.980
А Копайлот генерирует код.

00:10:59.120 --> 00:11:01.480
Это как если бы рядом с вами сидел младший инженер по данным,

00:11:01.660 --> 00:11:02.860
готовый помочь в любую минуту.

00:11:02.980 --> 00:11:04.080
Концепция здесь проста.

00:11:04.200 --> 00:11:06.700
И работает с вашими данными, не перемещая их куда-либо.

00:11:06.920 --> 00:11:09.760
Ваши данные остаются в OneLake, а модели и приходят к данным.

00:11:09.940 --> 00:11:12.860
Никакого копирования, экспорта или риска в безопасности.

00:11:13.100 --> 00:11:15.760
Данные никогда не покидают вашу контролируемую среду.

00:11:15.940 --> 00:11:18.600
Power BI, управление данными и бизнес-ценность.

00:11:18.600 --> 00:11:20.860
Теперь перейдем к тому, что видят большинство пользователей.

00:11:20.860 --> 00:11:23.180
К парадному входу, к аналитике, то есть Power BI.

00:11:23.400 --> 00:11:28.000
Его используют 550 тысяч организаций и 34 миллиона пользователей ежемесячно.

00:11:28.300 --> 00:11:31.360
Что делает его самым популярным инструментом бизнес-аналитики в мире.

00:11:31.520 --> 00:11:33.820
А в составе фабрик он становится еще мощнее.

00:11:34.020 --> 00:11:35.060
В этом главный секрет.

00:11:35.260 --> 00:11:37.880
Фабрик-сервис Power BI подключается напрямую к OneLake,

00:11:38.100 --> 00:11:39.860
используя так называемый режим DirectLake.

00:11:40.020 --> 00:11:41.840
Это отличается от традиционного режима импорта,

00:11:41.960 --> 00:11:44.560
при котором вы копируете данные во внутреннее хранилище Power BI.

00:11:44.780 --> 00:11:46.980
Вместо этого DirectLake запрашивает данные там,

00:11:46.980 --> 00:11:51.700
где они лежат в OneLake без необходимости обновления, без дублирования, быстро и всегда актуально.

00:11:51.860 --> 00:11:55.040
В основе каждого отчета Power BI лежит семантическая модель,

00:11:55.260 --> 00:11:59.060
мозг вашего отчета, где вы определяете бизнес-логику, меры и связи.

00:11:59.160 --> 00:12:02.320
И теперь вы можете создавать такие модели полностью в веб-браузере.

00:12:02.520 --> 00:12:05.640
Веб-моделирование общедоступно, поэтому создавать семантические модели,

00:12:05.800 --> 00:12:09.100
выстраивать связи и писать меры DX можно прямо в браузере, даже на Mac.

00:12:09.200 --> 00:12:10.960
Настольное приложение больше не требуется.

00:12:11.120 --> 00:12:13.200
Но вся эта мощь данных ничего не значит без управления,

00:12:13.200 --> 00:12:15.540
и в фабрик средства управления встроены с самого начала.

00:12:15.680 --> 00:12:17.900
Microsoft Perview предоставляет метки конфиденциальности,

00:12:18.040 --> 00:12:19.620
которые следуют за вашими данными повсюду.

00:12:19.800 --> 00:12:21.940
Если отчет содержит конфиденциальную информацию,

00:12:22.220 --> 00:12:24.040
метка останется на нем даже после экспорта.

00:12:24.160 --> 00:12:27.940
Политики предотвращения потери данных автоматически распознают конфиденциальные данные

00:12:27.940 --> 00:12:29.640
и блокируют несанкционированный доступ.

00:12:29.780 --> 00:12:31.660
А средства контроля доступа гарантируют,

00:12:31.720 --> 00:12:33.580
что только нужные люди увидят нужные данные.

00:12:33.780 --> 00:12:37.260
Домены помогают упорядочить данные по бизнес-направлениям с отдельными правилами управления.

00:12:37.420 --> 00:12:40.760
Так, ваши финансовые данные могут иметь более строгие ограничения, чем маркетинговые.

00:12:40.760 --> 00:12:42.720
Каждым доменом может управлять своя команда,

00:12:42.920 --> 00:12:45.660
что обеспечивает масштабируемое управление в рамках всей организации.

00:12:45.780 --> 00:12:47.640
А теперь поговорим о реальных результатах.

00:12:47.720 --> 00:12:48.720
Это не просто теория.

00:12:48.920 --> 00:12:50.680
Компания Eastman Chemical использовала фабрик,

00:12:50.840 --> 00:12:53.240
чтобы сократить время подготовки продаж на 83%.

00:12:53.240 --> 00:12:56.460
То, на что раньше уходило 4 часа, теперь занимает около 40 минут.

00:12:56.620 --> 00:12:59.400
Итан Сальюшинс сократил объем ручного труда на 75%,

00:12:59.400 --> 00:13:02.420
выполняя за два шага процессы, которые раньше требовали от 10 до 15.

00:13:02.640 --> 00:13:06.180
А Sonata Software ежегодно экономит 30 тысяч часов ручной сверки данных,

00:13:06.380 --> 00:13:08.980
перенаправляя этот человеческий ресурс на более важные задачи.

00:13:08.980 --> 00:13:10.640
Модель оплаты проста и понятна.

00:13:10.760 --> 00:13:12.520
Вы платите за емкость, вычислительную мощность,

00:13:12.660 --> 00:13:14.240
на которой выполняются ваши рабочие нагрузки.

00:13:14.360 --> 00:13:17.760
В Microsoft встроены функции сглаживания и защиты от скачков для управления пиковыми нагрузками.

00:13:17.940 --> 00:13:21.160
Сглаживание распределяет затраты на фоновые операции в течение 24 часов,

00:13:21.340 --> 00:13:22.500
чтобы избежать внезапных скачков,

00:13:22.640 --> 00:13:25.280
а защита от перегрузок ограничивает фоновые задания в периоды активности

00:13:25.280 --> 00:13:27.340
для поддержания стабильной интерактивной производительности.

00:13:27.500 --> 00:13:30.580
Вы платите за то, что используете, и никаких сюрпризов.

00:13:30.760 --> 00:13:31.860
Давайте подведем итог.

00:13:32.020 --> 00:13:34.300
Фабрик — это не просто очередной продукт Microsoft.

00:13:34.580 --> 00:13:37.520
Это полное переосмысление того, как должны работать платформы данных.

00:13:37.520 --> 00:13:41.060
Одна платформа, одно хранилище, одна копия данных и бесконечные возможности.

00:13:41.180 --> 00:13:43.800
А благодаря встроенным и ИК-пайлот, она доступна каждому.

00:13:43.920 --> 00:13:45.760
Не только специалистам по данным, но и бизнес-аналитикам,

00:13:45.840 --> 00:13:47.180
отделам продаж, операционным менеджарам,

00:13:47.260 --> 00:13:48.620
всем, кому нужны ответы на основе данных.

00:13:48.760 --> 00:13:49.880
Вот ваши домашние задания.

00:13:50.060 --> 00:13:51.740
Перейдите на сайт fabric.microsoft.com,

00:13:51.900 --> 00:13:54.340
начните бесплатную пробную версию и создайте свое первое рабочее пространство.

00:13:54.460 --> 00:13:55.220
Просто попробуйте.

00:13:55.380 --> 00:13:57.440
Вы увидите, как все части складываются в единое целое,

00:13:57.640 --> 00:13:59.420
что невозможно заменить никаким чтением документации.

00:13:59.580 --> 00:14:01.180
Если этот выпуск помог вам лучше понять Фабрик,

00:14:01.180 --> 00:14:03.100
подпишитесь на платформе, где вы слушаете подкасты,

00:14:03.200 --> 00:14:05.480
и поделитесь им с теми, кто только начинает свой путь в работе с данными.

00:14:05.600 --> 00:14:06.680
Они скажут вам спасибо.

00:14:06.880 --> 00:14:10.080
В следующий раз мы простыми словами разберем ярлыки OneLake.

00:14:10.220 --> 00:14:14.140
Как они работают, почему важны и как использовать их без перемещения данных.

00:14:14.280 --> 00:14:15.900
Этот выпуск точно стоит посмотреть.

00:14:16.080 --> 00:14:17.460
А пока продолжайте учиться.
