پاور BI ڈیٹا فلوز: مرکزی ڈیٹا کی تیاری

ہر پاور BI ماحول بالآخر ایک ہی مسئلہ پیدا کرتا ہے: درجنوں رپورٹس، ہر ایک "ایک ہی" ڈیٹا کی تیاری کی منطق کے قدرے مختلف ورژن کے ساتھ۔ کسٹمر کے ڈیٹا کو سیلز ڈیش بورڈ میں ایک طرح سے صاف اور معیاری بنایا گیا، مارکیٹنگ رپورٹ میں قدرے مختلف، اور ایگزیکٹو سمری میں دوبارہ مختلف۔ جب سورس سسٹم تبدیل ہوتا ہے — ایک کالم کا نام تبدیل کیا جاتا ہے، ایک نیا علاقہ شامل کیا جاتا ہے — ہر رپورٹ کو انفرادی طور پر اپ ڈیٹ کرنا دیکھ بھال کا ڈراؤنا خواب ہے۔

پاور BI ڈیٹا فلو انفرادی رپورٹ فائلوں (Power BI ڈیسک ٹاپ .pbix) سے ڈیٹا کی تیاری کو Power BI سروس میں مشترکہ، مرکزی سطح پر منتقل کر کے اسے حل کرتا ہے۔ ڈیٹا فلو میں ایک بار لکھی گئی منطق کسی بھی رپورٹ کے لیے دستیاب ہوتی ہے، کسی بھی ڈویلپر کے ذریعے، مستقل نتیجہ کے ساتھ۔ اس گائیڈ میں ڈیٹا فلو آرکیٹیکچر، نفاذ کے نمونوں، اور جدید صلاحیتوں کا احاطہ کیا گیا ہے جو ڈیٹا فلو کو زیر انتظام پاور BI ماحول کی بنیاد بناتے ہیں۔

اہم ٹیک ویز

• ڈیٹا فلوز پاور BI سروس میں پاور کوئری ETL منطق کو مرکزی بناتا ہے، رپورٹس میں نقل کو ختم کرتا ہے۔
• ڈیٹا فلوز معیاری ہستیوں (ٹیبلز) کو تیار کرتے ہیں جو متعدد رپورٹس ایک ذریعہ سے استعمال کرتے ہیں۔
• منسلک ادارے ڈیٹا فلوز کو دوسرے ڈیٹا فلوز سے ٹیبل کے حوالے کرنے کی اجازت دیتے ہیں، تہہ دار فن تعمیر کو فعال کرتے ہوئے
• کمپیوٹیڈ ادارے پریمیم ڈیٹا فلو انجن کے اندر منسلک اداروں پر تبدیلیاں انجام دیتے ہیں۔
• مائیکروسافٹ فیبرک میں ڈیٹا فلو Gen2 سٹیجنگ اور آؤٹ پٹ منزلوں کے ساتھ ڈیٹا فلو کو بڑھاتا ہے۔
• AI بصیرتیں (Premium) ML ماڈلز کو ڈیٹا فلو آؤٹ پٹ پر لاگو کرتی ہے — بے ضابطگی کا پتہ لگانا، جذبات کا تجزیہ، کلیدی جملہ نکالنا
• ڈیٹا فلوز پر اضافی ریفریش مکمل ری پروسیسنگ کے بغیر بڑی تبدیلی کے آؤٹ پٹ کو موجودہ رکھتا ہے
• ڈیٹا فلو گورننس کنٹرول کرتا ہے کہ ورک اسپیس کی اجازتوں کے ذریعے ڈیٹا فلو کو کون تخلیق، ترمیم اور استعمال کر سکتا ہے

---

ڈیٹا فلوز کیوں موجود ہیں۔

ڈیٹا فلو کو سمجھنے کے لیے، ان کے حل کردہ مسئلے کو تصور کرنا مددگار ہے۔

** ڈیٹا فلو کے بغیر (عام پیٹرن):**

• ڈیولپر A رپورٹ 1 بناتا ہے، سیلز فورس سے منسلک ہوتا ہے، ڈیٹا کو صاف کرنے اور تبدیل کرنے کے لیے پاور کوئری کے 40 مراحل لکھتا ہے۔
• ڈویلپر بی رپورٹ 2 بناتا ہے، سیلز فورس سے بھی جوڑتا ہے، اسی طرح کے 38 پاور سوال کے مراحل لکھتا ہے (تھوڑا مختلف)
• ڈیولپر سی رپورٹ 3، وہی ماخذ، 45 مراحل بناتا ہے۔
• Salesforce API کی اسناد تین مختلف فائلوں میں محفوظ ہیں۔
• "کسٹمر سیگمنٹ" کی درجہ بندی کی منطق کو تین قدرے مختلف طریقوں سے لاگو کیا جاتا ہے
• جب API تبدیل ہوتا ہے، تین فائلوں کو اپ ڈیٹ کرنے کی ضرورت ہوتی ہے۔
• تینوں رپورٹس سیلز فورس API کے خلاف اپنی طے شدہ ریفریشز چلاتی ہیں۔

ڈیٹا فلوز کے ساتھ:

• ڈیٹا انجینئر 40 پاور استفسار کے مراحل کے ساتھ ایک ڈیٹا فلو بناتا ہے۔
• رپورٹس 1، 2، اور 3 سبھی ڈیٹا فلو ہستی سے اپنے ڈیٹا ماخذ کے طور پر جڑتی ہیں۔
• ایک API کی سند، ایک تبدیلی کی منطق، ایک طے شدہ ریفریش
• جب API تبدیل ہوتا ہے، ایک ڈیٹا فلو کو اپ ڈیٹ کیا جاتا ہے۔

یہ بنیادی قدر کی تجویز ہے: ڈیٹا فلوز سورس سسٹمز اور استعمال کرنے والی رپورٹس کے درمیان ETL پرت ہیں۔

---

ڈیٹا فلو آرکیٹیکچر پیٹرنز

اچھی طرح سے ڈیزائن کردہ ڈیٹا فلو آرکیٹیکچرز ڈیٹا گودام میڈلین فن تعمیر کے مشابہ پرتوں والے پیٹرن کی پیروی کرتے ہیں:

کانسی کی تہہ (اسٹیجنگ ڈیٹا فلو): کم سے کم تبدیلی کے ساتھ سورس سسٹمز سے ڈیٹا نکالتا ہے — کالموں کا نام تبدیل کریں، اقسام کو ٹھیک کریں، واضح طور پر غلط ریکارڈ کو فلٹر کریں۔ یہ تہہ خام ڈیٹا کو معیاری شکل میں حاصل کرتی ہے۔

سلور لیئر (کور ڈیٹا فلو): کاروباری منطق کا اطلاق کرتا ہے — اخذ کردہ فیلڈز کا حساب لگاتا ہے، حوالہ ڈیٹا کی تلاش کا اطلاق کرتا ہے، ریکارڈ کو ڈپلیکیٹ کرتا ہے، تنظیم کے لیے مخصوص کاروباری اصول لاگو کرتا ہے۔ یہ پرت ہر کاروباری ادارے کی کینونیکل نمائندگی پیدا کرتی ہے۔

گولڈ پرت (رپورٹنگ ڈیٹا فلو یا سیمنٹک ماڈل): مخصوص تجزیاتی استعمال کے معاملات کے لیے ڈیٹا کو جمع اور ڈھانچہ کرتا ہے — پہلے سے حساب شدہ مجموعے، رپورٹ کے لیے مخصوص اقدامات، وقت کی مدت کا حساب۔

پاور BI میں، منسلک ادارے ان تہوں کو جوڑتے ہیں: سلور ڈیٹا فلو لنک شدہ اداروں کا استعمال کرتے ہوئے برونز ڈیٹا فلو سے اداروں کا حوالہ دیتا ہے۔ سونے کی تہہ چاندی کے اداروں کا حوالہ دیتی ہے۔ رپورٹس گولڈ لیئر اداروں سے جڑتی ہیں۔

اس فن تعمیر کا مطلب ہے: اگر کوئی سورس سسٹم بدلتا ہے، تو صرف کانسی کے ڈیٹا فلو کو اپ ڈیٹ کرنے کی ضرورت ہے۔ چاندی میں کاروباری منطق اور سونے میں رپورٹنگ کا ڈھانچہ مستحکم ہے۔

---

اپنا پہلا ڈیٹا فلو بنانا

ڈیٹا فلو پاور BI سروس میں بنائے جاتے ہیں (Power BI ڈیسک ٹاپ نہیں)۔ ورک اسپیس → نیا → ڈیٹا فلو پر جائیں۔

ڈیٹا فلو ایڈیٹنگ ماحول پاور کوئری آن لائن ہے — بنیادی طور پر پاور BI ڈیسک ٹاپ جیسا پاور کوئری انٹرفیس ہے، لیکن براؤزر میں چل رہا ہے اور مائیکروسافٹ کے کلاؤڈ انفراسٹرکچر میں کام کر رہا ہے۔

مرحلہ 1: ڈیٹا سورس کی وضاحت کریں

"نئی ہستیوں کو شامل کریں" پر کلک کریں → ایک کنیکٹر کا انتخاب کریں۔ تمام پاور BI ڈیسک ٹاپ کنیکٹر ڈیٹا فلوز میں دستیاب ہیں، نیز کچھ کلاؤڈ-نیٹیو کنیکٹرز (Azure Data Factory integration، وغیرہ)۔

ایس کیو ایل سرور ماخذ کے لیے:

Server: your-server.database.windows.net
Database: YourDatabase
Authentication: Organizational account or service principal

مرحلہ 2: تبدیلی کے سوالات لکھیں

پاور کوئری انٹرفیس واقف پیش کرتا ہے: اپلائیڈ اسٹیپس، فارمولا بار، اور پیش نظارہ۔ پاور BI ڈیسک ٹاپ کی طرح اپنی تبدیلی کی منطق بنائیں — قطاروں کو فلٹر کریں، کالموں کا نام تبدیل کریں، ریفرنس ٹیبلز کے ساتھ ضم کریں، حسب ضرورت منطق کا اطلاق کریں۔

کسٹمر ڈیٹا کی معیاری کاری کے سوال کے لیے:

let
    Source = Sql.Database("server", "db"),
    Customers = Source{[Schema="dbo", Item="Customers"]}[Data],
    FilteredActive = Table.SelectRows(Customers, each [Status] = "Active"),
    RenamedColumns = Table.RenameColumns(FilteredActive, {
        {"cust_id", "CustomerID"},
        {"cust_nm", "CustomerName"},
        {"seg_cd", "SegmentCode"}
    }),
    SegmentLookup = Table.Join(
        RenamedColumns, "SegmentCode",
        SegmentDefinitions, "Code",
        JoinKind.LeftOuter
    ),
    RemovedDuplicates = Table.Distinct(SegmentLookup, {"CustomerID"})
in
    RemovedDuplicates

مرحلہ 3: ریفریش شیڈول ترتیب دیں

ڈیٹا فلو ریفریش شیڈول سیٹ کریں (پریمیم میں 48× فی دن، پرو میں 8× فی دن)۔ ڈیٹا فلو ریفریش ماخذ کے خلاف تبدیلی کے سوالات چلاتا ہے اور Power BI کے زیر انتظام Azure Data Lake Gen2 اسٹوریج کو نتائج لکھتا ہے۔

مرحلہ 4: رپورٹس کو ڈیٹا فلو سے مربوط کریں

پاور BI ڈیسک ٹاپ میں: ڈیٹا حاصل کریں → پاور پلیٹ فارم → پاور BI ڈیٹا فلوز → ورک اسپیس پر جائیں → ہستی کو منتخب کریں۔ رپورٹ ڈیٹا فلو ہستی کے ذخیرہ شدہ آؤٹ پٹ سے مربوط ہوتی ہے، سورس سسٹم سے نہیں۔

---

لنکڈ اور کمپیوٹیڈ ہستی (پریمیم)

منسلک ادارے ایک ڈیٹا فلو کو دوسرے ڈیٹا فلو سے اداروں کا حوالہ دینے کی اجازت دیتے ہیں۔ اوپر بیان کردہ پرتوں والے فن تعمیر کو اس طرح نافذ کیا گیا ہے۔

ایک منسلک ادارہ بنانا: سلور ڈیٹا فلو میں → نئی ہستی → دوسرے ڈیٹا فلوز سے ہستیوں کو لنک کریں → کانسی کی ہستی کو منتخب کریں۔

لنک شدہ ہستی سلور ڈیٹا فلو میں ایک ورچوئل ٹیبل کے طور پر ظاہر ہوتی ہے جو برونز ڈیٹا فلو کے آؤٹ پٹ کی طرف اشارہ کرتی ہے۔ آپ منسلک ہستی کے اوپر تبدیلی کے اضافی اقدامات شامل کر سکتے ہیں — یہ اضافی اقدامات ڈیٹا فلو انجن میں ہوتے ہیں، ماخذ پر نہیں۔

کمپیوٹیڈ ائینٹیٹیز منسلک ہستی ہیں جن کے ساتھ پاور کوئری کی اضافی تبدیلیاں لاگو ہوتی ہیں۔ وہ ماخذ کی بجائے پریمیم ڈیٹا فلو انجن کی ان میموری پروسیسنگ میں انجام دیتے ہیں، بڑے ڈیٹا سیٹس پر پیچیدہ تبدیلیوں کے لیے نمایاں کارکردگی کے فوائد فراہم کرتے ہیں۔

کلیدی امتیاز:

• پریمیم کے بغیر: منسلک ادارے دوسرے ڈیٹا فلو کے ڈیٹا کا حوالہ دیتے ہیں لیکن تمام پروسیسنگ ماخذ کے خلاف استفسار کے وقت ہوتی ہے
• پریمیم (کمپیوٹیڈ اداروں) کے ساتھ: منسلک اداروں پر ٹرانسفارمیشنز پاور BI کے تجزیاتی انجن میں کیشڈ ڈیٹا کا استعمال کرتے ہوئے چلتی ہیں، نہ کہ ماخذ — پیچیدہ تبدیلیوں کے لیے ڈرامائی طور پر تیز

یہ خاص طور پر ان تبدیلیوں کے لیے قابل قدر ہے جو ماخذ پر چلنا مہنگا ہے (بڑے ٹیبلز، ایگریگیشنز، ونڈو فنکشنز میں شامل ہوتا ہے) لیکن ڈیٹا کے رپورٹس تک پہنچنے سے پہلے ایسا ہونا ضروری ہے۔

---

ڈیٹا فلوز کے لیے اضافی ریفریش

ڈیٹاسیٹس کی طرح، ڈیٹا فلوز ہر سائیکل پر تمام ڈیٹا کو دوبارہ لوڈ کرنے کے بجائے صرف نئے اور تبدیل شدہ ریکارڈ پر کارروائی کرنے کے لیے اضافی ریفریش کی حمایت کرتے ہیں۔

ضروریات:

• پریمیم ورک اسپیس
• سورس استفسار میں ڈیٹ ٹائم کالم
• رینج اسٹارٹ اور رینج اینڈ پیرامیٹرز ڈیٹا فلو کے استفسار میں بیان کیے گئے ہیں۔

کنفیگریشن ڈیٹاسیٹ انکریمنٹل ریفریش سے مماثل ہے: پیرامیٹرز کی وضاحت کریں، استفسار میں ڈیٹ فلٹر لگائیں، ہستی پر اضافی ریفریش پالیسی کو ترتیب دیں۔ ڈیٹا فلو انجن تاریخی ونڈو کو ڈھانپنے والے پارٹیشنز بناتا ہے اور ہر سائیکل پر صرف حالیہ ونڈو کو تازہ کرتا ہے۔

ڈیٹا فلوز کے لیے اضافی ریفریش سب سے زیادہ قیمتی ہے جب:

• تبدیلیاں کمپیوٹیشنل طور پر مہنگی ہیں اور آپ انہیں غیر تبدیل شدہ تاریخی ڈیٹا پر دوبارہ نہیں چلانا چاہتے
• ٹیبل کے بڑے سائز کی وجہ سے سورس استفسار سست ہے، اور استفسار ونڈو کو محدود کرنے سے بازیافت کا وقت ڈرامائی طور پر کم ہو جاتا ہے۔
• سٹوریج لاگت کے معاملات - بڑھتے ہوئے پارٹیشنز تاریخی ڈیٹا کو دوبارہ استفسار کیے بغیر محفوظ رہنے کی اجازت دیتے ہیں

زیادہ تر چھوٹے سے درمیانے درجے کے ڈیٹا فلوز کے لیے (10 ملین قطاروں سے کم)، مکمل ریفریش آسان اور کافی ہے۔ جب ریفریش کے اوقات 30-60 منٹ سے زیادہ ہوتے ہیں تو اضافی ریفریش اہم ہو جاتا ہے۔

---

ڈیٹا فلوز میں AI بصیرتیں (پریمیم)

پاور BI پریمیم ڈیٹا فلوز میں AI انسائٹس شامل ہیں — پہلے سے بلٹ مشین لرننگ فنکشنز براہ راست Power Query آن لائن میں دستیاب ہیں۔

دستیاب AI افعال:

ان فنکشنز کو پاور کوئری ایڈیٹر میں حسب ضرورت کالم ٹرانسفارمیشن کے طور پر استعمال کیا جاتا ہے۔ کسٹمر_کمنٹس کالم پر ایک جذباتی اسکورنگ مرحلہ:

= Table.AddColumn(Source, "Sentiment", each
    TextAnalytics.SentimentScore([CustomerComment]),
    type number
)

AI فنکشن Azure Cognitive Services کو پردے کے پیچھے کال کرتا ہے۔ نتیجہ (0 سے 1 تک جذباتی سکور) ایک نئے کالم کے طور پر ظاہر ہوتا ہے۔ یہ ایک علیحدہ ڈیٹا سائنس پائپ لائن کی ضرورت کے بغیر افزودہ ڈیٹاسیٹس کو قابل بناتا ہے۔

---

ڈیٹا فلو گورننس اور سیکیورٹی

مرکزی ڈیٹا کی تیاری کی تہہ کے طور پر، ڈیٹا فلو کو معیار کو یقینی بنانے اور غیر مجاز تبدیلیوں کو روکنے کے لیے گورننس کنٹرولز کی ضرورت ہوتی ہے۔

ورک اسپیس کی اجازتیں کنٹرول کرتی ہیں کہ کون ڈیٹا فلو بنا اور اس میں ترمیم کرسکتا ہے۔ ڈیٹا فلو کی تخلیق کے لیے کنٹریبیوٹر یا ایڈمن کو ورک اسپیس تک رسائی درکار ہوتی ہے۔ صارفین (رپورٹ ڈویلپرز جو ڈیٹا فلو سے منسلک ہوتے ہیں) کو صرف ناظرین تک رسائی کی ضرورت ہوتی ہے۔ اس کردار کی علیحدگی یقینی بناتی ہے کہ کانسی اور چاندی کی تہوں میں کاروباری منطق کو مجاز ڈیٹا انجینئرز کے ذریعے برقرار رکھا جاتا ہے۔

سرٹیفیکیشن ڈیٹا فلوز کو بطور مرکزی اتھارٹی کے منظور شدہ نشان زد کرتا ہے۔ پاور BI ڈیسک ٹاپ میں ڈیٹا سورس چننے والے میں ایک مصدقہ ڈیٹا فلو کو ہائی لائٹ کیا جاتا ہے، جو رپورٹ ڈویلپرز کو شروع سے اپنا بنانے کے بجائے مستند، زیر انتظام ڈیٹا سورس کی طرف ہدایت کرتا ہے۔

حساسیت کے لیبل حساس ڈیٹا پر مشتمل ڈیٹا فلوز پر Microsoft Purview Information Protection کے لیبل لگاتے ہیں۔ PII پر مشتمل ڈیٹا فلو کو ایک "خفیہ" لیبل ملتا ہے، جو اس ڈیٹا فلو کو استعمال کرنے والی کسی بھی رپورٹ کو جھٹکا دیتا ہے۔

پاور BI ایڈمن پورٹل میں ڈیٹا نسب ماخذ → ڈیٹا فلو → ڈیٹاسیٹ → رپورٹ سے بہاؤ دکھاتا ہے۔ جب کوئی سورس سسٹم بدلتا ہے، تو ڈیٹا کا سلسلہ ان تمام ڈاون اسٹریم رپورٹس کی شناخت میں مدد کرتا ہے جو متاثر ہوسکتی ہیں۔

ڈیٹا فلو ریفریش کی نگرانی: پاور BI کا ایڈمن پورٹل ڈیٹا فلو ریفریش کی تاریخ، دورانیہ اور ناکامیوں کو دکھاتا ہے۔ ناکام ڈیٹا فلو ریفریشز کے لیے پاور آٹومیٹ کے ذریعے الرٹس ترتیب دینا اس بات کو یقینی بناتا ہے کہ ڈیٹا کی تازگی کے مسائل فوری طور پر پکڑے جاتے ہیں بجائے اس کے کہ جب صارف پرانے ڈیٹا کی اطلاع دیتا ہے۔

---

ڈیٹا فلوز بمقابلہ ڈیٹا گودام

ڈیٹا فلوز کسی وقف شدہ ڈیٹا گودام کا متبادل نہیں ہیں - وہ ایک تکمیلی ہیں۔ یہ سمجھنا کہ ہر ایک کہاں فٹ بیٹھتا ہے تعمیراتی غلطیوں کو روکتا ہے۔

بالغ ڈیٹا انجینئرنگ پریکٹسز والی تنظیموں کو ڈیٹا گودام کو بنیادی تبدیلی اور اسٹوریج کی تہہ کے طور پر استعمال کرنا چاہیے، پاور BI مخصوص منطق کے لیے اختیاری ہلکے وزن کی تبدیلی کے طور پر ڈیٹا فلو کے ساتھ۔ ڈیٹا انجینئرنگ کے وسائل کے بغیر تنظیمیں اکثر علیحدہ گودام کی ضرورت کے بغیر ڈیٹا فلو کو اپنی ضروریات کے لیے کافی پاتی ہیں۔

---

اکثر پوچھے گئے سوالات

Power BI ڈیٹا فلوز اور Power BI ڈیٹاسیٹس میں کیا فرق ہے؟

ڈیٹا فلوز ETL/ڈیٹا کی تیاری کی پرت ہیں — وہ Azure Data Lake میں ڈیٹا کو ٹیبلز (اداروں) کے طور پر نکالتے، تبدیل کرتے اور اسٹور کرتے ہیں۔ ڈیٹاسیٹس (Semantic ماڈل) تجزیاتی پرت ہیں - وہ ذخیرہ شدہ ڈیٹا کے اوپر اقدامات، درجہ بندی، تعلقات اور سلامتی کی وضاحت کرتے ہیں۔ ایک عام نمونہ: ڈیٹا فلوز کلین ڈیٹا تیار اور اسٹور کرتے ہیں → ڈیٹاسیٹس ڈیٹا فلوز سے درآمد کرتے ہیں اور تجزیاتی منطق شامل کرتے ہیں → رپورٹس ڈیٹا سیٹس سے منسلک ہوتے ہیں۔ وہ فن تعمیر میں مختلف کردار ادا کرتے ہیں۔

کیا مجھے ڈیٹا فلو استعمال کرنے کے لیے پاور BI پریمیم کی ضرورت ہے؟

پاور BI پرو ورک اسپیسز کے ساتھ بنیادی ڈیٹا فلو دستیاب ہیں۔ پریمیم (یا فیبرک) کمپیوٹیڈ ہستیوں، AI بصیرت، اضافی ریفریش، اور بہتر کارکردگی کو شامل کرتا ہے۔ زیادہ تر چھوٹی سے درمیانے درجے کی تنظیموں کے لیے، پرو ٹیر ڈیٹا فلو کافی ہیں۔ پریمیم خصوصیات اس وقت اہم ہو جاتی ہیں جب ٹرانسفارمیشن والیوم بڑی ہوتی ہے، AI افزودگی کی ضرورت ہوتی ہے، یا اضافی ریفریش کی ضرورت ہوتی ہے۔

کیا میں نان پاور BI ٹولز کو ڈیٹا فلو ڈیٹا سے جوڑ سکتا ہوں؟

جی ہاں پاور BI ڈیٹا فلوز اپنے آؤٹ پٹ کو Azure Data Lake Gen2 میں CDM (Common Data Model) فارمیٹ میں اسٹور کرتے ہیں۔ پریمیم یا فیبرک والی تنظیمیں ڈیٹا فلو کو اپنا Azure Data Lake اکاؤنٹ استعمال کرنے کے لیے ترتیب دے سکتی ہیں، جس سے پارکیٹ فائلوں کو دوسرے ٹولز (Azure Synapse Analytics، Azure Databricks، Python، Tableau) تک قابل رسائی بنایا جا سکتا ہے۔ یہ "اپنی اپنی جھیل لائیں" کنفیگریشن پریمیم اور فیبرک ورک اسپیس میں دستیاب ہے۔

ڈیٹا فلوز ڈیٹا سورس کی اسناد کے انتظام کو کیسے ہینڈل کرتے ہیں؟

ڈیٹا فلوز میں ڈیٹا سورس کی اسناد Power BI سروس میں محفوظ کی جاتی ہیں اور ورک اسپیس ایڈمنز کے ذریعے ان کا نظم کیا جاتا ہے۔ یہ رپورٹ کی سطح کی اسناد کے مقابلے میں ایک بہتری ہے — ہر رپورٹ ڈویلپر کی اپنی .pbix فائل میں اسناد کو ذخیرہ کرنے کے بجائے، ڈیٹا فلو کے لیے اسناد کا مرکزی طور پر انتظام کیا جاتا ہے۔ سروس پرنسپل (Azure AD ایپلیکیشن) کی توثیق خودکار، پروڈکشن ڈیٹا فلوز کے لیے تجویز کی جاتی ہے بجائے اس کے کہ صارف کی ذاتی اسناد کی میعاد ختم ہو جاتی ہے جب صارف تنظیم چھوڑ دیتا ہے۔

کیا ڈیٹا فلو REST APIs یا غیر معیاری ڈیٹا ذرائع کو کال کر سکتا ہے؟

جی ہاں ڈیٹا فلوز پاور BI ڈیسک ٹاپ کی طرح پاور کوئری کنیکٹر ایکو سسٹم کا استعمال کرتے ہیں، بشمول ویب کنیکٹر کے ذریعے REST API کنیکٹر، کسٹم کنیکٹر (.mez فائلز) اور فنکشن کنیکٹر۔ API منطق کو سمیٹنے کے لیے ڈیٹا فلو کے اندر کسٹم ایم فنکشنز کی وضاحت کی جا سکتی ہے۔ پیچیدہ API صفحہ بندی، تصدیق کے بہاؤ، اور شرح کی حد بندی سبھی کو ڈیٹا فلو ماحول میں پاور کوئری میں ہینڈل کیا جا سکتا ہے۔

---

اگلے اقدامات

ڈیٹا فلوز ایک قابل توسیع، زیر انتظام پاور BI تجزیاتی ماحول کی بنیاد ہیں۔ صحیح ڈیٹا فلو آرکیٹیکچر میں جلد سرمایہ کاری کرنا سیکڑوں منقطع رپورٹوں کے تکنیکی قرض کو ڈپلیکیٹڈ، متضاد ڈیٹا کی تیاری کی منطق کے ساتھ روکتا ہے۔

ECOSIRE کی Power BI ڈیٹا ماڈلنگ سروسز میں ڈیٹا فلو آرکیٹیکچر ڈیزائن، پرتوں والے Bronze-Silver-Gold ڈیٹا کی تیاری کے نمونوں کا نفاذ، اور گورننس کنفیگریشن شامل ہے۔ اپنے موجودہ ماحول کا جائزہ لینے کے لیے ہم سے رابطہ کریں اور ڈیٹا فلو کی حکمت عملی وضع کریں جو آپ کی تنظیم کے ساتھ پیمانہ ہو۔