WEBVTT 00:00:00.370 --> 00:00:06.750 Bereit für 10 Tage voller Microsoft 365 Westig, Co-Pilot, KI-Azure und die Menschen, die die Zukunft der Arbeit gestalten? 00:00:07.770 --> 00:00:11.750 Diesen Januar ist die M365-Con zurück und wir legen noch eins drauf. 00:00:12.950 --> 00:00:17.890 Seien Sie bei Live-Sessions, Praxis-Demos und Expertenwissen von MVPs und Branchenprofis weltweit dabei. 00:00:18.730 --> 00:00:21.070 Keine generischen Folien. Kein endloses Buzzword-Bingo. 00:00:21.990 --> 00:00:23.450 Wir widmen uns echten Herausforderungen. 00:00:23.810 --> 00:00:28.610 Co-Pilot Studio, KI-Agenten, Fabric, Sicherheit, Governance und Automatisierung. 00:00:28.610 --> 00:00:33.950 Egal ob IT-Profi, Entwickler oder Führungskraft, wir haben die passenden Sessions für Sie. 00:00:35.050 --> 00:00:39.850 An 10 vollen Tagen können Sie Technologien erkunden und sich mit der globalen Community vernetzen. 00:00:40.830 --> 00:00:44.410 Schauen Sie live zu und bringen Sie praxisnahe Erkenntnisse in Ihr Unternehmen ein. 00:00:45.090 --> 00:00:50.510 Januar 2027. 10 Tage. Eine Microsoft-Community. Die Registrierung ist jetzt geöffnet. 00:00:51.650 --> 00:00:55.510 Besuchen Sie m365.con.net und sichern Sie sich noch heute Ihren Platz. 00:00:55.510 --> 00:00:58.630 Das ist m365.con.net. 00:01:00.070 --> 00:01:04.450 Melden Sie sich unter m365.con.net an. Wir sehen uns. Im Januar live. 00:01:04.450 --> 00:01:07.130 Was genau ist eigentlich Microsoft Fabric Data Factory? 00:01:07.630 --> 00:01:10.370 Ist es nur Azure Data Factory mit einem neuen Namen oder etwas völlig anderes? 00:01:11.010 --> 00:01:13.990 Falls Sie den Begriff gehört haben und sich fragen, was er bedeutet, sind Sie nicht allein. 00:01:14.890 --> 00:01:20.670 Am Ende dieser Episode wissen Sie, was es ist, wie es sich vom klassischen ADF unterscheidet und welche Grundlagen Sie kennen müssen. 00:01:21.310 --> 00:01:24.730 Wenn Sie in Fabric mit Datenbewegungen arbeiten, ist dies die Engine, die alles ermöglicht. 00:01:25.010 --> 00:01:26.270 Und es ist einfacher, als Sie denken. 00:01:26.270 --> 00:01:29.370 Wir betrachten vier Hauptkomponenten und sehen, wie Sie zusammenarbeiten. 00:01:30.010 --> 00:01:31.910 Doch zuerst definieren wir, worüber wir sprechen. 00:01:32.730 --> 00:01:33.710 Ist die einfachste Definition. 00:01:34.190 --> 00:01:37.810 Fabric Data Factory ist die Engine in Microsoft Fabric, die Ihre Daten verschiebt und integriert. 00:01:38.630 --> 00:01:43.550 Betrachten Sie es als den Ersatz für Azure Data Factory und Synapse Pipelines, alles in einer einzigen SaaS-Plattform. 00:01:44.390 --> 00:01:45.530 Das ist der erste wichtige Punkt. 00:01:46.130 --> 00:01:47.650 Es ist kein separater Dienst, den Sie verwalten. 00:01:48.150 --> 00:01:50.210 Es ist direkt in Fabric integriert und mit One Lake verbunden. 00:01:50.710 --> 00:01:51.630 Ein Vergleich zu veranschaulich. 00:01:51.630 --> 00:01:57.130 Wenn Fabric ein Bürogebäude ist, dann ist Data Factory die Poststelle und das Fördersystem des Dokumentes zwischen den Etagen bewegt. 00:01:57.690 --> 00:01:59.590 Über die Poststelle denkt man nicht jeden Tag nach. 00:01:59.750 --> 00:02:01.330 Aber ohne sie kommt nichts von A nach B. 00:02:01.690 --> 00:02:02.390 Genauso hier. 00:02:03.390 --> 00:02:05.490 Data Factory erledigt den Datentransport im Hintergrund. 00:02:06.150 --> 00:02:07.370 Der große Unterschied zur alten Welt? 00:02:07.630 --> 00:02:09.210 Keine zusätzliche Speicherkonfiguration nötig. 00:02:09.610 --> 00:02:10.850 Ihre Daten landen direkt in One Lake. 00:02:11.210 --> 00:02:15.970 In Azure Data Factory mussten Sie früher Speicherkonten einrichten, Container erstellen und verknüpfte Dienste konfigurieren. 00:02:16.250 --> 00:02:17.170 In Fabric fällt das alles weg. 00:02:17.750 --> 00:02:18.730 One Lake ist bereits vorhanden. 00:02:18.730 --> 00:02:20.370 Sie verknüpfen einfach Ihre Pipeline und legen los. 00:02:20.370 --> 00:02:21.630 Das kommt Ihnen bekannt vor, oder? 00:02:22.110 --> 00:02:24.590 Wie unterscheidet es sich also von der Azure Data Factory, die Sie bereits kennen? 00:02:25.290 --> 00:02:27.010 Wie es sich von Azure Data Factory unterscheidet? 00:02:27.550 --> 00:02:31.670 Viele Leute denken, Fabric Data Factory sei nur Azure Data Factory unter neuem Namen, aber das stimmt nicht. 00:02:32.150 --> 00:02:33.090 Lassen Sie uns ein paar Mythen aus. 00:02:33.410 --> 00:02:34.850 Bei der Preisgestaltung ändert sich wirklich einiges. 00:02:35.110 --> 00:02:40.510 ADF berechnet pro Aktivitätslauf, sodass jede Kopieraktivität, gespeicherte Prozedur und Pipeline-Ausführung ihre Rechnung erhöht. 00:02:41.170 --> 00:02:43.850 Fabric Data Factory nutzt stattdessen eine kapazitätsbasierte Preisgestaltung. 00:02:44.010 --> 00:02:47.510 Sie erwerben eine Fabrik-Kapazität F2, F4, F16 oder was auch immer. 00:02:47.510 --> 00:02:53.090 Und alle Workloads teilen sich diesen Compute-Pool, Data Factory, Power BI, Lakehouse, die gesamte Plattform. 00:02:53.630 --> 00:02:57.150 Wenn Sie bereits Fabrik-Kapazität haben, kostet das Ausführen von Pipelines kaum etwas extra. 00:02:57.910 --> 00:03:01.390 Falls nicht, müssen Sie die Fabrik-Gesamtkosten gegen Ihre aktuelle ADF-Rechnung abwägen. 00:03:01.930 --> 00:03:02.810 Auch Verbindungen sind einfach. 00:03:03.310 --> 00:03:06.670 In ADF mussten Sie für jede Quelle und jedes Ziel einen verknüpften Dienst erstellen, 00:03:06.770 --> 00:03:09.430 darauf Datasets aufbauen und dann die Integration Runtime konfigurieren. 00:03:10.070 --> 00:03:13.310 In Fabric werden Verbindungen direkt definiert und One Lake ist automatisch integriert. 00:03:13.310 --> 00:03:16.590 Sie wählen Quelle und Ziel aus und die Verbindung wird sofort eingerichtet. 00:03:17.470 --> 00:03:18.430 Viel weniger Klicks erforderlich. 00:03:18.850 --> 00:03:20.270 Es gibt auch neue, integrierte Aktivitäten. 00:03:20.870 --> 00:03:23.570 Sie können E-Mails oder Teams Nachrichten direkt aus Ihrer Pipeline senden, 00:03:23.670 --> 00:03:25.610 ohne Logic-Apps oder benutzerdefinierte Webhooks. 00:03:26.010 --> 00:03:28.410 Es ist nur eine Drag-and-Drop-Aktivität, was allein schon viel Zeit spart. 00:03:28.930 --> 00:03:29.790 Und die Bereitstellung ist jetzt besser. 00:03:30.270 --> 00:03:32.470 ADF hatte zwar Bereitstellungspipelines, aber diese waren umständlich. 00:03:32.970 --> 00:03:36.050 Fabric bietet integrierte Bereitstellungspipelines mit Beförderung auf Workspace-Ebene, 00:03:36.170 --> 00:03:38.350 sodass Sie in wenigen Klicks von Entwicklung zu Test und Produktion gelangen. 00:03:38.810 --> 00:03:40.050 Keine manuellen Skripte erforderlich. 00:03:40.050 --> 00:03:41.630 Lassen Sie uns jetzt ehrlich darüber sprechen, was noch fehlt. 00:03:41.970 --> 00:03:44.110 SSS-Unterstützung und verwaltet ist vorhin nicht verfügbar. 00:03:44.750 --> 00:03:48.250 Wenn Sie stark in SQL-Server Integration Services investiert sind, müssen Sie noch warten. 00:03:48.850 --> 00:03:49.850 Für die meisten Leute ist das in Ordnung. 00:03:50.450 --> 00:03:53.310 Der Großteil der Datenintegrationsarbeit benötigt kein SSES. 00:03:54.110 --> 00:03:55.030 Dahin einfache Forstregel. 00:03:55.610 --> 00:03:59.150 Wenn Ihre ADF-Rechnung unter 1.500 Dollar pro Monat liegt und Sie Fabric nicht nutzen, 00:03:59.230 --> 00:04:01.870 bleiben Sie bei ADF, da es für geringe Workload-Volumina günstiger ist. 00:04:02.290 --> 00:04:04.950 Wenn Sie bereits in Fabric arbeiten, ist Data Factory enthalten, nutzen Sie es also. 00:04:05.170 --> 00:04:09.570 Und wenn Ihre ADF-Kosten darüber liegen, lohnt es sich, die Fabric-Kapazität einmal durchzurechnen. 00:04:10.670 --> 00:04:12.370 Baustein 1, Datenpipelines. 00:04:12.770 --> 00:04:14.970 Schauen wir uns nun den ersten Baustein an, Datenpipelines. 00:04:15.430 --> 00:04:16.450 Pipelines sind die Orchestratoren. 00:04:16.790 --> 00:04:20.150 Sie bestimmen, was wann und in welcher Reihenfolge läuft und alles andere wird dort eingebunden. 00:04:20.570 --> 00:04:21.990 Stellen Sie sich eine Pipeline wie ein Rezept vor. 00:04:22.430 --> 00:04:24.810 Sie haben Schritte, Sie können verzweigen und Sie können Schleifen bilden. 00:04:25.350 --> 00:04:27.610 Zuerst heizen Sie den Ofen vor, dann mischen Sie die Zutaten. 00:04:27.870 --> 00:04:30.330 Und wenn der Teig zu trocken aussieht, fügen Sie vor dem Backen noch etwas Märchen zu. 00:04:30.810 --> 00:04:31.870 Eine Pipeline funktioniert genauso. 00:04:32.230 --> 00:04:37.010 Kopieren Sie zuerst Daten aus einer Quelle, prüfen Sie dann, ob die Datei existiert und führen Sie bei Erfolg eine Transformation aus. 00:04:37.010 --> 00:04:38.390 Falls nicht, senden Sie eine Benachrichtigung. 00:04:38.770 --> 00:04:39.370 Die Steuern in Ablauf. 00:04:39.770 --> 00:04:44.270 Die Kernaktivitäten, die Sie am häufigsten verwenden, sind Datenkopieren, ForEach, If-Bedingungen, Metadatenabrufen und Lookup. 00:04:44.970 --> 00:04:46.830 Datenkopieren verschiebt Daten von Punkt A nach Punkt B. 00:04:46.970 --> 00:04:48.190 ForEach durchläuft eine Liste zu. 00:04:48.630 --> 00:04:49.730 B10-Dateien in einem Ordner. 00:04:50.070 --> 00:04:52.270 Die If-Bedingung prüft, ob etwas wahr oder falsch ist. 00:04:52.770 --> 00:04:54.490 Metadatenabrufen stellt Fragen zu Ihren Daten. 00:04:55.010 --> 00:04:55.870 Wie groß ist diese Datei? 00:04:56.090 --> 00:04:57.170 Wann wurde sie zuletzt geändert? 00:04:57.890 --> 00:05:00.690 Lookup liest die Konfigurationsdatei und bringt die Werte in Ihre Pipeline. 00:05:01.030 --> 00:05:01.690 Das ist das Starterkit. 00:05:01.690 --> 00:05:02.990 Das Ganze ist Low-Code. 00:05:03.490 --> 00:05:07.830 Sie ziehen Aktivitäten per Drag & Drop auf eine Arbeitsfläche, verbinden sie mit Pfeilen, legen die Eigenschaften fest und sind fertig. 00:05:08.130 --> 00:05:09.930 Für die meisten Aufgaben ist kein Programmieren erforderlich. 00:05:10.210 --> 00:05:12.110 Es sieht aus wie ein Flussdiagramm, weil es genau das ist. 00:05:12.450 --> 00:05:13.130 Hier ein echtes Beispiel. 00:05:13.590 --> 00:05:15.930 Dellen Sie sich vor, Sie rufen jeden Morgen Verkaufsdaten von IPI ab. 00:05:16.250 --> 00:05:19.130 Ihre Pipeline beginnt mit einer Datenkopier-Aktivität, die diese in ein Lake auslegt. 00:05:19.590 --> 00:05:23.670 Dann bereinigt ein Data-Flow Gen 2 Schritt die Daten, entfernt Nullwerte und korrigiert Datumsformate. 00:05:24.510 --> 00:05:26.430 Anschließend reichert ein Notebook Sie mit Kundensegmenten ab. 00:05:26.430 --> 00:05:29.130 Abschließend sendet eine Teams-Aktivität eine Nachricht an Ihr Team. 00:05:30.270 --> 00:05:30.630 Verkaufsdatisiert. 00:05:31.330 --> 00:05:34.510 Das ist ein Pipeline, der die Arbeit erledigt, für die früher mehrere Tools nötig waren. 00:05:34.950 --> 00:05:36.370 Sie können Pipelines auch wieder verwendbar machen. 00:05:36.850 --> 00:05:38.830 Angenommen, Sie haben die gleiche Logik für zehn verschiedene Datenquellen. 00:05:39.530 --> 00:05:45.210 Statt zehn Pipelines zu bauen, erstellen Sie eine und nutzen Parameter Quell, URL, Tabellenname, Zielordner, alles als Variablen. 00:05:45.790 --> 00:05:47.050 Eine Pipeline zählt verschiedene Aufgaben. 00:05:47.610 --> 00:05:48.590 Das ist Parametrisierung. 00:05:49.830 --> 00:05:50.630 Und hier ist etwas Neues. 00:05:51.470 --> 00:05:54.290 Sie können Co-Pilot bitten, Pipeline-Ausdrücke in einfacher Sprache zu schreiben. 00:05:54.290 --> 00:05:57.570 Geben Sie Add Two Days to this Date ein und er generiert den Ausdruck für Sie. 00:05:57.990 --> 00:06:01.390 Sie müssen sich keine Funktionssyntax mehr merken oder googeln, wie man einen Zeitstempel formatiert. 00:06:01.930 --> 00:06:02.690 Sagen Sie einfach, was Sie brauchen. 00:06:03.550 --> 00:06:04.310 Baustein 2. 00:06:04.630 --> 00:06:05.510 Data Flow Gen 2. 00:06:06.090 --> 00:06:09.150 Was passiert also, wenn Sie Daten bereinigen müssen, aber keinen Code schreiben möchten? 00:06:09.590 --> 00:06:11.330 Genau dieses Problem löst Data Flow Gen 2. 00:06:11.990 --> 00:06:15.290 Data Flow Gen 2 ist das Low-Code-Transformationstool innerhalb von Fabric Data Factory. 00:06:15.850 --> 00:06:19.730 Wenn Sie schon einmal Power Query in Excel oder Power BI verwendet haben, wird Ihnen das sehr vertraut vorkommen. 00:06:19.730 --> 00:06:24.690 Es bietet dieselbe Oberfläche, dieselben über 300 Transformationen und dieselbe Engine, nur dass es in der Cloud läuft. 00:06:24.770 --> 00:06:26.030 Mit einem Lake House als Ziel. 00:06:27.190 --> 00:06:27.810 Denn Sie ist so vor. 00:06:28.310 --> 00:06:34.550 Wenn Pipelines das Fließband sind, das Pakete bewegt, ist Data Flow Gen 2 die Küche, in der Sie die Zutaten tatsächlich hacken, würzen und kochen. 00:06:35.230 --> 00:06:36.390 Pipelines übernehmen die Logistik. 00:06:36.670 --> 00:06:39.430 Data Flow Gen 2 übernimmt die eigentliche Arbeit, Daten nutzbar zu machen. 00:06:39.790 --> 00:06:40.730 Dann sollten Sie darauf zurückgreifen. 00:06:40.730 --> 00:06:44.990 Wenn Sie Daten bereinigen, Typen ändern, Tabellen zusammenführen oder Zeilen filtern müssen. 00:06:45.290 --> 00:06:46.590 Ganz ohne Spark oder SQL. 00:06:47.270 --> 00:06:50.810 Wenn Ihre Transformation auf ein Whiteboard passt, passt sie wahrscheinlich auch in Data Flow Gen 2. 00:06:51.270 --> 00:06:52.250 Das ist ein kurzes Beispiel. 00:06:53.050 --> 00:06:55.230 Sie importieren eine CSV-Datei mit Kundenbestellung. 00:06:55.590 --> 00:06:56.530 Es gibt doppelte Zeilen. 00:06:56.870 --> 00:06:59.410 Einige Datumsformate sind falsch und in einigen Spalten fehlen wird. 00:06:59.770 --> 00:07:04.870 Sie öffnen Data Flow Gen 2, klicken ein paar Mal, um Duplikate zu entfernen, den Datumsspalten-Typ anzupassen und fehlende Werte zu ergänzen. 00:07:05.570 --> 00:07:07.450 Dann führen Sie dies mit einer Produkttabelle zusammen. 00:07:07.970 --> 00:07:08.890 Das Ganze dauert 10 Minuten. 00:07:08.890 --> 00:07:09.750 Kein Grund. 00:07:09.970 --> 00:07:12.470 Die Ausgabe landet in einer Lakehouse-Tabelle, bereit für die Berichterstellen. 00:07:12.730 --> 00:07:13.970 Sie können zudem alles visuell verfolgen. 00:07:14.330 --> 00:07:16.590 Es gibt eine Diagramm an sich, die jeden Schritt als Knoten darstellt. 00:07:16.910 --> 00:07:18.050 Die Quelle führt in einen Filterknoten. 00:07:18.350 --> 00:07:19.910 Der Filter führt in einen Zusammenführungsknoten. 00:07:20.150 --> 00:07:21.390 Die Zusammenführung führt zur Ausgabe. 00:07:21.650 --> 00:07:23.170 Sie können den gesamten Ablauf auf einen Blick sehen. 00:07:23.470 --> 00:07:26.690 Das ist sehr hilfreich, wenn Sie Fehler beheben oder die Logik jemand anderem erklären müssen. 00:07:27.430 --> 00:07:28.550 Die Zeitplanung ist ebenfalls flexibel. 00:07:28.850 --> 00:07:30.270 Sie können Data Flow Gen 2 eigenständig ausführen. 00:07:30.850 --> 00:07:32.850 Regen Sie fest, dass die Aktualisierung jeden Morgen um sechs aufhört. 00:07:32.990 --> 00:07:36.210 Oder rufen Sie es aus einer übergeordneten Pipeline als Schritt in einen größeren Workflow. 00:07:36.210 --> 00:07:37.970 Die meisten Produktionsumgebungen letzteres. 00:07:38.430 --> 00:07:42.090 Die Pipeline übernimmt die Orchestrierung und Data Flow Gen 2 den Transformationsschritt darin. 00:07:42.790 --> 00:07:43.730 Aber ein ehrlicher Hinweis. 00:07:44.090 --> 00:07:49.530 Für sehr umfangreiche Transformationen, etwa bei Milliarden von Zeilen, komplexen Fensterfunktionen oder benutzerdefinierter Machine Learning Logik, 00:07:49.790 --> 00:07:51.510 nutzen Sie möglicherweise weiterhin Outbooks mit Sparen. 00:07:52.170 --> 00:07:54.290 Data Flow Gen 2 ist nicht für jedes Szenario gedacht. 00:07:54.630 --> 00:07:59.230 Aber für den Großteil der Aufgaben, die die meisten Teams benötigen, bereinigen, strukturieren, zusammenführen, aggregieren, 00:07:59.470 --> 00:08:01.130 deckt es etwa 80% der Arbeit ab. 00:08:01.650 --> 00:08:03.050 Das ist eine Menge Code, den Sie nicht schreiben müssen. 00:08:03.050 --> 00:08:05.210 Baustein 3, Copyjobs. 00:08:05.570 --> 00:08:07.130 Lassen Sie uns nun über das Verschieben von Daten sprechen. 00:08:07.610 --> 00:08:09.830 Was ist, wenn Daten kontinuierlich aus einer Datenbank fließen sollen? 00:08:10.510 --> 00:08:11.470 Wir kommen Copyjobs ins Spiel. 00:08:11.950 --> 00:08:16.130 Ein Copyjob ist eine vereinfachte Möglichkeit, Daten mit integrierter Änderungsnachverfolgung von einer Quelle in Ack zu kopieren. 00:08:16.510 --> 00:08:19.410 Keine komplexe Pipeline-Konfiguration, keine benutzerdefinierten Skripte. 00:08:19.470 --> 00:08:22.290 Sie wählen eine Quelle, ein Ziel und legen fest, wie oft der Vorgang ausgeführt werden soll. 00:08:22.630 --> 00:08:23.030 Das ist alles. 00:08:24.110 --> 00:08:26.050 Das Hauptmerkmal ist Change Data Capture with CTC. 00:08:26.710 --> 00:08:29.990 Copyjobs verfolgen automatisch Einfügungen, Aktualisierungen und Löschungen der Quelle. 00:08:29.990 --> 00:08:32.530 Sie müssen keine manuelle Watermarking-Logik erstellen. 00:08:32.810 --> 00:08:35.430 Also das Speichern eines Zeitstempels, um nach neueren Datensätzen zu suchen. 00:08:35.790 --> 00:08:36.990 Copyjobs erledigen das im Hintergrund. 00:08:37.430 --> 00:08:38.850 Es funktioniert einfach ohne zusätzlichen Aufwand. 00:08:39.250 --> 00:08:39.490 Mit mehr. 00:08:40.110 --> 00:08:43.250 Kopieraufträge unterstützen ESCD Typ 2, also Slowly Changing Dimensions Typ 2. 00:08:43.650 --> 00:08:45.050 Das bedeutet, die gesamte Story bleibt erhalten. 00:08:45.450 --> 00:08:48.750 Wenn ein Kunde seine Adresse ändert, bleibt die alte Adresse mit einem Enddatum in der Tabelle. 00:08:49.190 --> 00:08:50.530 Die neue Adresse erhält ein Startdatum. 00:08:50.870 --> 00:08:52.850 Sie können genau nachverfolgen, wie sich ein Datensatz im Laufe der Zeit. 00:08:53.150 --> 00:08:55.130 Das ist enorm wichtig für Audits und historische Berichte. 00:08:55.530 --> 00:08:58.390 Wann verwendet man also Kopieraufträge im Vergleich zur Standard-Kopieraktivität? 00:08:58.390 --> 00:08:59.210 Hier ist die Regel. 00:08:59.850 --> 00:09:02.770 Kopieraufträge sind für kontinuierliche Datenaufnahmen nach dem Prinzip Einrichten und Vergessen. 00:09:03.070 --> 00:09:06.450 Sie möchten, dass Daten Tag für Tag automatisch mit minimalem Wartungsaufwand einfließen. 00:09:07.510 --> 00:09:10.090 Kopieraktivitäten sind für einmalige oder geplante Massenladungen gedacht, 00:09:10.170 --> 00:09:12.830 bei denen Sie mehr Kontrolle über Mappings und Fehlerbehandlung benötigen. 00:09:13.650 --> 00:09:16.130 Stellen Sie es sich so vor, ein Kopierauftrag ist wie ein Bibliothekar, 00:09:16.190 --> 00:09:18.410 der neue Bücher automatisch erkennt und sie ins Regal stellt. 00:09:19.110 --> 00:09:22.430 Sie müssen den Katalog nicht jedes Mal prüfen, da der Bibliothekar das erledigt. 00:09:22.430 --> 00:09:28.010 Eine Kopieraktivität ist eher so, als würden Sie selbst in die Bibliothek gehen, die Bücher auswählen und genau bestimmen, wo sie stehen sollen. 00:09:28.550 --> 00:09:33.350 Beide erledigen ihre Aufgabe, aber Kopieraufträge ersparen Ihnen die Mühe bei Routinearbeiten, die Einrichtung ist ein. 00:09:33.710 --> 00:09:35.870 Sie wählen die Quelle, zum Beispiel eine SQL-Server-Datenbank. 00:09:36.350 --> 00:09:38.350 Sie wählen das Ziel, eine Lakehouse-Tabelle. 00:09:38.850 --> 00:09:39.610 Sie ordnen die Felder zu. 00:09:39.950 --> 00:09:42.610 Sie geben an, ob Sie eine inkrementelle oder vollständige Aktualisierung wünschen. 00:09:42.750 --> 00:09:43.230 Das war's auch schon. 00:09:43.650 --> 00:09:46.250 Der Auftrag läuft nach Ihrem Zeitplan und hält Ihr Lakehouse automatisch synchron. 00:09:46.250 --> 00:09:48.270 Baustein für Mirroring. 00:09:48.590 --> 00:09:50.470 Was aber, wenn Sie eine Echtzeit-Replikation benötigen? 00:09:50.770 --> 00:09:51.890 Genau hier kommt Mirroring ins Spiel. 00:09:52.150 --> 00:09:53.030 Hier ist die einfachste Definition. 00:09:53.450 --> 00:09:58.750 Mirroring ist eine Möglichkeit, Ihre operative Datenbank kontinuierlich in One Lake zu replizieren, ohne eine einzige Zeile Code zu schreiben. 00:09:59.190 --> 00:10:00.970 Sie richten es einmal ein und es läuft im Hintergrund. 00:10:01.550 --> 00:10:03.150 Die Daten bleiben nahezu in Echtzeit aktuell. 00:10:03.630 --> 00:10:05.850 Keine Pipelines zum Erstellen, keine Datenflüsse zur Wartung. 00:10:06.110 --> 00:10:06.750 Es funktioniert einfach. 00:10:06.990 --> 00:10:07.830 Wie funktioniert das eigentlich genau? 00:10:08.390 --> 00:10:10.650 Mirroring liest das Transaktionsprotokoll Ihrer Quelldaten. 00:10:10.950 --> 00:10:15.730 Jede Änderung, jedes Einfügen, Aktualisieren und Löschen wird erfasst und erscheint innerhalb von Minuten in One Lake. 00:10:15.730 --> 00:10:17.170 Dies ist keine Stapelverarbeitung. 00:10:17.510 --> 00:10:18.790 Es ist eine kontinuierliche Replika zu. 00:10:19.110 --> 00:10:22.290 In dem Moment, in dem sich etwas in Ihrer Quelldatenbank ändert, erscheint es in Fabric. 00:10:22.650 --> 00:10:23.450 Lassen Sie Whirlen sprechen. 00:10:23.970 --> 00:10:27.870 Derzeit können Sie Azure SQL Database, Azure Cosmos DB, Snowflake und andere spiegeln. 00:10:28.490 --> 00:10:33.830 Weitere kommen hinzu, wie das private Netzwerk Mirroring für Datenbanken hinter Firewalls, das auf der Buildsmeer 2026 angekündigt wurde. 00:10:34.170 --> 00:10:34.910 Warum sollten Sie das verwenden? 00:10:35.170 --> 00:10:38.670 Weil Sie eine Live-Kopie Ihrer Datenbank in One Lake erhalten, ohne ETL-Pipelines bauen zu müssen. 00:10:38.990 --> 00:10:40.030 Sie benötigen keine Kopiertäten. 00:10:40.330 --> 00:10:41.650 Sie benötigen keine Chain-Shocking-Skripte. 00:10:41.890 --> 00:10:43.350 Sie benötigen keine Logik für Inkamente des Lads. 00:10:43.350 --> 00:10:44.850 Das System erledigt das alles für Sie. 00:10:45.110 --> 00:10:46.450 Hier ist eine Analogie, damit es besser hängen bleibt. 00:10:46.690 --> 00:10:50.090 Stellen Sie sich Mirroring wie einem Echtzeit-Klon Ihrer Datenbank innerhalb von Fabric vor. 00:10:50.510 --> 00:10:52.810 Aktualisieren Sie die Quelle einmal und der Klon wird sofort aktualisiert. 00:10:53.010 --> 00:10:54.610 Kein Code erforderlich, um Sie synchron zu halten. 00:10:54.810 --> 00:10:56.070 Das System übernimmt die ganze schwere Art. 00:10:56.330 --> 00:10:57.750 Es gibt auch einen Kostenvorteil, der erwähnenswert ist. 00:10:58.070 --> 00:11:00.910 Mirroring bietet bis zu einer gewissen Grenze kostenlose Rechenleistung und Speicher. 00:11:01.270 --> 00:11:03.590 Sie zahlen nur für die Fabrik-Kapazität, die Sie bereits besitzen. 00:11:04.110 --> 00:11:08.190 Für viele Unternehmen ist das günstiger, als eigene Replikations-Pipelines zu erstellen und zu pflegen. 00:11:08.190 --> 00:11:09.770 Und hier ist ein praktischer Anwendungsfall. 00:11:10.050 --> 00:11:14.210 Sie können Power BI-Berichte direkt auf gespiegelten Daten erstellen, ohne die Quell-Datenbank zu beeinträchtigen. 00:11:14.630 --> 00:11:16.490 Ihr Betriebssystem läuft weiterhin mit voller Geschwindigkeit. 00:11:16.910 --> 00:11:18.230 Ihre Analysten erhalten aktuelle Daten. 00:11:18.690 --> 00:11:20.810 Alle gewinnen, wie diese Teile zusammenarbeiten. 00:11:21.350 --> 00:11:24.010 Sie haben also Pipelines, Data Flows, Kopieaufträge und Mirroring. 00:11:24.430 --> 00:11:25.250 Wie passen diese zusammen? 00:11:25.710 --> 00:11:28.250 Die meisten realen Implementierungen folgen einem einfachen Muster. 00:11:28.750 --> 00:11:29.610 Erfassen, bereinigen. 00:11:30.050 --> 00:11:30.550 Anreichern. 00:11:31.130 --> 00:11:31.550 Bereitstellen. 00:11:31.550 --> 00:11:33.330 Es nennt sich Medaillon-Architektur. 00:11:33.970 --> 00:11:34.870 Bronze, Silber, Gold. 00:11:35.490 --> 00:11:36.530 Betrachten Sie es als drei Schichten. 00:11:36.850 --> 00:11:38.710 Bronze enthält Rohdaten, genauso wie sie angekommen sind. 00:11:39.170 --> 00:11:40.510 Silber ist bereinigt und dedupliziert. 00:11:40.950 --> 00:11:42.750 Gold ist angereichert und bereit für die Berichterstellung. 00:11:43.090 --> 00:11:44.170 So sieht das in der Praxis aus. 00:11:44.690 --> 00:11:47.790 Ein Mirroring- oder Kopierauftrag landet Rohdaten einer Bronze-Lakehouse-Tabelle. 00:11:48.150 --> 00:11:48.970 Das ist der Erfassungsschritt. 00:11:49.430 --> 00:11:51.910 Dann bereinigt und transformiert ein Dataflow-Genturz in die Silberschicht. 00:11:52.310 --> 00:11:53.090 Entfernt Nullwerte. 00:11:53.350 --> 00:11:54.210 Standardisiert Formate. 00:11:54.310 --> 00:11:55.410 Verknüpft zugehörige Tabellen. 00:11:56.070 --> 00:11:57.750 Schließlich orchestriert eine Pipeline das Ganze. 00:11:57.750 --> 00:12:01.150 Sie löst den Kopierauftrag aus, wartet auf dessen Abschluss, führt den Dataflow aus 00:12:01.150 --> 00:12:03.010 und sendet die Teams Benachrichtigungen, wenn alles fertig ist. 00:12:03.470 --> 00:12:04.390 Das ist der vollständige Ablauf. 00:12:04.750 --> 00:12:06.450 Die wahre Magie ist nicht ein einzelnes Tool. 00:12:06.850 --> 00:12:08.710 Es ist die Art und Weise, wie Sie alle über ein Lake miteinander kommen. 00:12:09.150 --> 00:12:10.730 Ihre gespiegelten Daten befinden sich in einem Lake. 00:12:11.030 --> 00:12:12.650 Ihre Dataflow-Ausgabe landet in einem Lake. 00:12:13.090 --> 00:12:14.210 Ihre Pipeline liest aus einem Lake. 00:12:14.770 --> 00:12:16.190 Alles teilt sich dieselbe Speicherschicht. 00:12:16.790 --> 00:12:19.110 Sie können sogar Daten über Shortcuts zwischen Arbeitsbereichen teilen. 00:12:19.570 --> 00:12:20.370 Kein Kopieren erforderlich. 00:12:20.810 --> 00:12:22.610 Es gibt eine Abhängigkeitskette, die es zu verstehen gilt. 00:12:23.110 --> 00:12:25.870 Pipelines können Dataflow-Gentur als Schritt innerhalb der Pipeline aufrufen. 00:12:25.870 --> 00:12:29.890 Sie können auch Notebooks, DBT-Jobs und sogar Azure-Data-Factory-Pipelines einbinden, 00:12:29.950 --> 00:12:30.910 wenn Sie schrittweise migrieren. 00:12:31.310 --> 00:12:32.650 Eine einzige Pipeline kann Sie alle orchestrieren. 00:12:33.010 --> 00:12:33.450 Hier ist der Punkt. 00:12:33.850 --> 00:12:36.030 Sie müssen nicht mehr fünf verschiedene Dienste miteinander verknüpfen. 00:12:36.330 --> 00:12:38.670 Eine Plattform, eine Speicherschicht, ein Satz an Berechtigungen. 00:12:39.130 --> 00:12:39.990 Es ist der Sinn von Fabric. 00:12:40.370 --> 00:12:41.430 Und es funktioniert in der Realität. 00:12:41.810 --> 00:12:44.090 Ein Distributor aus dem VRA nutzte genau dieses Muster. 00:12:44.870 --> 00:12:48.890 Kopieraufträge für SAP-Daten, Dataflow-Gentur für die Bereinigung, Pipelines für die Orchestrierung. 00:12:49.310 --> 00:12:51.170 Sie verkürzen Ihren Monatsabschluss von neun auf zwei Tage. 00:12:51.550 --> 00:12:52.210 Das ist keine Demo. 00:12:52.570 --> 00:12:53.130 Das ist produktiv. 00:12:53.630 --> 00:12:54.590 Praktische Anleitungen kosten. 00:12:54.590 --> 00:12:56.970 Wer sollte also eigentlich Fabric-Data-Factory nutzen? 00:12:57.370 --> 00:13:00.370 Wenn Sie Daten in Fabric verschieben oder transformieren müssen, ist dies das richtige Werkzeug? 00:13:00.650 --> 00:13:04.890 Das betrifft Dateningenieure beim Erstellen von Pipelines, Analytics-Ingenieure bei der Datenmodellierung 00:13:04.890 --> 00:13:08.050 und sogar Business-Analysten, die Dataflow-Gentur für Self-Service-Transformation nutzen. 00:13:08.330 --> 00:13:09.050 Wer sollte darauf verzichten? 00:13:09.570 --> 00:13:12.610 Wenn Sie nur einmalige Datei-Uploads benötigen, beginnen Sie direkt mit dem Lakehouse. 00:13:13.230 --> 00:13:14.610 Drag-and-Drop einer CSV-Datei fertig. 00:13:15.030 --> 00:13:17.730 Wenn Sie stark in SSIS investiert sind, warten Sie auf den entsprechenden Support. 00:13:18.090 --> 00:13:21.330 Und wenn Ihre ADF-Rechnung unter 1500 pro Monat liegt und Sie Fabric nicht nutzen, 00:13:21.330 --> 00:13:22.830 macht es aktuell Sinn, alles so zu belassen. 00:13:22.990 --> 00:13:23.830 Lassen Sie über Kosten sprechen.