DataWorks:Conceitos-chave

Conceitos gerais

Data Integration

• Fonte de dados

  Uma fonte de dados do DataWorks conecta-se a um service de armazenamento de dados. Antes de configurar uma tarefa de sincronização, adicione as fontes de dados de origem e destino. Em seguida, selecione-as para especificar de quais bancos de dados ler e em quais gravar. Várias instâncias de fontes de dados podem ser adicionadas a um único workspace.

• Sincronização de dados

  O recurso de sincronização de dados no Data Integration sincroniza dados estruturados (por exemplo, RDS e DRDS), semiestruturados e não estruturados (por exemplo, OSS e TXT), desde que possam ser abstraídos em uma tabela lógica bidimensional. Dados totalmente não estruturados, como arquivos MP3 armazenados no OSS, não são suportados. Os métodos de sincronização incluem sincronização offline, em tempo real, completa ou incremental, para tabelas individuais ou bancos de dados inteiros. Tarefas de sincronização serverless também são suportadas, eliminando a necessidade de um resource group.

Data Modeling

• Modelagem de dados

  À medida que os negócios crescem, os dados corporativos aumentam exponencialmente, resultando frequentemente em grandes conjuntos de dados complexos e com padrões inconsistentes. O service Data Modeling do DataWorks oferece uma abordagem estruturada para gerenciar esses conjuntos de dados e ajuda as empresas a extrair mais valor de suas informações.

• Modelagem reversa

  A modelagem reversa gera modelos lógicos a partir de tabelas físicas existentes, ajudando você a criar modelos rapidamente sem esforço manual.

• Espaço de modelagem

  Um espaço de modelagem permite compartilhar ferramentas de modelagem de dados em vários workspaces do DataWorks. Isso é útil quando você precisa reutilizar um único plano de data warehouse em um sistema de dados complexo, possibilitando planejamento unificado de data warehouse, modelagem dimensional e definição de métricas em toda a sua arquitetura de dados.

• Tabela de dimensões

  Com base no plano de domínios de dados do seu negócio, extraia dimensões potenciais para análise de dados e armazene essas dimensões e seus atributos em uma tabela de dimensões. Por exemplo, na análise de negócios de e-commerce, as dimensões disponíveis e seus atributos podem incluir a dimensão de pedidos (com atributos como id do pedido, hora de criação, id do comprador e id do vendedor), a dimensão de usuário (gênero, data de nascimento) e a dimensão de product (id do product, nome, data de lançamento). Crie tabelas de dimensões para pedidos, usuários e products, onde os atributos da dimensão são registrados como campos na tabela.

• Tabela de fatos

  De acordo com o planejamento de processos de negócios, analise os dados reais gerados durante cada processo e armazene esses campos de dados em uma tabela de fatos. Por exemplo, para o processo de realização de pedidos, crie uma tabela de fatos de pedidos para registrar campos como id do pedido, hora de criação, id do product, quantidade e valor. Em seguida, implante essas tabelas de fatos em um data warehouse e use ETL para agregar e armazenar dados reais conforme a definição da tabela de fatos, tornando-os acessíveis para análise de negócios.

• Tabela agregada

  Uma tabela agregada organiza dados estatísticos para múltiplas métricas derivadas dentro de um domínio de dados que compartilham o mesmo período e dimensões. Ela representa um resumo altamente abstrato das operações de negócios e serve como base para consultas subsequentes, análise OLAP e distribuição de dados.

• Tabela de aplicação

  Uma tabela de aplicação é projetada para cenários de negócios específicos e organiza dados estatísticos para múltiplas métricas atômicas, métricas derivadas ou granularidades estatísticas que compartilham o mesmo período e dimensões. Ela fornece uma base para consultas de negócios subsequentes, análise OLAP e distribuição de dados.

• Data mart

  Um data mart é uma forma de organização de dados baseada em categorias de negócios e adaptada para cenários de aplicação ou products específicos. Geralmente está localizado na camada de aplicação do data warehouse e depende de dados integrados da camada comum.

• Planejamento do data warehouse

  Ao usar o DataWorks para modelagem de dados, arquitetos de data warehouse ou membros da equipe de modelagem podem usar a página de planejamento do data warehouse para projetar camadas de dados, categorias de negócios, domínios de dados, processos de negócios, data marts e áreas temáticas. Após concluir o projeto, os designers de modelos podem usar esses elementos planejados para gerenciar as camadas e domínios dos modelos que constroem.

  • Data Import Layer: Esta camada ingere dados brutos de fontes como bancos de dados, logs e mensagens. Os dados de source são carregados na camada ODS após uma série de operações de ETL. Esta camada pode armazenar apenas tabelas ODS.

  • Common Layer: Esta camada processa e integra dados comuns da camada de source, estabelece métricas e dimensões unificadas e constrói dados de fatos detalhados e dados resumidos reutilizáveis para análise e estatísticas. Pode conter tabelas de fatos, tabelas de dimensões e tabelas de resumo.

  • Application Layer: Obtém dados processados e integrados da camada pública para realizar estatísticas de dados personalizadas para cenários de aplicação específicos ou products designados, com base nos requisitos reais da aplicação. Esta camada pode conter tabelas de aplicação e tabelas de dimensões.

• Camada de dados

  O recurso de camada de dados no DataWorks cria cinco camadas padrão para você: a camada Operational Data Store (ODS), a camada Dimension (DIM), a camada Data Warehouse Detail (DWD), a camada Data Warehouse Summary (DWS) e a camada Application Data Service (ADS). A função de cada camada é descrita a seguir:

  • ODS (Operational Data Store)

    A camada ODS recebe e processa dados brutos que precisam ser armazenados no sistema de data warehouse. Sua estrutura de tabela é consistente com a estrutura de tabela no sistema de dados de source e serve como área de preparação de dados para o data warehouse.

  • DWD (Data Warehouse Detail)

    A camada DWD constrói modelos de dados baseados em eventos de atividade de negócios. É usada para construir as tabelas de fatos mais granulares. Dependendo dos seus padrões de uso de dados, desnormalize adicionando adequadamente campos redundantes de atributos de dimensão chave às tabelas de fatos, criando tabelas largas. Isso reduz junções entre tabelas de fatos e tabelas de dimensões, melhorando a usabilidade.

  • DWS (Data Warehouse Summary)

    A camada DWS constrói modelos de dados analisando objetos de assunto. Ela constrói tabelas de fatos resumidas de granularidade pública com base nos requisitos de métricas de aplicações e products upstream.

  • ADS (Application Data Service)

    A camada ADS armazena dados de métricas estatísticas personalizadas para products de dados e gera vários relatórios.

  • DIM (Dimension)

    A camada DIM usa dimensões para construir modelos de dados. Pode armazenar tabelas de dimensões para modelos lógicos com base nas necessidades de negócios ou definições de dimensões para modelos conceituais. Ao definir dimensões, determinar chaves primárias, adicionar atributos de dimensão e associar diferentes dimensões, você constrói tabelas de dimensões analíticas consistentes para toda a empresa, o que ajuda a reduzir inconsistências nos padrões e algoritmos de cálculo de dados.

• Área temática

  Uma área temática particiona um data mart de uma perspectiva analítica e geralmente é uma coleção de assuntos de dados intimamente relacionados. Agrupe esses assuntos de dados em diferentes áreas temáticas com base no foco do negócio. Por exemplo, o setor de e-commerce é tipicamente dividido em áreas temáticas de transações, membros e products.

• Domínio de dados

  Um domínio de dados é uma coleção de assuntos de dados intimamente relacionados. Trata-se de um agrupamento lógico de dados de negócios baseado em dimensões como categoria de negócios, fonte de dados ou finalidade dos dados, reunindo dados semelhantes para facilitar a recuperação rápida. Os critérios de classificação variam dependendo do uso pretendido dos dados. Por exemplo, o setor de e-commerce é tipicamente dividido em domínios de dados de transações, membros e products.

• Processo de negócios

  Um processo de negócios é uma atividade empresarial realizada por uma empresa dentro de um domínio de dados especificado e constitui o assunto lógico a ser analisado na modelagem de dados. Por exemplo, o domínio de transações pode incluir processos de negócios como adicionar ao carrinho, fazer um pedido e efetuar um pagamento.

• Métrica composta

  Uma métrica derivada fornece estatísticas sobre o volume de uma atividade de negócios durante um determinado período, mas não suporta análise comparativa, como calcular taxas de crescimento ou diferenças de negócios. Por exemplo, não é possível usá-la para calcular a taxa de crescimento semanal de uma atividade. Para resolver isso, o DataWorks fornece a métrica composta, calculada a partir de métricas derivadas usando regras operacionais. Isso ajuda a definir métricas de negócios com maior flexibilidade e granularidade.

• Métrica de dados

  O Data Modeling do DataWorks oferece o recurso de métrica de dados para estabelecer um sistema de métricas unificado.

  Um sistema de métricas consiste em uma métrica atômica, um modificador, um período e uma métrica derivada.

  • Métrica atômica: Uma medição baseada em um processo de negócios específico, como "valor do pagamento" no processo de negócios "pagamento do pedido".

  • Modificador: Uma restrição que limita o escopo de negócios de uma métrica, como limitar o escopo estatístico de "valor do pagamento" a "products de maternidade e infantis".

  • Período: O intervalo de tempo ou ponto no tempo para as estatísticas de uma métrica, como especificar o período para "valor do pagamento" como "últimos 7 dias".

  • Métrica derivada: Uma combinação de uma métrica atômica, modificadores e um período. Por exemplo, "valor do pagamento para products de maternidade e infantis nos últimos 7 dias".

• Tabela de consulta

  Uma tabela de consulta define o intervalo de valores para um padrão de campo. Nela, especifique o conteúdo e o intervalo de dados que um padrão de campo pode aceitar. Por exemplo, o conteúdo da tabela de consulta para o padrão de campo gênero deve ser masculino ou feminino.

• Padrão de campo

  Um padrão de campo é um critério de dados usado para gerenciar uniformemente dados que têm o mesmo significado, mas nomes de campo diferentes. Um padrão de campo pode definir o intervalo de valores de um campo, unidade de medida e outras propriedades. Quando um padrão de campo muda, localize ou modifique rapidamente as tabelas correspondentes, o que melhora significativamente a eficiência e a precisão da aplicação.

DataStudio

• Nó

  O módulo DataStudio no DataWorks fornece vários tipos de nós, incluindo nós de Data Integration para sincronização de dados, nós de mecanismo de computação para limpeza de dados (como ODPS SQL, Hologres SQL e EMR Hive) e nós de uso geral para processamento de lógica complexa em nós de mecanismo de computação (como nós virtuais para gerenciar múltiplos nós e nós do-while para execução de código em loop). Combine esses nós para atender às suas diferentes necessidades de processamento de dados.

• Workflow

  Um workflow é uma maneira centrada em negócios de organizar o desenvolvimento de código e melhorar a eficiência do gerenciamento de tarefas.

  Os workflows ajudam a organizar o código sob uma perspectiva de negócios:

  • Suportam organização de código baseada no tipo de tarefa.

  • Permitem subdiretórios multinível (recomenda-se até quatro níveis).

  • Facilitam a visualização e otimização de todo o workflow a partir de uma perspectiva de negócios.

  • Suportam organização de implantação e O&M baseada em workflows.

  • Oferecem um painel de workflow para ajudar você a desenvolver com mais eficiência.

• Auto triggered workflow

  Um auto triggered workflow fornece uma interface de desenvolvimento DAG visual e orientada a negócios. Integre nós de subtarefas por meio de arrastar e soltar, estabeleça dependências de tarefas e construa pipelines de processamento de dados para gerenciar projetos de tarefas complexas de forma eficiente.

• Notebook

  O notebook do DataWorks fornece um ambiente de desenvolvimento interativo para exploração de dados, análise e desenvolvimento de modelos de IA, integrando código (como SQL e Python), texto, resultados de execução e gráficos de visualização.

• Componente SQL

  Disponível apenas para MaxCompute, permite abstrair lógica comum em SQL em um SQL script template para melhorar a reutilização de código.

  O processo de manipulação de código SQL geralmente envolve importar uma ou mais tabelas de source e processá-las por meio de operações de filtragem, junção e agregação para produzir uma nova tabela de destino exigida pelo negócio. Um SQL script template é um modelo procedural para código SQL com múltiplos parâmetros de entrada e saída.

• Dependência de agendamento

  Uma dependência de agendamento entre tarefas define a ordem em que elas são executadas. Se o nó B só puder ser executado após a execução do nó A, então A é uma dependência upstream de B, e B depende de A. Em um Grafo Acíclico Direcionado (DAG), as dependências são representadas por setas entre os nós.

• Data timestamp

  Um data timestamp refere-se tipicamente à data diretamente associada a uma atividade de negócios, refletindo o momento real em que os dados de negócios foram gerados. Esse conceito é particularmente importante em cenários de computação offline. Por exemplo, no varejo, se você precisar calcular a receita de vendas de 10 de outubro de 2024, normalmente iniciará o cálculo na madrugada de 11 de outubro de 2024. Os dados resultantes representam, na verdade, a receita de 10 de outubro de 2024, que é o data timestamp.

• Nome de saída

  O nome de saída é o nome do ponto de saída de uma tarefa. É uma entidade virtual usada para conectar tarefas upstream e downstream ao configurar dependências dentro de um único tenant (conta Alibaba Cloud).

  Ao configurar dependências upstream e downstream para uma tarefa, use o nome de saída, não o nome do nó ou o id do nó. Uma vez definido, o nome de saída da tarefa também serve como nome de entrada para seus nós downstream.

  Nota

  O nome de saída serve como identificador exclusivo para uma tarefa dentro de um tenant. O nome de saída padrão para cada nó é WorkspaceName.SystemGenerated9DigitNumber.out. Adicione um nome de saída personalizado a uma tarefa, mas garanta que ele seja exclusivo dentro do tenant.

• Nome da tabela de saída

  O nome da tabela de saída deve ser a tabela produzida pela tarefa atual. Preencher corretamente o nome da tabela de saída facilita para as tarefas downstream confirmarem que os dados vêm da tabela upstream esperada ao definir dependências. Não recomendamos modificar manualmente um nome de tabela de saída analisado automaticamente. O nome da tabela de saída serve apenas como identificador; modificá-lo não afeta o nome real da tabela produzida pelo script SQL, que é determinado pela lógica SQL.

  Nota

  O Output Name de um nó deve ser globalmente exclusivo, enquanto o Output Table Name não possui essa restrição.

• Parâmetro de agendamento

  Um parâmetro de agendamento é uma variável no seu código que recebe um valor dinamicamente em tempo de execução. Quando seu código precisa de informações do ambiente de execução, como data ou hora, atribua valores com base nas definições de parâmetros de agendamento no sistema de agendamento do DataWorks.

• Catálogo de dados

  Um catálogo de dados é uma lista ou mapa estruturado de todos os ativos de dados dentro de uma organização, incluindo bancos de dados, tabelas e arquivos. No DataWorks, o catálogo de dados registra metadados para esses ativos.

• Computing resources, fontes de dados e catálogos de dados

  Estes três são objetos independentes, mas relacionados. Suas relações são as seguintes:

  • Ao vincular um computing resource, uma fonte de dados e um catálogo de dados podem ser criados associados a ele.

  • Ao criar uma fonte de dados, um catálogo de dados pode ser criado associado a ela.

  • Ao criar um catálogo de dados, não é possível criar uma fonte de dados ou um computing resource associados.

Operation Center

• Horário de agendamento

  O horário de execução esperado para uma tarefa autoacionada, que pode ser definido com precisão de minutos.

  Importante

  Vários fatores podem afetar a execução de uma tarefa, o que significa que ela não será necessariamente executada imediatamente quando seu horário agendado for atingido. Antes de executar uma tarefa, o DataWorks verifica se as tarefas upstream foram executadas com sucesso, se o horário agendado foi atingido e se há recursos de agendamento suficientes. A tarefa só começa a ser executada depois que todas essas condições forem atendidas.

• Data timestamp

  Um data timestamp refere-se tipicamente à data diretamente associada a uma atividade de negócios, refletindo o momento real em que os dados de negócios foram gerados. Esse conceito é particularmente importante em cenários de computação offline. Por exemplo, no varejo, se você precisar calcular a receita de vendas de 10 de outubro de 2024, normalmente iniciará o cálculo na madrugada de 11 de outubro de 2024. Os dados resultantes representam, na verdade, a receita de 10 de outubro de 2024, que é o data timestamp.

• Tarefa autoacionada

  Uma tarefa autoacionada é acionada automaticamente para execução pelo sistema de agendamento com base em uma programação definida pelo usuário. Na lista de tarefas autoacionadas no Operation Center, realize uma série de operações de O&M e gerenciamento em uma tarefa, como visualizar seu DAG, executar testes, realizar backfill de dados e alterar o proprietário da tarefa.

• Instância autoacionada

  Uma instância autoacionada é uma instância de tarefa gerada automaticamente para execução com base na configuração de agendamento de uma tarefa autoacionada. Por exemplo, se uma tarefa estiver configurada para ser executada a cada hora, a plataforma gera 24 instâncias de tarefa em um dia, com uma instância sendo acionada automaticamente para execução a cada hora. Apenas instâncias possuem informações como status de execução. Na lista de instâncias autoacionadas no Operation Center, realize uma série de operações de O&M em uma instância, como terminar, definir como sucesso e reexecutar.

• Backfill de dados

  O DataWorks gera automaticamente uma instância de backfill de dados com base na tarefa e no intervalo de tempo que você especificar. O recurso de backfill de dados é usado principalmente para reexecutar dados históricos e corrigir dados. Com esse recurso, recalcule dados para qualquer período passado ou futuro para garantir a integridade e precisão dos dados.

• Baseline

  Com base nas configurações definidas para uma baseline, como prioridade, horário de conclusão comprometido e margem de alerta, o sistema monitora automaticamente todas as tarefas na baseline e emite avisos para quaisquer riscos que possam afetar a entrega pontual das tarefas. Quanto maior o número que indica a prioridade da baseline, maior a prioridade. O DataWorks aloca mais recursos para tarefas em baselines de alta prioridade para garantir seu horário de entrega. A margem de alerta é reservada principalmente para lidar com exceções. O DataWorks calcula o horário de alerta subtraindo a margem de alerta do horário de conclusão comprometido. Se uma tarefa não conseguir produzir saída dentro do horário de alerta, a plataforma emite prontamente um alerta para informar as partes relevantes do negócio sobre o risco.

Data Governance Center

• Pontuação de saúde

  Uma pontuação de saúde é uma métrica abrangente que varia de 0 a 100 e mede a saúde dos ativos de dados com base em itens de governança. Ela reflete a eficácia da governança no nível do tenant, workspace ou individual em cinco dimensões: armazenamento, computação, P&D, qualidade e segurança.

• Item de governança

  Um item de governança é um problema identificado em um ativo de dados que requer otimização ou resolução, cobrindo áreas como padrões de desenvolvimento, qualidade de dados, segurança e conformidade e utilização de recursos. Os itens de governança são classificados como obrigatórios (ativados por padrão e não modificáveis) e opcionais (ativados conforme suas necessidades). Por exemplo, tempos de execução de tarefas excessivamente longos, nós com erros consecutivos e nós folha não acessados são todos itens de governança.

• Item de verificação

  Um item de verificação é um mecanismo proativo de governança que realiza pré-verificações em etapas importantes, como envio e implantação de tarefas, para detectar problemas potenciais com código ou dados, como varreduras completas de tabela ou configurações ausentes de dependência de agendamento. Se conteúdo não conforme for detectado, o sistema gera um evento de item de verificação, intercepta automaticamente a ação e aplica padrões de desenvolvimento.

• Plano de governança de dados

  Um plano de governança de dados fornece modelos para diferentes cenários de governança. Guiado por metas de governança para um período específico, ajuda a selecionar itens relevantes de governança e verificação e identificar objetos para otimização. Isso permite o rastreamento contínuo da eficácia da governança e impulsiona a equipe a alcançar metas por meio de avaliação quantitativa.

• Base de conhecimento

  A base de conhecimento contém definições de itens de verificação e governança integrados no Data Governance Center. Ela ajuda o pessoal de governança a identificar rapidamente problemas específicos e fornece informações de referência e orientação prática para resolver problemas.

Security Center

• Permissão de dados

  O Security Center fornece recursos refinados para solicitações, aprovações e auditorias de permissões de dados, implementando controle de acesso de privilégio mínimo. Acompanhe facilmente o processo de aprovação de permissões em cada etapa. Para mais informações, consulte Controle de acesso a dados.

• Segurança do conteúdo de dados

  O Security Center oferece recursos como classificação e graduação de dados, identificação de dados sensíveis, auditoria de acesso a dados sensíveis e rastreabilidade de fontes de dados. Durante o manuseio de processos de negócios, identifique rápida e oportunamente dados com potenciais riscos de segurança, garantindo a segurança e confiabilidade do conteúdo dos dados. Para mais informações, consulte Visão geral do Data Security Guard.

Data Quality

• Monitoramento de qualidade

  O monitoramento de qualidade rastreia e detecta continuamente o status e as alterações de objetos de dados (como partições específicas de uma tabela particionada) para garantir que atendam aos requisitos de qualidade predefinidos. No DataWorks, configure monitoramentos de qualidade acionados por eventos de agendamento para realizar verificações de qualidade automaticamente e enviar alertas ao pessoal relevante.

• Regra de qualidade

  Uma regra de qualidade é uma condição específica ou padrão lógico para avaliar se a qualidade dos dados atende aos requisitos esperados. Por exemplo, "A idade do cliente não pode ser menor que 0" são regras de qualidade. No DataWorks, configure flexivelmente diferentes regras de qualidade de acordo com suas necessidades de negócios e aplique-as ao intervalo de dados correspondente para validação. Quando dados que não atendem às expectativas da regra são encontrados, o sistema os identifica automaticamente e emite um alerta de qualidade.

• Modelo de regra

  Um modelo de regra é uma regra de qualidade de amostra com lógica de validação predefinida. Use-o diretamente ou modifique os limiares de validação conforme necessário para criar regras de qualidade que atendam aos seus requisitos. O DataWorks fornece vários tipos de modelos de regra para escolha e também suporta a criação de novos modelos por meio de SQL personalizado:

  • Regras de modelo de sistema: Crie regras usando os modelos de regra integrados fornecidos pelo DataWorks.

  • Regras de modelo personalizado: Se os modelos de regra integrados não atenderem às suas necessidades de monitoramento de qualidade de dados em expressões de partição, utilize modelos de regra personalizados. Salve também regras personalizadas usadas frequentemente como modelos de regra para facilitar a reutilização.

Data Security Guard

• Classificação e graduação de dados

  A classificação e graduação de dados classifica seus dados atuais em níveis de sensibilidade com base em seu valor, sensibilidade do conteúdo, impacto e escopo de distribuição. Diferentes níveis de sensibilidade possuem diferentes princípios de controle e requisitos de desenvolvimento de dados.

• Regra de identificação de dados sensíveis

  A regra de identificação de dados sensíveis permite definir categorias de dados e configurar tipos de campos sensíveis com base na origem e finalidade dos dados, identificando dados sensíveis no workspace atual. O DataWorks fornece categorias de dados e regras de identificação integradas, e você também pode personalizá-las conforme necessário.

• Regra de mascaramento de dados

  As regras de mascaramento de dados configuram o mascaramento para dados sensíveis identificados. Dependendo dos requisitos de controle de negócios, os controles de mascaramento de dados para diferentes níveis de sensibilidade variam.

• Regra de identificação de riscos

  As regras de identificação de riscos usam tecnologia de análise inteligente para descobrir proativamente e emitir alertas para operações arriscadas. Isso ajuda a conduzir um gerenciamento de riscos mais abrangente e a identificar e evitar riscos de forma eficaz.

Data Map

• Metadados

  Metadados são dados que descrevem outros dados. Podem especificar atributos de um dado (nome, tamanho, tipo de dados), estrutura (campos, tipos, comprimentos) ou informações relacionadas (localização, proprietário, tarefa de saída, permissões de acesso).

• Linhagem de dados

  A linhagem de dados descreve as relações formadas à medida que os dados são processados e transformados, mostrando todo o ciclo de vida dos dados desde a criação, passando pelo processamento, até o consumo. Na plataforma DataWorks, a linhagem de dados é visualizada para ajudar os usuários a localizar problemas rapidamente e avaliar o impacto da alteração de uma tabela ou campo.

• Álbum de dados

  Um álbum de dados é uma forma de organizar e gerenciar categorias de tabelas de dados sob uma perspectiva de negócios. Adicione tabelas especificadas e outros ativos a um álbum de destino para recuperação e localização rápidas e fáceis.

DataAnalysis

• Consulta SQL

  A consulta SQL (legada) usa instruções SQL padrão para consultar e analisar dados de várias fontes de dados. Para mais informações, consulte Consulta SQL (legada).

• Workbook

  Um workbook é uma ferramenta para edição online e gerenciamento de tabelas de dados. Importe dados de resultados de consultas SQL ou arquivos locais para um workbook de destino para revisão, análise e visualização adicionais. Exporte, baixe e compartilhe dados do workbook, atendendo flexivelmente às necessidades diárias de análise de dados. Para mais informações, consulte Criar e gerenciar um workbook.

• Insight de dados

  O insight de dados suporta exploração e visualização de dados. Utilize-o para entender a distribuição de dados, criar cartões de dados e combiná-los em relatórios de dados. Os resultados de insight de dados podem ser compartilhados como relatórios longos e usam tecnologia de IA para auxiliar na análise de dados, ajudando você a interpretar dados complexos e apoiar decisões de negócios.

DataService Studio

• API

  Uma API (Interface de Programação de Aplicações) no DataService Studio permite que desenvolvedores criem rapidamente APIs de dados baseadas em várias fontes de dados. Essas APIs podem ser chamadas em aplicações de negócios, software, sistemas e relatórios para recuperar e consumir dados.

• Função

  Uma função atua como um filtro para uma API de dados. Quando usada como pré-filtro, uma função pode processar parâmetros de solicitação, por exemplo, alterando ou atribuindo seus valores. Como pós-filtro, pode processar os resultados retornados, como alterar a estrutura de dados ou adicionar conteúdo.

• Envio de dados

  O DataWorks fornece um service de envio de dados que permite criar tarefas de envio. Dentro de uma tarefa, escreva código SQL para consultas de tabela única ou múltipla para definir o escopo dos dados e organize o conteúdo da mensagem de envio usando rich text ou tabelas. Ao configurar um ciclo e horário de agendamento, envie dados periodicamente para um webhook de destino.

Open Platform

• OpenAPI

  A Open Platform do DataWorks fornece capacidades de OpenAPI, permitindo chamar operações de API do DataWorks para integrar e interagir entre suas aplicações e o DataWorks.

• OpenEvent

  O OpenEvent do DataWorks entrega notificações de mudança de status como mensagens de evento às quais os usuários podem se inscrever e responder com ações personalizadas. Por exemplo, inscreva-se em eventos de alteração de tabela através do OpenEvent para obter monitoramento em tempo real de tabelas principais, ou inscreva-se em eventos de alteração de tarefa para monitoramento personalizado de tarefas.

• Extensões

  As Extensões do DataWorks são plug-ins que, em combinação com OpenAPI e OpenEvent, permitem aplicar lógica personalizada às ações do usuário no DataWorks e implementar controles comportamentais, como interceptação e bloqueio. Por exemplo, desenvolva uma extensão de controle de alteração de tarefa para implementar um fluxo de trabalho personalizado de implantação de tarefas.