Latest / M365.FM – Podcast su Microsoft 365, Copilot e IA in italiano / Microsoft Fabric Data Factory spiegato: pipeline, Dataflow Gen2, Copy job e differenze con ADF (Doppiaggio IA)

Transcript

Microsoft Fabric Data Factory spiegato: pipeline, Dataflow Gen2, Copy job e differenze con ADF (Doppiaggio IA) · M365.FM – Podcast su Microsoft 365, Copilot e IA in italiano

0:01
Speaker 2: Pronti per 10 giorni di Microsoft 365 e Copilot, i
0:04
Speaker 2: Azure e le persone che stanno plasmando il futuro del lavoro?
0:08
Speaker 2: Questo gennaio, M305 con Return e puntiamo ancora più in alto?
0:12
Speaker 2: Unitevi a noi per sessioni live, demo reali e conoscenze
0:15
Speaker 2: pratiche da MVP ed esperti del settore da tutto il mondo.
0:18
Speaker 2: Niente slide generiche, niente paroloni inutili. Affrontiamo le sfide reali.
0:23
Speaker 2: Copilot Studio, agenti IA, Fabric, Sicurezza, Governance e Automazione. Che
0:30
Speaker 2: siate professionisti IT, sviluppatori o leader aziendali, ci sono sessioni
0:33
Speaker 2: pensate per voi, poi. Con dieci giorni completi potrete esplorare
0:37
Speaker 2: varie tecnologie e connettervi con una community globale. Seguite le
0:41
Speaker 2: sessioni live e portate intuizioni pratiche nella vostra organizzazione. Gennaio 2027.
0:45
Speaker 2: Dieci giorni. Un'unica community Microsoft. Le registrazioni sono aperte. Andate
0:52
Speaker 2: su m365com. net e assicuratevi un posto oggi stesso. L'indirizzo è m365com. net...
1:00
Speaker 2: Iscrivetevi ora su m365con. net e ci vediamo a gennaio. Cos'è
1:05
Speaker 2: esattamente Microsoft Fabric Data Factory? È solo Azure Data Factory
1:08
Speaker 2: con un nuovo nome o qualcosa di completamente diverso? Se
1:11
Speaker 2: avete sentito il termine e vi siete chiesti cosa significhi davvero,
1:13
Speaker 2: non siete i soli. Alla fine di questo episodio saprete cos'è,
1:17
Speaker 2: come differisce dal classico ADF e i componenti fondamentali da comprendere.
1:21
Speaker 2: Se vi occupate di spostamento dati in Fabric, questo è
1:23
Speaker 2: il motore che lo rende possibile ed è più semplice
1:25
Speaker 2: di quanto pensiate. Esamineremo quattro elementi chiave e vedremo come
1:28
Speaker 2: si integrano tra loro. Ma prima, definiamo di cosa stiamo parlando.
1:32
Speaker 2: Ecco la definizione più semplice. Fabric Data Factory è il
1:35
Speaker 2: motore all'interno di Microsoft Fabric che sposta e integra i
1:37
Speaker 2: vostri dati. Pensatelo come il sostituto di Azure Data Factory
1:40
Speaker 2: e delle pipeline di Synapse. Tutto in un'unica piattaforma SaaS.
1:44
Speaker 2: Questa è la prima cosa da capire. Non è un
1:46
Speaker 2: servizio separato da gestire. È integrato direttamente in Fabric, connesso
1:49
Speaker 2: a OneLake. Usiamo un'analogia. Se Fabric è un edificio per uffici,
1:53
Speaker 2: Data Factory è l'ufficio postale e i nastri trasportatori che
1:56
Speaker 2: spostano i documenti tra i piani. Non pensate all'ufficio postale
1:58
Speaker 2: ogni giorno, ma senza di esso nulla va dal punto
2:00
Speaker 2: A al punto B. È lo stesso qui. È lo
2:02
Speaker 2: stesso qui. Data Factory gestisce lo spostamento dietro le quinte.
2:06
Speaker 2: La grande differenza rispetto al passato è che nessuna configurazione
2:08
Speaker 2: di archiviazione aggiungitiva è necessaria. I vostri dati finiscono direttamente
2:10
Speaker 2: in One Lake. In Azure Data Factory dovete impostare un
2:12
Speaker 2: account di archiviazione, creare contenitori e configurare servizi collegati. In
2:16
Speaker 2: Fabric tutto questo è sparito. One Lake è già lì,
2:18
Speaker 2: quindi basta puntare la pipeline verso di esso e partire.
2:20
Speaker 2: Sembra familiare, vero? Quindi cosa differisce dall'Azure Data Factory che
2:24
Speaker 2: già conoscete? In cosa è diverso da Azure Data Factory?
2:27
Speaker 2: Molti pensano che Fabric Data Factory sia solo Azure Data
2:30
Speaker 2: Factory con una nuova etichetta, ma non è così. Facciamo
2:32
Speaker 2: chiarezza su alcuni fasi. Prezzi sono l'aspetto che cambia da web.
2:35
Speaker 2: ADF addebita ogni esecuzione di attività, quindi ogni copia, start
2:38
Speaker 2: procedure ed esecuzione di pipeline si aggiunge al conto. Fabric
2:41
Speaker 2: Data Factory utilizza invece una tarifazione basata sulla capacità. Si
2:44
Speaker 2: acquista una capacità Fabric F2, F4, F16 o altro e
2:47
Speaker 2: tutti i carichi di lavoro condividono quel pool di calcolo.
2:50
Speaker 2: Data Factory, Power BI, Lake House, l'intera piattaforma. Se hai
2:54
Speaker 2: già una capacità Fabric, eseguire le pipeline a costi aggiuntivi, minimi.
2:57
Speaker 2: In caso contrario, devi confrontare il costo totale di Fabric
3:00
Speaker 2: con la tua attuale bolletta ADF. Anche le connessioni sono
3:02
Speaker 2: più semplici. In ADF dovevi creare un servizio collegato per
3:05
Speaker 2: ogni origine e destinazione, poi dataset e infine configurare l'integration runtime.
3:10
Speaker 2: Con Fabric, le connessioni sono definite in line e One
3:12
Speaker 2: Lake è automatico. Scegli l'origine, scegli la destinazione e una
3:15
Speaker 2: connessione viene configurata sul momento. Molti meno click. Ci sono
3:18
Speaker 2: anche nuove attività integrate, Puoi inviare email o messaggi Teams
3:22
Speaker 2: direttamente dalla pipeline senza bisogno di logic apps o webhook personalizzati.
3:26
Speaker 2: È solo un'attività drag and drop e questo da solo
3:27
Speaker 2: far risparmiare un sacco di tempo. E il deployment ora
3:29
Speaker 2: è migliore. ADF aveva pipeline di deployment ma era una macchinosa.
3:32
Speaker 2: Fabbrica pipeline di deployment integrate con promozione a livello di
3:35
Speaker 2: workspace così puoi passare da dev a testa produzione in
3:37
Speaker 2: pochi click. Nessuno script manuale necessario. Ora siamo onesti su
3:41
Speaker 2: ciò che manca. Il supporto SSIS e la vignette gestita
3:43
Speaker 2: non sono ancora disponibili. Se investi molto in SQL Server
3:46
Speaker 2: Integration Services dovrai aspettare. Per la maggior parte delle persone
3:49
Speaker 2: va bene così. La stragrande maggioranza del lavoro di integrazione
3:52
Speaker 2: dati non richiede SCS. Ecco una semplice regola pratica. Se
3:55
Speaker 2: la tua bolletta ADF è inferiore a 1500 dollari al
3:58
Speaker 2: mese e non usi Fabric, resta con ADF perché è
4:00
Speaker 2: più economico per carichi di lavoro ridotti. Se sei già
4:02
Speaker 2: in Fabric, te l'ha fatto reincluso, quindi usalo. E se
4:05
Speaker 2: i tuoi costi ADF sono superiori, vale la pena fare
4:08
Speaker 2: due calcoli su una capacità Fabric. Primo elemento costitutivo, le
4:11
Speaker 2: pipeline di dati. Ora esaminiamo il primo elemento costitutivo, le
4:14
Speaker 2: pipeline di dati. Le pipeline sono gli orchestratori. Decidono cosa
4:17
Speaker 2: viene eseguito, quando e in quale ordine e tutto il
4:19
Speaker 2: resto si collega a esse. Pensa a una pipeline come
4:21
Speaker 2: a una ricetta. Hai dei passaggi, poi carri di ramazioni
4:23
Speaker 2: e puoi tornare indietro in loop. Prima preriscaldi il forno,
4:26
Speaker 2: poi mescoli gli ingredienti. Se l'impasto sembra troppo secco, aggiungi
4:29
Speaker 2: altro latte prima di cuocere. Una pipeline funziona allo stesso modo.
4:32
Speaker 2: Per prima cosa copia i dati da una sorgente, poi
4:34
Speaker 2: verifica se il file esiste e se esiste esegui una trasformazione.
4:37
Speaker 2: Se non esiste, invia un avviso. Tu controlli il flusso.
4:39
Speaker 2: Le attività principali che userai più spesso sono copia dati, foreach,
4:42
Speaker 2: condizioni if, ottieni metadati e lookup. Copia dati sposta le
4:45
Speaker 2: informazioni dal punto A al punto B. Foreach scorre un elenco,
4:48
Speaker 2: ad esempio 10 file in una cartella. La condizione if
4:50
Speaker 2: verifica se qualcosa è vero o falso, ottiene i metadati
4:53
Speaker 2: e pone domande sui tuoi dati. Quanto è grande questo file?
4:56
Speaker 2: Quando è stato modificato l'ultima volta? Lookup legge il file
4:58
Speaker 2: di configurazione e porta i valori nella tua pipeline. Questo
5:01
Speaker 2: è il kit iniziale. L'intero sistema è low- code. Trascini le
5:04
Speaker 2: attività su una tela, le colleghi con delle frecce imposte
5:06
Speaker 2: e le proprietà. E' finito. Nessuna programmazione è necessaria per
5:09
Speaker 2: la maggior parte. Sembra un diagramma di flusso perché è
5:11
Speaker 2: esattamente quello che è. Ecco un esempio reale. Immagina di
5:14
Speaker 2: estrarre i dati di vendita da un API ogni mattina.
5:16
Speaker 2: La tua pipeline inizia con un'attività di copia dati che
5:18
Speaker 2: li deposita in un laycast. Poi un passaggio di Data
5:20
Speaker 2: Flow Gen 2 pulisce i dati, rimuove i valori nulli
5:22
Speaker 2: e corregge i formati delle date. Successivamente un notebook riechisce
5:25
Speaker 2: i conseguimenti di video. Infine un'attività di Teams invia un
5:28
Speaker 2: messaggio al tuo team. Dati di vendita aggiornati. È un'unica
5:32
Speaker 2: pipeline che svolge il lavoro che prima richiedeva strumenti multipli.
5:34
Speaker 2: Puoi anche rendere le pipeline riutilizzabili. Mettiamo che tu abbia
5:37
Speaker 2: la stessa logica per 10 diverse fonti di data. Invece
5:39
Speaker 2: di creare 10 pipeline, ne costruisci una e usi parametri.
5:42
Speaker 2: URL di origine, nome tabella, cartella di destinazione, tutto come variabile.
5:45
Speaker 2: Una pipeline 10 lavori diversi. Questa è la parametrizzazione. Ed
5:50
Speaker 2: ecco una novità. Puoi chiedere a Copilot di scrivere espressioni
5:53
Speaker 2: di pipeline in linguaggio semplice. Scrivi aggiungi due giorni a
5:55
Speaker 2: questa data e genera l'espressione per te. Non dovrai più
5:58
Speaker 2: memorizzare la sintassi delle funzioni o cercare su Google come
6:00
Speaker 2: formattare un timestamp. Dissimi ciò di cui hai bisogno. Secondo blocco,
6:04
Speaker 2: Dataflow Gen2. Quindi cosa succede quando devi pulire i dati
6:08
Speaker 2: ma non vuoi scrivere codice? Questo è esattamente il problema
6:10
Speaker 2: che risolve Dataflow Gen2. Dataflow Gen2 è lo strumento di
6:13
Speaker 2: trasformazione low- code all'interno di Fabric Data Factory. Se hai già
6:16
Speaker 2: usato Power Query in Excel o Power BI ti sembrerà
6:19
Speaker 2: molto familiare ha la stessa interfaccia, le stesse oltre 300
6:22
Speaker 2: trasformazioni e lo stesso motore, solo in esecuzione, nel cloud
6:24
Speaker 2: con un lake house come destinazione. Pensala in questo modo.
6:28
Speaker 2: Se le pipeline sono la catena di montaggio che sposta
6:30
Speaker 2: le scatole, Data Flow Gen 2 è la cucina dove tagli,
6:32
Speaker 2: condisci e cuoci gli ingredienti grezzi. Le pipeline gestiscono la logistica.
6:36
Speaker 2: Data Flow Gen 2 gestisce il lavoro concreto per rendere
6:39
Speaker 2: i dati utili. Quando dovresti usarlo? Quando devi pulire dati,
6:42
Speaker 2: cambiare tipi, unire tabelle o filtrare righe, tutto senza toccare
6:45
Speaker 2: Spark o SQL. Se la tua trasformazione è interna una dagna,
6:49
Speaker 2: Probabilmente entra in DataFlow Gen2. Ecco un rapido esempio. Importi
6:53
Speaker 2: un file CSV pieno di ordini dei clienti. Ci sono
6:56
Speaker 2: righe duplicate, alcune date sono nel formato sbagliato, alcune colonne
6:58
Speaker 2: a colonne hanno valori meno. Apri DataFlow Gen2 e clicchi
7:01
Speaker 2: pochi pulsanti per rimuovere i duplicati, cambi il tipo di
7:03
Speaker 2: colonna data e riempi i valori mancanti. Poi lo unisci
7:06
Speaker 2: con una tabella prodotti proveniente da un'altra. Il tutto richiede
7:08
Speaker 2: 10 minuti. L'output finisce in una tabella Lakehouse, pronto per
7:11
Speaker 2: il report. Puoi anche vedere tutto visivamente. C'è una visualizzazione
7:15
Speaker 2: a diagramma che mostra ogni passaggio come un nodo. L'origine
7:16
Speaker 2: entra in nodo filtro. Il filtro alimenta un nodo di unione.
7:19
Speaker 2: L'unione alimenta l'output. Puoi vedere l'intero flusso col podo, ed
7:23
Speaker 2: è davvero utile quando fai debug o quando devi spiegare
7:25
Speaker 2: la logica a qualcun altro. Anche la pianificazione è flessibile.
7:28
Speaker 2: Puoi eseguire Dataflow Gen2 da solo. Impostalo per aggiornarsi ogni
7:31
Speaker 2: mattina alle 6. Poi puoi chiamarlo da una pipeline principale
7:34
Speaker 2: come un passaggio in un flusso di lavoro più ampio.
7:36
Speaker 2: La maggior parte delle configurazioni di produzione fa questo. La
7:38
Speaker 2: pipeline gestisce l'orchestrazione e Dataflow Gen2 gestisce il passaggio di
7:41
Speaker 2: trasformazione al suo interno. Una nota onesta, per trasformazioni molto pesanti,
7:45
Speaker 2: pensa a miliardi di righe e funzioni finestra complesse o
7:47
Speaker 2: logica di machine learning personalizzata, potresti usare ancora i notebook
7:50
Speaker 2: con Spark. Dataflow Gen2 non è costruito per ogni scenario,
7:54
Speaker 2: ma per la stragrande maggioranza di ciò che serve ai team, pulizia, modellazione, unione, aggregazione,
7:59
Speaker 2: copre circa l'80% del lavoro e un sacco di codice
8:02
Speaker 2: che non devi scrivere. Terzo blocco, i processi di copia
8:05
Speaker 2: e copia. Ora parliamo di spostare dati. Cosa succede se
8:08
Speaker 2: devi farli fluire continuamente da un database? È qui che
8:11
Speaker 2: entrano in gioco i copy jobs. Un copy job è
8:12
Speaker 2: un modo semplificato per copiare dati da un'origine a un
8:14
Speaker 2: lake con tracciamento delle modifiche integrate. Nessuna configurazione compressa della pipeline,
8:18
Speaker 2: nessuno script personalizzato, scegli un'origine, una destinazione e dici ogni
8:21
Speaker 2: quanto vuoi che venga eseguito. Tutto qui. La funzione chiave
8:24
Speaker 2: è il Change Data Capture, o CDC. I copy jobs
8:27
Speaker 2: tracciano automaticamente inserimenti, giornamenti ed eliminazioni all'origine. Non devi costruire
8:31
Speaker 2: una logica di watermarking manuale, quella cosa in cui salvi
8:33
Speaker 2: un timestamp e intervi per i record più recenti. I
8:35
Speaker 2: copy jobs gestiscono tutto di tre. Funziona semplicemente, senza alcuno
8:38
Speaker 2: sforzo extra. C'è di più. Processi di copia supportano SCD
8:41
Speaker 2: di tipo 2 e dimensione e modifica lenta di tipo 2.
8:43
Speaker 2: Ciò significa che mantengono lo storico. Quando un cliente cambia indirizzo,
8:46
Speaker 2: quello vecchio resta nella tabella con una data di fine.
8:49
Speaker 2: Il nuovo indirizzo riceve una data di inizio. Puoi vedere
8:51
Speaker 2: esattamente come un recorda nel tempo. È fondamentale per l'audit
8:54
Speaker 2: e la reportistica storica. Quindi, quando usare i processi di
8:56
Speaker 2: copia rispetto all'attività di copia standard? Ecco la regola. Processi
9:00
Speaker 2: di copia servono per un'acquisizione continua, imposta e dimentica. Poiché
9:03
Speaker 2: i dati fluiscano automaticamente giorno dopo giorno con una manutenzione minima,
9:07
Speaker 2: Le attività di copia sono per caricamenti massivi, singoli o
9:09
Speaker 2: pianificati dove serve più controllo su mappature e gestione errori.
9:13
Speaker 2: Pensala così, un processo di copia è come avere un
9:15
Speaker 2: bibliotecario che nota automaticamente i nuovi libri e li ripone
9:17
Speaker 2: sugli scaffali. Non devi controllare il catalogo ogni volta perché
9:21
Speaker 2: se ne occupa il bibliotecario. Un'attività di copia è più
9:24
Speaker 2: come entrare in biblioteca, scegliere i libri da soli e
9:26
Speaker 2: decidere esattamente dove metterli. Entrambi portano a termine il lavoro,
9:29
Speaker 2: ma i processi di copia ti risparmiano fatica per il
9:31
Speaker 2: lavoro di routine. La configurazione è semplice, scegli la sorgente,
9:34
Speaker 2: diciamo un database SQL Server, Scegli la destinazione, una tabella
9:38
Speaker 2: lake house, mappi campi, indichi se desideri un aggiornamento incrementale
9:41
Speaker 2: o completo e questo quanto. Il processo viene eseguito secondo
9:44
Speaker 2: la tua pianificazione e mantiene la lake house sincronizzata automaticamente.
9:47
Speaker 2: Elemento costitutivo per mirroring. Ora cosa succede se hai bisogno
9:49
Speaker 2: di una replica in tempo reale? E' qui che entra
9:51
Speaker 2: in gioco il mirroring. Ecco la definizione più semplice. Il
9:53
Speaker 2: mirroring è un modo per replicare il tuo database operativo
9:55
Speaker 2: in one lake in modo continuo senza scrivere una sola
9:57
Speaker 2: riga di codice. Lo imposti una volta e... e viene
10:00
Speaker 2: eseguito in background. I dati rimangono aggiornati quasi in tempo reale.
10:03
Speaker 2: Nessuna pipeline da costruire, nessun flusso di dati da mantenere.
10:06
Speaker 2: Non ce ne basta. Come funziona concretamente? Il mirroring legge
10:09
Speaker 2: il log delle transazioni del database di origine. Ogni modifica,
10:11
Speaker 2: ogni inserimento, aggiornamento ed eliminazione viene rilevato e appare in
10:14
Speaker 2: One Lake in pochi minuti. Questa non è un'elaborazione batch.
10:17
Speaker 2: È una replica continua. Nel momento in cui qualcosa cambia
10:20
Speaker 2: nel database sorgente, appare in Fabric. Parliamo delle sorgenti. Al
10:24
Speaker 2: momento puoi eseguire il mirroring di Azure SQL Database, Azure
10:26
Speaker 2: Cosmos DB, Snowflake e altri. Ne arriveranno altri, come il
10:29
Speaker 2: mirroring su rete privata per database dietro Firewall, annunciato al
10:32
Speaker 2: Build 2026. Perché dovresti usarlo? Perché ottieni una copia live
10:36
Speaker 2: del tuo database in One Lake senza costruire pipeline ETL.
10:39
Speaker 2: Non servono attività di copia. Non servono script di tracciamento
10:41
Speaker 2: dei modifichi. Non serve alcuna logica decrementale. Il sistema gestisce
10:44
Speaker 2: tutto questo per te. Ecco un'analogia per memorizzarlo. Pensa al
10:47
Speaker 2: mirroring come a un clone in tempo reale del tuo
10:48
Speaker 2: database dentro Fabric. Aggiorni la sorgente una volta e il
10:51
Speaker 2: clone si aggiorna istantaneamente. Nessun codice richiesto per mantenere le sincronizzazioni.
10:54
Speaker 2: Il sistema si occupa del lavoro pesante. C'è anche un
10:56
Speaker 2: vantaggio economico da menzionare. Il mirroring include calcolo e archiviazioni
10:59
Speaker 2: gratuiti fino a un certo limite. Paghi solo per la
11:01
Speaker 2: capacità Fabric che già possiedi. Per molte organizzazioni è più
11:05
Speaker 2: economico rispetto a creare e mantenere pipeline di replica personalizzate.
11:08
Speaker 2: Ed ecco un caso d'uso pratico. Puoi creare l'Airport Power
11:11
Speaker 2: BI direttamente sui dati replicati senza influenzare il database sorgente.
11:14
Speaker 2: Il tuo sistema operativo continua a funzionare a piena velocità.
11:17
Speaker 2: Tuoi analisti ottengono dati aggiornati. Vincono tutti. Come funzionano insieme
11:20
Speaker 2: questi componenti? Quindi hai pipeline, flussi di dati, processi di copia, mirroring.
11:24
Speaker 2: Come si integrano tra loro? La maggior parte delle implementazioni
11:27
Speaker 2: reali seguono un schema semplice. Acquisizione, pulizia, arricchimento, distribuzione. È
11:32
Speaker 2: chiamata architettura medaglia. Bronzo, argento, oro. Immagina come tre livelli.
11:36
Speaker 2: Il bronzo contiene i dati grezzi esattamente come sono arrivati.
11:39
Speaker 2: L'argento è pulito ed è duplicato. L'oro è arricchito e
11:41
Speaker 2: pronto per la reportistica. Ecco come appare nella pratica. Un
11:44
Speaker 2: mirroring o un job di copia inserisce i dati grezzi
11:46
Speaker 2: in una tabella bronze legata. Questo è il passaggio di acquisizione.
11:49
Speaker 2: Poi un data flow Gen2 li pulisce e li trasforma
11:51
Speaker 2: in argento. Rimuove null, standardizza i formati, unisce le tabelle correlate.
11:56
Speaker 2: Infine una pipeline orchestra l'intero processo. Attiva il job di copia,
11:59
Speaker 2: ne attende il completamento, segue il data flow e invia
12:01
Speaker 2: una notifica su Teams al termine. Questo è il flusso completo.
12:04
Speaker 2: La vera magia non risiede in un singolo strumento. È
12:07
Speaker 2: il modo in cui comunicano tutte attraverso un unico link.
12:09
Speaker 2: I tuoi dati replicati risiedono in un unico link. L'output
12:11
Speaker 2: del tuo data flow finisce in un unico link. La
12:13
Speaker 2: tua pipeline legge da un unico link. Tutto condivide lo
12:15
Speaker 2: stesso livello di archiviazione. Puoi persino condividere dati tra aree
12:18
Speaker 2: di lavoro usando i collegamenti. Nessuna copia è necessaria. C'è
12:21
Speaker 2: una catena di dipendenze che vale la pena comprendere. Le
12:23
Speaker 2: pipeline possono richiamare il data flow Gentoo come passaggio interno.
12:26
Speaker 2: Possono includere anche notebook, job dbt e persino pipeline di
12:29
Speaker 2: Azure Data Factory se stai migrando gradualmente. Una singola pipeline
12:32
Speaker 2: può orchestrare tutto. Ecco il punto. Non hai più bisogno
12:34
Speaker 2: di cucire insieme cinque servizi diversi. Una piattaforma, un livello
12:37
Speaker 2: di archiviazione, un set di autorizzazioni. Questo è il senso
12:39
Speaker 2: di Fabric. E funziona in mondo reale. Un distributore con
12:42
Speaker 2: sede nel Maniati e la Bionite ha utilizzato esattamente questo.
12:44
Speaker 2: Job di copia per dati SAP, Dataflow Gen2 per la pulizia,
12:47
Speaker 2: Pipeline per l'orchestrazione. Hanno ridotto la chiusura mensile da 9
12:50
Speaker 2: giorni a 2. Non è demo. È produzione. Guida pratica
12:54
Speaker 2: e costi. Quindi, chi dovrebbe usare Fabric Data Factory? Se
12:57
Speaker 2: devi spostare o trasformare dati in Fabric, questo è il
12:59
Speaker 2: tuo strumento. Include Data Engineer che creano Pipeline, Analytics Engineer
13:03
Speaker 2: che modellano dati e persino Business Analyst che usano Dataflow
13:06
Speaker 2: Gen2 per trasformazioni self- service. Chi dovrebbe evitarlo? Se ti serve
13:10
Speaker 2: solo caricare file una volta, parti direttamente da Lake House.
13:13
Speaker 2: Trascina un CSV, hai fatto. Se investi molto in SSI,
13:16
Speaker 2: si attende il relativo supporto. Se la tua fattura ha
13:18
Speaker 2: DF sotto i 1500 al mese e non usi Fabric,
13:21
Speaker 2: per ora ha senso non cambiare. Parliamo di costi.