“Fabric’e veri nasıl gelir?” sorusunun tek cevabı yok; aynı işi yapan beş araç var ve yanlış olanı seçmek haftalarca emek ya da kapasite israfı demek. Data Factory, Fabric’in veri alma ve düzenleme iş yüküdür. Bu ders araçları tanıtmaktan çok, seçim yapmayı öğretir. İşlem hattının içi bir sonraki derste.
Parçalar
| Öğe | Ne yapar? | Kod |
|---|---|---|
| İşlem hattı (pipeline) | Etkinlikleri sıraya koyar, zamanlar, koşullar; kendi başına dönüştürmez | Az |
| Copy job | Basit toplu, artımlı, CDC kopyalama; Learn’ün önerdiği taşıma yolu | Az |
| Kopyalama etkinliği | İşlem hattı içinde büyük ölçekli, ayarı çok kopyalama | Az |
| Dataflow Gen2 | Power Query ile dönüştürür, hedefe yazar | Az |
| Yansıtma (mirroring) | Operasyonel veritabanını OneLake’e yakın gerçek zamanlı çoğaltır | Yok |
| dbt job | SQL tabanlı dönüşüm, ambar üzerinde | SQL |
| Apache Airflow job | Python ile DAG düzenleme | Python |
Spark not defteri ve Eventstream başka iş yüklerindendir, ama seçimde onlarla da karşılaşırsın. Azure Data Factory ayrı bir üründür, Fabric Data Factory’nin aynısı değildir; Learn’de “differences” sayfası var.
Veri kaynakları
Data Factory 170’ten fazla kaynağa bağlanır (Learn, Ağustos 2026). Sayı değil, üç soru önemli:
| Kaynak nerede? | Nasıl erişilir? |
|---|---|
| Bulutta, herkese açık uç nokta | Doğrudan bulut bağlantısı |
| Şirket içinde | Şirket içi veri ağ geçidi: işlem hattı, Dataflow Gen2 ve Copy job için (“On-premises data gateway” dersi) |
| Özel sanal ağda | VNet veri ağ geçidi ya da özel uç nokta |
| Başka Fabric öğesinde, ADLS’te, S3’te | Önce kısayol düşün |
| Akış, IoT, Kafka | Eventstream |
Bağlantılar Power BI’dakiyle aynı Bağlantıları ve ağ geçitlerini yönet ekranındadır. Bağlayıcı desteği araca göre değişir: bir bağlayıcı Dataflow Gen2’de varken kopyalamada olmayabilir. Önce “Connector overview” sayfasına bak.
Karar tablosu
| Araç | En iyi olduğu iş | Dönüşüm | Beceri |
|---|---|---|---|
| Yansıtma | Hazır kurulumla yakın gerçek zamanlı çoğaltma; hedef salt okunur | Yok | Gerekmez |
| Copy job | Çok tablolu, artımlı ya da CDC taşıma | Az | ETL, SQL |
| Kopyalama etkinliği | İşlem hattının parçası, elle ayar, filigran | Az | ETL, SQL |
| Eventstream | Akan olay, gerçek zamanlı yönlendirme | Orta | KQL, SQL |
| Dataflow Gen2 | Kod yazmadan temizlik, profil | Yüksek | M, Power Query |
| Not defteri | Karmaşık, büyük ölçekli, kodlu dönüşüm | Yüksek | Spark, Python |
| Kısayol | Kopyasız erişim | Kısıtlı | Gerekmez |
Dört soru: Kopya gerekli mi? Ne kadar taze? Dönüşüm ne kadar karmaşık? Ekip ne biliyor?
Anadolu Market senaryoları
| İhtiyaç | Seçim | Neden öteki değil? |
|---|---|---|
| Azure SQL’deki sipariş tablosunu yöneticiler dakikalar içinde görsün, dönüşüm yok | Yansıtma | Copy job zamanlamaya bağlı; işlem hattı gereksiz emek |
| Şirket içi ERP’den 40 tabloyu her gece artımlı kopyala | Copy job, ağ geçidi | Kırk kopyalama etkinliği bakım yükü |
| SharePoint listesini temizle; analist Power Query biliyor | Dataflow Gen2 | Spark öğrenmek gerekmez |
| Web olaylarından gün başına oturum üret; JSON iç içe, 500 milyon satır | Not defteri | Veri akışı bu ölçekte zayıf ve pahalı kalabilir |
| Mağaza kasalarından saniye saniye işlem akışı, anomaliye uyarı | Eventstream, Eventhouse | Toplu araç saniyeye inmez |
| Kopyala, temizle, yordam çalıştır, model yenile, hata olursa haber ver | İşlem hattı | Tek araç sırayı yönetemez |
| Bölge ekibinin lakehouse tablosunu pazarlama da okusun | Kısayol | Kopya tutarsızlık üretir |
Yaygın yanlış seçimler
- “Her şeyi not defteriyle yazalım.” Ekipte tek Spark bilen varsa o tatile çıkınca hat durur.
- “Yansıtılmış tablodaki kolonu değiştireyim.” Yansıtma hedefi salt okunurdur; dönüşüm ayrı katmanda yapılır.
- “Dataflow Gen2 işlem hattının yerine geçer.” Sorgu bağımlılığı yönetir, ama yordam çalıştırma, koşul ve uyarı için işlem hattı gerekir.
- “Veri zaten ADLS’te; kopyalayalım.” Delta ise kısayol yeter.
Öğrenme yolunda aynı veriyi iki yolla yükleme ödevi “Fabric’e veri getirmek” dersinde. Copilot’un bu araçlarda ne yapabildiği “Fabric’te Copilot” dersinde. Veriyi modele getirmeden önce doğrulama, tüm yollar için aynıdır: satır sayısı ve toplam.
EVALUATE
ROW("Satır", COUNTROWS(Satislar), "Tutar", SUM(Satislar[Tutar]), "İlk Tarih", MIN(Satislar[Tarih]), "Son Tarih", MAX(Satislar[Tarih]))
Bu adlarla karşına çıkar: SSIS, Azure Data Factory, data mart
İlanlar çoğu kez Fabric yerine şu adları yazar. Köprü:
| Terim | Nedir | Fabric’te yakın karşılığı |
|---|---|---|
| SSIS | SQL Server’ın ETL aracı: paket, denetim akışı, veri akışı | Pipeline ve Dataflow Gen2 kavramsal olarak yakın. Learn’ün karşılaştırma sayfasına göre Fabric Data Factory’de SSIS çalıştırma etkinliği yok, bu tasarım sürüyor; SSIS paketlerin varsa şimdilik ADF’de kalmayı planla. |
| Azure Data Factory | PaaS veri tümleştirme: işlem hattı, etkinlik, tetikleyici | Fabric pipeline: etkinlik, tetikleyici, parametre modeli aynı kalır; Fabric’te yayımlama adımı yoktur. Mapping Data Flow için Dataflow Gen2’deki MDF dönüşümleri önizlemededir. |
| Data mart | Bir iş birimine yönelik, konu odaklı küçük ambar. Genel bir veri ambarı terimi. | Fabric warehouse ya da lakehouse üzerinde konu şeması. Power BI’daki “datamart” öğesi ayrı bir üründü; güncel durumunu Learn’den denetle, biz Kasım 2026’da doğrulayamadık. |
Görüşmede söylemen gereken: “SSIS ve ADF’de elle çalışmadım ama işlem hattı, etkinlik, tetikleyici ve artımlı yükleme kavramlarını Fabric üzerinde biliyorum.” Yapmadığın işi yaptım deme.