Shared Dataset与Dataflows的实际应用差异是什么？

• 数据处理深度不同
  Dataflows不止能提取数据，还能完成完整的清洗、转换、整合操作——比如合并多源数据、生成计算列、做数据脱敏等，相当于把ETL/ELT流程在云端落地，处理后的结果会存在指定存储（比如Dataverse、Azure Blob），是预处理后的数据复用。
  Shared Dataset只是保存了数据源的连接信息和简单的筛选、参数配置，数据会在报表渲染时才从源端实时提取（或调用缓存），没有预处理环节，本质是连接逻辑的复用。

• 复用范围有差异
  Dataflows处理好的数据集可以跨Power BI工作区、跨工具复用——比如Power Apps、Excel都能直接调用，还能作为数据资产和其他团队共享。
  Shared Dataset只能在同一个Power BI工作区内的报表之间复用，没法跨工具或跨工作区直接使用。

• 数据更新机制不一样
  Dataflows支持独立的刷新计划，比如设置每天凌晨自动刷新，刷新完成后所有依赖它的报表直接用最新的预处理数据，不用每次加载报表都重新跑提取逻辑。
  Shared Dataset的刷新和报表绑定，或者依赖数据源自身的缓存，每次报表加载如果缓存过期，就得重新从源数据拉取，性能受源端响应速度影响。

• 数据源支持广度不同
  Dataflows支持更多类型的数据源，还能使用自定义连接器，甚至可以通过Power Query M语言编写复杂的提取逻辑，很适合整合异构数据源。
  Shared Dataset的数据源支持范围相对有限，主要是常见数据库、云存储等，自定义逻辑的能力也较弱。

内容的提问来源于stack exchange，提问作者variable