Microsoft Fabric Data Engineering: Überblick

Von Mirko Peters · 2026-02-11 · Aktualisiert 2026-03-25

Data Engineering in Microsoft Fabric dreht sich darum, Ordnung in Ihr Datenuniversum zu bringen, vom Moment, in dem Rohdaten eintreffen, bis zu dem Augenblick, in dem Erkenntnisse bereitstehen.…

Automatisch mit KI aus dem Originalbeitrag übersetzt. Englisches Original lesen

Data Engineering in Microsoft Fabric dreht sich darum, Ordnung in Ihr Datenuniversum zu bringen, vom Moment, in dem Rohdaten eintreffen, bis zu dem Augenblick, in dem Erkenntnisse geliefert werden. Microsoft Fabric ist nicht einfach nur ein weiteres Tool, sondern eine Plattform, die alles abdeckt: Datenaufnahme, Transformation, Speicherung, Orchestrierung und mehr. Sie werden feststellen, dass Fabric eng mit dem gesamten Microsoft-Ökosystem verbunden ist und vertraute Oberflächen sowie leistungsstarke Integrationen mit Power BI, Azure und anderen Microsoft-Diensten nutzt.

Für Unternehmen, die auf moderne Analysen setzen, ist Fabric wichtig, weil die Plattform Flexibilität, Skalierbarkeit und Governance in einem einheitlichen Paket vereint. In diesem Leitfaden erfahren Sie, wie Fabric End-to-End-Aufgaben im Data Engineering unterstützt, was die Plattform auszeichnet und welche Fähigkeiten und Techniken Ihnen den Einstieg erfolgreich machen. Sie tauchen nun in die Details einer Plattform ein, die Ihre Datenziele Wirklichkeit werden lässt, vom ersten Byte bis zum umsetzbaren Dashboard.

Grundlagen des Data Engineering in Microsoft Fabric

Data Engineering innerhalb von Microsoft Fabric geht über die reine Verwaltung von Daten hinaus. Es geht darum, Prozesse zu vereinheitlichen, die Datenqualität sicherzustellen und Erkenntnisse in großem Maßstab bereitzustellen. Hier umfasst Data Engineering das gesamte Spektrum von der Aufnahme und Bereinigung über anspruchsvolle Transformationen und Speicherstrategien bis hin zur Orchestrierung von Workflows für geschäftsfertige Ergebnisse. In Fabric verschwimmen die Grenzen zwischen ETL, ELT und Analytik, weil eine einzige Plattform Aufgaben zusammenführt, die traditionell getrennt waren.

Microsoft Fabric ist im Kern für unterschiedlichste Workloads ausgelegt. Ob Sie Daten aus operativen Datenbanken abrufen, Ereignisse in Echtzeit streamen oder umfangreiche Datensätze für Machine Learning aufbereiten, Fabric deckt alles ab. Die Plattform verbindet diese Vorgänge mit leistungsstarken Funktionen wie Data Factory für die Orchestrierung, Dataflows für die Aufbereitung und dem Lakehouse für flexible Speicherung. Diese enge Integration erspart Ihnen den Aufwand ständiger Kontextwechsel und das Zusammenfügen mehrerer Tools.

Was Fabric im Vergleich zu älteren oder auch anderen Microsoft-Lösungen (etwa dem klassischen Azure Data Factory oder getrennten Synapse-Umgebungen) auszeichnet, ist die nahtlose, kollaborative Umgebung. Versionskontrolle, Automatisierung und Workspace-Zusammenarbeit sind direkt integriert. Mit der großen Vereinheitlichung kommen jedoch neue Herausforderungen: Die zusammengeführten Grenzen können Unklarheiten bei Governance und Kosten mit sich bringen. Wenn Sie diese Herausforderungen genauer betrachten möchten und erfahren wollen, wie Fabric die Rollen und Risiken im Data Engineering verändert, sehen Sie sich diese Podcast-Folge zu Fabric, Copilot und Governance an.

Kurz gesagt: Fabric modernisiert Data Engineering, indem es Datensilos aufbricht, mühsame Schritte automatisiert und Rohdaten mit vertrauenswürdigen Analysen verbindet. Das alles geschieht in einem einzigen Ökosystem, das auf die datengetriebenen Organisationen von heute zugeschnitten ist.

Die Kernkomponenten von Microsoft Fabric für Data Engineers

Um die Leistungsfähigkeit von Microsoft Fabric zu verstehen, hilft es, die wichtigsten Bausteine und ihr Zusammenspiel für Data Engineers zu betrachten. Fabric ist nicht nur ein einzelnes Produkt, sondern ein Ökosystem aus wesentlichen Modulen, von denen jedes einen zentralen Teil der Data-Engineering-Reise abdeckt. Sie finden Werkzeuge zum Aufnehmen, Transformieren und modernen Speichern von Daten, alles unter einem Dach.

Was Fabric auszeichnet, ist die native Integration dieser Komponenten. Data Factory und Dataflows liefern die nötige Schlagkraft für Orchestrierung und Aufbereitung von Daten, während die Lakehouse-Architektur die Grundlage für einheitliche Speicherung und Analytik legt. Ergänzen Sie Fabric Pipelines und Notebooks, und Sie erhalten eine Plattform, die alles abdeckt, von Batch-Jobs über Streaming-Analysen und explorative Data Science bis hin zu automatisierten Deployments.

Diese Funktionen sind nicht isoliert. Sie greifen ineinander, damit Teams sich auf Erkenntnisse statt auf das Jonglieren mit Werkzeugen konzentrieren können. Für einen tieferen Einblick in Komponenten wie Fabric Notebooks oder das Lakehouse-Fundament lohnen sich Einführungen wie dieser Leitfaden zum Data Lakehouse in Fabric und der Deep Dive zu Fabric Notebooks.

In den nächsten Abschnitten gehen Sie auf jedes dieser Kernmodule ein und erfahren, wie sie zusammenwirken, um zuverlässige, wiederholbare und skalierbare Datentechnik in Microsoft Fabric zu ermöglichen.

Data Factory und Dataflows in Fabric

• Data Factory: Mit Data Factory in Fabric erstellen, planen und verwalten Sie komplexe Pipelines für Datenverschiebung und -transformation. Sie unterstützt die Orchestrierung von Aufgaben über Cloud- und lokale Quellen hinweg, automatisiert ETL/ELT-Routinen und bietet von Haus aus Hunderte von Konnektoren.
• Dataflows: Dataflows vereinfachen das Aufnehmen und Vorbereiten von Daten über eine visuelle Low-Code-Oberfläche. Sie können Spalten zuordnen, Transformationen anwenden und Datensätze für Analysen bereinigen. Ideal, um Daten zu formen, bevor sie im Lakehouse-Speicher landen.
• Integrationstipps: Kombinieren Sie Data Factory mit Dataflows, um sowohl umfangreiche Orchestrierung als auch die alltägliche Datenaufbereitung abzudecken. Für Dateningenieure, die diverse Quellen einbinden oder regelmäßige Aktualisierungen automatisieren möchten, deckt diese Kombination die meisten Szenarien zur Datenaufnahme zuverlässig ab.
• Wenn Sie nach vertiefenden Strategien zur Datenaufnahme suchen, schauen Sie unter dieser M365.fm-Ressource nach Aktualisierungen und neuen Erkenntnissen. Relevante Podcast-Episoden können fehlende Dokumentation ergänzen.

Lakehouse-Architektur und Speicher-Grundlagen

Im Zentrum von Microsoft Fabric steht das Lakehouse, ein Ansatz, der die Stärken von Data Lakes und Data Warehouses vereint. Im Fabric-Lakehouse können Sie strukturierte, semistrukturierte und unstrukturierte Daten in einer einzigen, skalierbaren Speicherebene aufnehmen. Alle Daten landen in offenen Dateiformaten und sind damit bereit für Analysen, maschinelles Lernen oder Visualisierung, ohne dass Sie sich um Datensilos oder starre Schemas sorgen müssen.

Daten werden in Tabellen, Ordnern und logischen Ebenen organisiert. Das unterstützt alles von einfacher Exploration bis hin zu leistungsstarker Verarbeitung. Das Lakehouse-Design erlaubt es, Speicher und Rechenleistung unabhängig voneinander zu skalieren, egal ob Sie Petabytes verarbeiten oder kleine tägliche Datenmengen aufnehmen. Wenn Sie eine Einführung wünschen, lesen Sie diese Einführung in das Microsoft Fabric Data Lakehouse mit den grundlegenden Konzepten.

Fabric-Pipelines für die Datenorchestrierung

• Batch-Automatisierung: Pipelines automatisieren wiederkehrende Batch-Datenverschiebungen. Ideal für nächtliche ETL-Läufe oder das zeitgesteuerte Laden großer Datenmengen.
• Echtzeit-Workflows: Konfigurieren Sie Pipelines für die nahezu echtzeitnahe Auslösung durch Ereignisse, sodass Rohdaten sofort zu verwertbaren Ergebnissen verarbeitet werden.
• Planung und Überwachung: Fabric unterstützt die einfache Planung von Pipelines und bietet integrierte Überwachung mit Warnungen und Protokollen, damit Sie Ihre Datenflüsse im Blick behalten.
• Ereignisgesteuerte Logik: Lösen Sie Pipeline-Schritte durch Systemereignisse oder Datenänderungen aus. So bleiben Workflows reaktionsschnell und effizient.
• Einen detaillierten Leitfaden zu Batch- und Streaming-Mustern finden Sie im Fabric Streaming Analytics Guide.

Workspace-Verwaltung und Zusammenarbeit in Fabric

• Workspace-Organisation: Fabric-Arbeitsbereiche helfen Ihnen, Projekte nach Teams, Abteilungen oder Anwendungsfällen zu gliedern. So bleiben Elemente übersichtlich und der Zugriff lässt sich steuern.
• Zugriffsstrategien: Weisen Sie Benutzern Rollen zu, um Berechtigungen klar zu verwalten. So erhalten Dateningenieure, Analysten und Administratoren jeweils die passende Zugriffsebene.
• Integrierte Zusammenarbeit: Arbeitsbereiche bieten Werkzeuge für die Versionierung von Code, gemeinsame Bearbeitung von Notebooks, Kommentare zu Elementen und die Freigabe von Inhalten. Das fördert echte Teamarbeit.
• Best Practices: Nutzen Sie getrennte Entwicklungs-, Test- und Produktions-Workspaces, um Bereitstellungen zu steuern und Änderungen zu prüfen, bevor sie geschäftskritische Systeme erreichen.
• Weitere Informationen zu Workflows mit mehreren Benutzern und kollaborativen Funktionen finden Sie unter Best Practices für die Zusammenarbeit in Fabric.

End-to-End-Lebenszyklus der Datentechnik in Fabric

Microsoft Fabric deckt nicht nur einen Teil des Datenpuzzles ab. Die Plattform unterstützt den gesamten Engineering-Lebenszyklus, von der Rohdatenaufnahme bis zur Bereitstellung vertrauenswürdiger Analysen. Sie müssen nicht zwischen Werkzeugen wechseln oder anfällige Integrationen zusammenschustern. Stattdessen erstellen Sie mit Fabric Datenpipelines, die Informationen aus beliebigen Quellen einbinden, robuste Transformationen anwenden und die Datenqualität durchgehend prüfen.

Sobald Ihre Daten aufbereitet sind, unterstützt Fabric automatisierte Test-, Versionierungs- und Bereitstellungsroutinen. Überwachungswerkzeuge und Warnmeldungen verfolgen Aufträge nach und erkennen Probleme, bevor sie zu einem Ärgernis werden. Das Beste daran: Der gesamte Lebenszyklus findet in einem einheitlichen Arbeitsbereich statt. Dadurch ist es kaum möglich, dass Datendrift oder Fehler unbemerkt durchrutschen.

Wenn Sie wissen möchten, wie Fabric das Datenlebenszyklusmanagement von Anfang bis Ende abbildet, bietet der Leitfaden Fabric Data Lifecycle Management einen guten Überblick. In den folgenden Abschnitten gehen wir gezielt auf die praktischen Details ein: Aufnahme und Transformation von Daten, Sicherstellung der Datenqualität, Bereitstellung von Pipelines und den Aufbau einer belastbaren Überwachung. Dabei betrachten wir jeweils, wie Fabric diese Aufgaben umsetzt.

Datenaufnahme, Transformation und Qualitätssicherung

• Aufnahmeoptionen: Nutzen Sie Data Factory, Dataflows oder direkte API-Verbindungen für eine flexible Datenaufnahme aus unterschiedlichen Quellen.
• Transformationen: Wenden Sie Geschäftsregeln, Zuordnungen und Bereinigungsroutinen mit visuellen Dataflows oder codebasierten Notebooks an.
• Qualitätsprüfungen: Aktivieren Sie die integrierten Werkzeuge zur Datenvalidierung, um Duplikate, Anomalien oder Werte außerhalb des zulässigen Bereichs zu erkennen.
• Automatisierung: Planen Sie Aufträge oder erstellen Sie ereignisgesteuerte Trigger für kontinuierliche Aufnahme- und Transformationszyklen.
• Weiterführende Informationen: Aktuelle Strategien finden Sie unter Microsoft Fabric Data Quality und in den verwandten Links.

Testen, Bereitstellung und Überwachung in Microsoft Fabric

• Automatisiertes Testen: Nutzen Sie integrierte Werkzeuge oder CI-Pipelines, um Dataflows und Notebooks vor dem Produktivbetrieb zu validieren. Unit-Tests und Datenstichproben prüfen auf Logikfehler und Regressionen.
• CI/CD-Bereitstellung: Binden Sie Azure DevOps oder GitHub ein, um Ihre Fabric-Ressourcen nahtlos zu versionieren, zu überprüfen und automatisiert bereitzustellen. Vorlagen ermöglichen wiederholbare, governance-konforme Rollouts.
• Überwachung: Integrierte Dashboards und Warnmeldungen überwachen den Abschluss von Ausführungen, Auftragsfehler und Leistungsprobleme. So beheben Sie Störungen, bevor sie sich ausbreiten.
• Iterative Entwicklung: Nutzen Sie Feature-Branches und das Staging im Arbeitsbereich, um neue Funktionen in Ihren Datenpipelines sicher zu entwickeln, zu testen und zu übernehmen.
• Weiterführende Lektüre: Mehr zu CI/CD mit Azure DevOps erfahren Sie hier. Eine Checkliste zur Fehlerbehebung finden Sie unter Fabric Troubleshooting Checklist.

Data Governance, Sicherheit und Datenschutz in Fabric

Der Schutz von Daten ist in Microsoft Fabric keine Nebenaufgabe. Er zieht sich durch den gesamten Engineering-Prozess. Ob Sie gerade ein Projekt beginnen oder Produktivlasten betreiben: Data Engineers sind dafür verantwortlich, die richtigen Kontrollen und Richtlinien anzuwenden. Die Governance-Funktionen von Fabric ermöglichen es, Zugriffe zu verwalten, Richtlinien durchzusetzen, sensible Informationen zu verschlüsseln und Aktivitäten zu auditieren, und das alles unter Einhaltung globaler Vorschriften.

Rollenbasierte Zugriffssteuerung ist fest in die Verwaltung von Arbeitsbereichen integriert. Feinkörnige Richtlinieneinstellungen ermöglichen es Ihnen, Aktionen einzuschränken, Daten zu maskieren oder Berichte zu automatisieren. Sicherheit bedeutet aber nicht nur, alles abzuriegeln. Sie bedeutet auch reibungslose Zusammenarbeit und eine schnelle Durchsetzung von Richtlinien. Wenn Sie einen großen Überblick über die Strategie suchen, werfen Sie einen Blick auf die sich wandelnde Landschaft der Unternehmens-Governance unter diesem Link zur Governance-Strategie. Dort beschäftigen sich aktuelle Podcasts mit Copilot, KI und Risiken in der Microsoft-Welt.

Die folgenden Abschnitte gehen detailliert auf rollenbasierten Zugriff und die Durchsetzung von Richtlinien ein und beleuchten anschließend, wie Fabric Datenschutzstandards von der DSGVO bis HIPAA unterstützt. Sie erfahren, wie Sie diese Funktionen nutzen, um Ihre Pipelines abzusichern und Ihre Organisation sowohl vor Datenlecks als auch vor Compliance-Problemen zu schützen.

Rollenbasierter Zugriff und Durchsetzung von Richtlinien

• Benutzerrollen: Weisen Sie Benutzern Rollen wie Admin, Contributor oder Viewer zu, um festzulegen, was jedes Teammitglied innerhalb eines Arbeitsbereichs tun darf.
• Berechtigungszuweisungen: Legen Sie Berechtigungen auf Zeilen- oder Tabellenebene fest und passen Sie den Zugriff gezielt an die Anforderungen der Benutzer oder die Sensibilität des Projekts an.
• Richtliniendefinitionen: Nutzen Sie Datenrichtlinien, um die Zugriffsüberprüfung zu automatisieren, sensible Vorgänge einzuschränken und Regeln für die Aufbewahrung oder Löschung von Daten durchzusetzen.
• Compliance-Abgleich: Überprüfen Sie Berechtigungen und Richtlinien regelmäßig, um sie an die Anforderungen Ihrer Organisation bzw. gesetzliche Vorgaben anzupassen, und nutzen Sie nach Möglichkeit automatisierte Tools.
• Weitere Informationen zu Zugriffsstrategien finden Sie unter Fabric User Permissions, Tipps zur Durchsetzung von Richtlinien unter Fabric Policy Enforcement.

Anforderungen an Datenschutz und Compliance

• Verschlüsselung: Fabric setzt sowohl die Verschlüsselung während der Übertragung als auch die Verschlüsselung im Ruhezustand ein, um Daten während der Übertragung und bei der Speicherung zu schützen.
• Audit-Protokollierung: Erfassen Sie jeden Zugriff und jede Änderung mit detaillierten Protokollen für die behördliche Berichterstattung und die Reaktion auf Sicherheitsvorfälle.
• Datenmaskierung: Verbergen oder verschleiern Sie sensible Datenelemente wie personenbezogene Daten (PII), sodass unbefugte Einsichtnahmen blockiert werden, selbst wenn Benutzer Datensätze im Detail sehen können.
• Regulatorische Bereitschaft: Fabric bietet integrierte Tools und Workflows, die die Einhaltung der DSGVO, HIPAA und branchenspezifischer Standards unterstützen.
• Benötigen Sie Details zum Datenschutz? Lesen Sie Fabric Securing Sensitive Data und achten Sie auf Aktualisierungen, falls sich Ihre Compliance-Anforderungen weiterentwickeln.

Optimierung und Fehlerbehebung bei Data-Engineering-Workloads

Microsoft Fabric übernimmt im Hintergrund vieles automatisch, doch für maximale Leistung bei gleichzeitiger Kostenkontrolle sind weiterhin Fachwissen und Erfahrung erforderlich. Data Engineers benötigen Strategien zur Optimierung des Speichers, zur Beschleunigung von Abfragen und zur bestmöglichen Nutzung der Rechenressourcen der Plattform. Wenn es nicht wie geplant läuft, können Funktionen zur Fehlerbehebung und Community-Ressourcen Stunden der Suche ersparen.

Zu den wichtigsten Optimierungsansätzen gehören die Feinabstimmung der Partitionierung, die Nutzung von Caching und die Wahl der passenden Compute-Einstellungen für jeden Auftrag. Die Leistung der Pipelines im Blick zu behalten und Protokolle auszuwerten, zahlt sich aus, da sich so unerwartet hohe Kosten und Ausfallzeiten reduzieren lassen. Für aktuelle Empfehlungen, praxisnahe Abstimmung und Schritt-für-Schritt-Anleitungen zur Fehlerbehebung lohnt sich ein Blick in Leistungsoptimierung in Fabric und Tipps zur Kostenoptimierung.

Die folgenden Abschnitte enthalten konkrete Schritte, mit denen Sie den größtmöglichen Nutzen aus Fabric ziehen, sowie Checklisten zur Fehlerbehebung, mit denen sich die häufigsten Probleme im Betrieb schnell lösen lassen.

Techniken zur Leistungsoptimierung und Kostenoptimierung

• Daten partitionieren: Teilen Sie große Tabellen in kleinere Partitionen auf, um die Abfragegeschwindigkeit und die Effizienz paralleler Verarbeitung zu erhöhen.
• Caching nutzen: Verwenden Sie In-Memory-Caching, um wiederholte Lesezugriffe auf den Speicher zu minimieren, insbesondere bei häufig genutzten Datensätzen.
• Compute richtig dimensionieren: Wählen Sie Compute-Cluster, die zu den Anforderungen der Workloads passen: Skalieren Sie bei aufwendigen Aufträgen nach oben und bei leichteren Workloads nach unten, um Kosten zu sparen.
• Ressourcennutzung überwachen: Überprüfen Sie Dashboard-Metriken regelmäßig und passen Sie die Konfigurationen an, um eine Überdimensionierung oder eine Unterauslastung zu vermeiden.
• Weitere Tipps zum Senken der Kosten finden Sie unter Fabric Cost Optimization Tips.

Häufige Probleme und Tipps zur Fehlerbehebung

• Verbindungsfehler: Prüfen Sie Anmeldedaten und Netzwerkregeln für Quell- und Zielsysteme; sehen Sie in den Protokollen nach detaillierten Fehlermeldungen.
• Pipeline-Fehler: Analysieren Sie fehlgeschlagene Pipeline-Läufe, indem Sie die Ausgaben einzelner Schritte prüfen und die integrierten Funktionen für Wiederholungen und Abhängigkeiten nutzen.
• Warnungen zur Datenqualität: Beheben Sie Fehler bei der Transformation und Abweichungen im Schema, indem Sie das Mapping aktuell halten und Validierungsschritte einsetzen.
• Leistungsengpässe: Identifizieren Sie langsame Workloads, indem Sie Auftragsmetriken überwachen, und passen Sie Partitionierung, Caching oder Compute-Auswahl entsprechend an.
• Schritt-für-Schritt-Anleitungen zur Fehlerbehebung finden Sie unter Fabric Errors & Common Issues und in der Fabric Troubleshooting Checklist.

Integration von Fabric Data Engineering mit Power BI und Azure

Ein wesentlicher Vorteil von Microsoft Fabric ist die enge Integration mit Power BI und den leistungsstarken Datendiensten von Azure. Sobald Sie Ihre Datenpipelines und den Lakehouse-Speicher in Fabric aufgebaut haben, lassen sich Übergaben an Unternehmensvisualisierungen oder Data-Science-Anwendungen in der Cloud nahezu nahtlos umsetzen. Dataflows, kuratierte Tabellen und analytische Modelle sind nur einen Schritt von den Power-BI-Dashboards entfernt, auf die Fachanwender täglich angewiesen sind.

Die Integration mit Power BI ist nicht nur eine Frage der Bequemlichkeit. Data Engineers können semantische Modelle direkt aus dem Lakehouse von Fabric bereitstellen. So bleiben die fachlichen Definitionen synchron und Datendrift wird reduziert. Gleichzeitig können Datenprodukte in Fabric die erweiterten Analysen, ML- und KI-Dienste von Azure speisen, für tiefere, prognostische Erkenntnisse. Für alle, die operatives Reporting mit KI-gestützter Datenanalyse verbinden, vereinfachen diese Übergaben selbst komplexe Workflows.

Wenn Sie mehr über diese Integrationen erfahren möchten, etwa über das Verschieben von Daten zwischen Umgebungen und Best Practices für die Modellierung, sehen Sie sich Ressourcen wie Power BI Integrations with Fabric an und die Einblicke unter Microsoft Fabric Data Architectures.

Microsoft Fabric Data Engineering: Best Practices und nächste Schritte

• Robuste Governance etablieren: Definieren Sie klare Rollen, setzen Sie Richtlinien durch und automatisieren Sie Audit-Protokolle, um compliant zu bleiben und Risiken zu minimieren.
• Mit modularen Pipelines beginnen: Zerlegen Sie komplexe Aufträge mit Data Factory und Dataflows in handhabbare Teile, damit sich Fehlerbehebung und Upgrades einfach durchführen lassen.
• Datenqualität priorisieren: Fügen Sie in jeder Phase Validierung und Überwachung hinzu. Warten Sie nicht, bis Fehler in Berichten auftauchen.
• Tests und Bereitstellung automatisieren: Nutzen Sie CI/CD-Pipelines und Staging-Arbeitsbereiche, damit Releases planbar und umkehrbar bleiben.
• Mit der Community in Austausch treten: Bleiben Sie über Updates auf dem Laufenden, treten Sie Foren bei und nutzen Sie Ressourcen wie Fabric Community Resources und Microsoft Fabric Best Practices.
• Roadmaps im Blick behalten: Verfolgen Sie Fabric Updates and Roadmap, um neue Funktionen oder Änderungen frühzeitig zu erkennen.
• Selbst ausprobieren: Testen Sie Beispiele, Pilotprojekte oder Sandbox-Umgebungen, um das Gelernte anzuwenden, und vertiefen Sie Ihre Kenntnisse laufend mit den sich weiterentwickelnden Microsoft-Fabric-Werkzeugen.