M365Con 2027 – die kostenlose Online-Konferenz · 11–22 Jan 2027 · 120 sessions m365con.net

Blog · Mirko Peters

Was ist ein semantisches Modell in Fabric? Lakehouse, Warehouse, Data Factory und Grundlagen der Sicherheit

Von ·

Eine verständliche Erklärung des semantischen Modells in Microsoft Fabric und seines Zusammenspiels mit dem Lakehouse, dem Warehouse, Data Factory und den Sicherheitsebenen von Fabric, basierend auf Microsoft Learn.

Automatisch mit KI aus dem Originalbeitrag übersetzt. Englisches Original lesen

Ein semantisches Modell in Fabric ist die Ebene, die rohe Tabellen in etwas verwandelt, das Berichte nutzen können. Microsoft Learn beschreibt ein semantisches Power BI-Modell als Datenquelle, die für Berichte und Visualisierungen aufbereitet ist. Es setzt auf Daten in einem Lakehouse, einem Warehouse oder einer anderen Quelle auf und ergänzt Beziehungen, Berechnungen und Sicherheitsregeln. Dieser Artikel erklärt diese Ebene und danach die Bausteine rundherum: das Lakehouse, das Warehouse, Data Factory und das Sicherheitsmodell.

Das Wichtigste in Kürze

  • Ein semantisches Modell sind Daten, die für Berichte bereitstehen. Es enthält Daten oder Abfragen, das Modelldesign (Beziehungen, Berechnungen) und optionale Regeln für die Sicherheit auf Zeilenebene.
  • Ein Lakehouse verarbeitet strukturierte und unstrukturierte Daten mit Spark. Ein Warehouse basiert auf T-SQL und unterstützt Transaktionen über mehrere Tabellen. Beide speichern Delta-Tabellen in OneLake.
  • Jedes Lakehouse erhält einen schreibgeschützten SQL-Analyseendpunkt. Seit dem 5. September 2025 wird mit einem Lakehouse kein Standard-Semantikmodell mehr automatisch erstellt.
  • Data Factory in Fabric verschiebt, transformiert und orchestriert Daten mit Kopiervorgängen, Dataflow Gen2, Spiegelung und Pipelines.
  • Fabric authentifiziert jede Anforderung über Microsoft Entra ID und steuert den Zugriff über Arbeitsbereichsrollen, Elementberechtigungen, Sicherheit auf Datenebene und Vertraulichkeitsbezeichnungen.

Ein Hinweis zu den Quellen: Die Power BI-Seite, die für die Definition des semantischen Modells herangezogen wurde, erwähnt Direct Lake und den früheren Namen semantischer Modelle nicht. Deshalb behandelt dieser Artikel sie nicht.

Was ein semantisches Modell enthält

Microsoft Learn nennt drei Bestandteile eines semantischen Modells:

  • Daten. Semantische Modelle können importierte Daten speichern, Pass-through-Abfragen an die zugrunde liegenden Quellen senden oder beides tun.
  • Modelldesign. Dazu gehören Datenaufbereitungsabfragen, Beziehungen und Berechnungen.
  • Regeln für Sicherheit auf Zeilenebene (Row-Level Security, RLS). Modelle können RLS erzwingen, um den Datenzugriff für bestimmte Benutzer zu filtern.

Die Seite beschreibt außerdem, wie Modelle erstellt und aktuell gehalten werden. Sie können sich mit einem vorhandenen Modell verbinden, eine Power BI Desktop-Datei hochladen, eine Excel-Arbeitsmappe oder CSV-Datei hochladen oder die Push- bzw. Streaming-APIs verwenden. In Power BI Desktop entwickelte Modelle nutzen einen von drei Speichermodi: Import, DirectQuery oder Composite. Importmodelle müssen aktualisiert werden, um aktuell zu bleiben. Die Aktualisierung erfolgt im Power BI-Dienst nach Zeitplan oder bei Bedarf. Wenn eine Quelle nicht direkt über das Internet erreichbar ist, müssen Gateways eingesetzt werden.

Lakehouse: Dateien und Tabellen an einem Ort

Laut Microsoft Learn kombiniert ein Lakehouse in Fabric die Skalierbarkeit eines Data Lake mit den Abfragemöglichkeiten eines Warehouse. Es gliedert Daten in zwei oberste Ordner: Tables für verwaltete Delta-Tabellen und Files für unstrukturierte oder Nicht-Delta-Daten. Delta Lake bietet ACID-Transaktionen, Schemaerzwingung und Time Travel.

Wenn Sie ein Lakehouse erstellen, generiert Fabric einen SQL-Analyseendpunkt. Dieser ist schreibgeschützt und zeigt nur Delta-Tabellen an, einschließlich Delta-Tabellen, auf die über OneLake-Verknüpfungen zugegriffen wird. Parquet- oder CSV-Dateien erscheinen erst, wenn Sie sie in Delta konvertieren. Über den Endpunkt können Sie ein Power BI-Semantikmodell erstellen.

Microsoft kündigt außerdem eine Änderung an: Seit dem 5. September 2025 werden standardmäßige Semantikmodelle nicht mehr automatisch zusammen mit einem Lakehouse erstellt. Bestehende Modelle sind bis zum 30. November 2025 zu eigenständigen Semantikmodellen geworden. In der Praxis erstellen und benennen Sie das Semantikmodell nun selbst.

Warehouse: T-SQL und Transaktionen

Das Fabric Data Warehouse wird als relationales Warehouse im Unternehmensmaßstab beschrieben, das auf einer Data-Lake-Basis aufsetzt. Die Daten werden als Delta-Tabellen gespeichert. Die Entwicklung erfolgt überwiegend mit T-SQL und unterstützt ACID-Transaktionen über mehrere Tabellen, materialisierte Sichten, Funktionen und gespeicherte Prozeduren. Speicher und Rechenleistung sind getrennt.

Learn nennt zwei Elemente für die Datenspeicherung:

| Element | Funktion | |---|---| | Warehouse | Vollständige Transaktionsunterstützung, einschließlich DDL und DML | | SQL-Analyseendpunkt | Kann Datenobjekte abfragen, aber die Daten nicht ändern. Wird für jedes Lakehouse automatisch erstellt. |

Welches sollten Sie wählen?

Die Empfehlung von Microsoft fällt knapp aus. Ein Warehouse eignet sich für eine Lösung im Unternehmensmaßstab mit minimalem Setup und wenig Leistungsoptimierung und funktioniert am besten mit strukturierten und semistrukturierten Daten. Ein Lakehouse eignet sich für große Mengen unstrukturierter Daten aus verschiedenen Quellen, besonders wenn Spark das Hauptwerkzeug ist. Die Lakehouse-Seite ergänzt, dass Transaktionen über mehrere Tabellen nicht unterstützt werden, ein Warehouse dagegen schon. Beide speichern Delta-Daten auf OneLake und verwenden dieselbe SQL-Engine für T-SQL-Abfragen.

Data Factory in Fabric

Learn bezeichnet Data Factory in Microsoft Fabric als die nächste Generation von Azure Data Factory. Sie verbindet sich mit mehr als 170 Datenquellen und deckt Verschieben, Transformation und Orchestrierung ab:

| Aufgabe | Elemente | |---|---| | Verschieben | Kopieraufgabe (die bevorzugte Lösung für vereinfachtes Verschieben), Kopieraktivität, Spiegelung | | Transformieren | Dataflow Gen2 mit über 300 Transformationen, Pipeline-Aktivitäten, dbt-Auftrag | | Orchestrieren | Pipelines mit Schleifen, Bedingungen, Zeitplänen und Ereignisauslösern sowie Apache Airflow |

Die Spiegelung erstellt eine nahezu echtzeitfähige Replik einer operativen Datenbank innerhalb von OneLake. Laut der Seite entspricht das SLA für Fabric-Pipelines dem SLA für Pipelines in Azure Data Factory. Für die vollständige Liste der Unterschiede verweist die Seite jedoch auf einen separaten Leitfaden, den ich hier nicht gelesen habe.

Fabric-Sicherheit in Ebenen

Die Übersicht zur Fabric-Sicherheit beschreibt diese Ebenen:

  1. Authentifizierung. Jede Anfrage wird mit Microsoft Entra ID authentifiziert. Bedingter Zugriff kann zusätzliche Kontrollen hinzufügen, etwa MFA oder Standortbeschränkungen.
  2. Mandanteneinstellungen. Administratoren steuern Funktionen für die gesamte Organisation und können sie an Kapazitäten, Arbeitsbereiche und Domänen delegieren.
  3. Arbeitsbereichsrollen. Arbeitsbereiche sind die wichtigste Zugriffsgrenze. Administratoren, Mitglieder und Mitwirkende können alle Elemente verwenden. Anzeigende haben keinen OneLake-Zugriff.
  4. Elementberechtigungen. Benutzer ohne Arbeitsbereichsrolle können ein freigegebenes Element mit eingeschränktem Zugriff erhalten.
  5. Sicherheit auf Datenebene. Sicherheit auf Zeilen-, Spalten- und Objektebene begrenzt, was Anzeigende sehen. Ruhende Daten in OneLake sind verschlüsselt.
  6. Netzwerksicherheit. Private Links blockieren den öffentlichen Zugriff und beschränken den Zugriff auf ein virtuelles Netzwerk. Verwaltete private Endpunkte ermöglichen sichere Verbindungen zu Datenquellen, ohne diese dem öffentlichen Netzwerk auszusetzen.
  7. Vertraulichkeitsbezeichnungen. Microsoft Purview-Bezeichnungen folgen den Daten von Element zu Element und bleiben beim Export nach PBIX, Excel, PowerPoint und PDF erhalten.

Die Tabelle der Seite besagt, dass Anzeigende alle Elemente im Arbeitsbereich sehen, aber keinen OneLake-Zugriff haben. Für das genaue Verhalten prüfen Sie die Seite zum Berechtigungsmodell.

Ein einfacher Einstieg

  1. Laden Sie Rohdaten in ein Lakehouse, etwa mit einer Kopieraufgabe, einer Pipeline oder einem Dataflow Gen2.
  2. Verwenden Sie den SQL-Analyseendpunkt für T-SQL-Prüfungen oder ein Warehouse, wenn Sie vollständige T-SQL-Schreibvorgänge und Transaktionen benötigen.
  3. Erstellen Sie ein Semantikmodell mit Beziehungen, Berechnungen und RLS.
  4. Erstellen Sie Berichte auf Basis des Modells, und prüfen Sie Arbeitsbereichsrollen und Bezeichnungen, bevor Sie sie freigeben.

Verwandte Themen

Quellen

FAQ

Was ist ein semantisches Modell in Fabric?

Microsoft Learn beschreibt semantische Power BI-Modelle als Datenquelle, die für Berichte und Visualisierungen aufbereitet ist. Ein Modell kann importierte Daten speichern, Pass-through-Abfragen an die Quelle senden oder beides. Außerdem enthält es das Modelldesign mit Datenaufbereitungsabfragen, Beziehungen und Berechnungen und kann die Sicherheit auf Zeilenebene erzwingen.

Erhalte ich bei einem neuen Lakehouse noch ein Standard-Semantikmodell?

Nein. Laut der Microsoft Learn-Seite zum Lakehouse werden seit dem 5. September 2025 beim Erstellen eines Lakehouse keine Standard-Semantikmodelle mehr automatisch angelegt. Bestehende Standard-Semantikmodelle wurden bis zum 30. November 2025 von ihren übergeordneten Elementen getrennt und sind seitdem eigenständige semantische Modelle.

Sollte ich ein Lakehouse oder ein Warehouse wählen?

Laut Microsoft Learn wählen Sie ein Warehouse für eine unternehmensweite Lösung mit einem offenen Standardformat, minimalem Setup und wenig Feinabstimmung. Ein Lakehouse eignet sich für große Mengen unstrukturierter Daten aus unterschiedlichen Quellen, besonders wenn Spark Ihr Hauptwerkzeug ist. Beide nutzen dieselbe SQL-Engine für T-SQL-Abfragen, und Sie können das jeweils andere Element später ergänzen.

Was ist der SQL-Analyseendpunkt?

Microsoft Learn zufolge erstellt Fabric beim Anlegen eines Lakehouse automatisch einen SQL-Analyseendpunkt. Dieser ist schreibgeschützt, ermöglicht die Abfrage von Delta-Tabellen mit T-SQL und erlaubt es, darauf ein semantisches Power BI-Modell aufzubauen. Darin erscheinen ausschließlich Delta-Tabellen.

Wie geht Fabric mit Sicherheit um?

Die Sicherheitsübersicht von Microsoft Learn beschreibt mehrere Ebenen: die Authentifizierung über Microsoft Entra ID, Verwaltungseinstellungen auf Mandantenebene, Arbeitsbereichsrollen, Elementberechtigungen, OneLake-Sicherheit, Sicherheit auf Zeilen-, Spalten- und Objektebene, Netzwerksteuerungen sowie Vertraulichkeitsbezeichnungen in Purview, die Daten von Element zu Element begleiten.

Entitäten in diesem Artikel

Themen dieses Artikels:

Microsoft Fabric – Analyse- und BI-Werkzeug von Microsoft Semantisches Modell – Konzept Fabric lakehouse – Produkt Fabric Data Warehouse – Produkt

Verwandte Artikel

Weitere Artikel zu Microsoft Fabric:

RSS