¿Qué es un modelo semántico en Fabric? Lakehouse, Warehouse, Data Factory y nociones básicas de seguridad
Por Mirko Peters ·
Una explicación sencilla del modelo semántico en Microsoft Fabric y de cómo se relaciona con el lakehouse, el warehouse, Data Factory y las capas de seguridad de Fabric, basada en Microsoft Learn.
Traducido automáticamente con IA a partir de la publicación original. Lee el original en inglés
Un modelo semántico en Fabric es la capa que convierte tablas sin procesar en algo que los informes pueden usar. Microsoft Learn describe un modelo semántico de Power BI como una fuente de datos lista para informes y visualización. Se sitúa encima de los datos de un lakehouse, un warehouse u otro origen, y añade relaciones, cálculos y reglas de seguridad. Este artículo explica esa capa y, después, las piezas que la rodean: el lakehouse, el warehouse, Data Factory y el modelo de seguridad.
Puntos clave
- Un modelo semántico son datos preparados para informes. Contiene datos o consultas, el diseño del modelo (relaciones, cálculos) y reglas opcionales de seguridad a nivel de fila.
- Un lakehouse trabaja con datos estructurados y no estructurados mediante Spark. Un warehouse se basa en T-SQL y admite transacciones de varias tablas. Ambos almacenan tablas Delta en OneLake.
- Cada lakehouse tiene un punto de conexión de análisis SQL de solo lectura. Desde el 5 de septiembre de 2025, al crear un lakehouse ya no se crea automáticamente un modelo semántico predeterminado.
- Data Factory en Fabric mueve, transforma y orquesta datos mediante trabajos de copia, Dataflow Gen2, duplicación (mirroring) y canalizaciones.
- Fabric autentica cada solicitud con Microsoft Entra ID y controla el acceso mediante roles de área de trabajo, permisos de elemento, seguridad a nivel de datos y etiquetas de confidencialidad.
Una nota sobre las fuentes: la página de Power BI consultada para la definición del modelo semántico no menciona Direct Lake ni el nombre anterior de los modelos semánticos, por lo que este artículo no los trata.
Qué contiene un modelo semántico
Microsoft Learn enumera tres elementos que contiene un modelo semántico:
- Datos. Los modelos semánticos pueden almacenar datos importados, emitir solicitudes de consulta de paso a través a los orígenes subyacentes o hacer ambas cosas.
- Diseño del modelo. Incluye las consultas de preparación de datos, las relaciones y los cálculos.
- Reglas de seguridad a nivel de fila (RLS). Los modelos pueden aplicar RLS para filtrar el acceso a los datos de determinados usuarios.
La página también describe cómo se crean los modelos y cómo se mantienen actualizados. Puedes conectarte a un modelo existente, cargar un archivo de Power BI Desktop, cargar un libro de Excel o un archivo CSV, o usar las API de inserción o de streaming. Los modelos desarrollados en Power BI Desktop usan uno de tres modos de almacenamiento: Importación, DirectQuery o Compuesto. Los modelos de importación necesitan actualizarse para mantenerse al día, y se actualizan según una programación o bajo demanda en el servicio Power BI. Necesitan puertas de enlace cuando el origen no es accesible directamente desde Internet.
Lakehouse: archivos y tablas en un mismo lugar
Learn indica que un lakehouse en Fabric combina la escalabilidad de un data lake con las consultas de un warehouse. Organiza los datos en dos carpetas de primer nivel: Tables para tablas Delta gestionadas y Files para datos no estructurados o que no están en formato Delta. Delta Lake aporta transacciones ACID, aplicación de esquema y viajes en el tiempo.
Al crear un lakehouse, Fabric genera un endpoint de análisis SQL. Es de solo lectura y muestra únicamente tablas Delta, incluidas las tablas Delta a las que se accede mediante accesos directos de OneLake. Los archivos Parquet o CSV no aparecen hasta que los conviertes a Delta. Desde el endpoint puedes crear un modelo semántico de Power BI.
Microsoft también anuncia un cambio: desde el 5 de septiembre de 2025, los modelos semánticos predeterminados ya no se crean automáticamente con un lakehouse, y los existentes se convirtieron en modelos semánticos independientes antes del 30 de noviembre de 2025. En la práctica, ahora creas y nombras tú mismo el modelo semántico.
Warehouse: T-SQL y transacciones
Fabric Data Warehouse se describe como un warehouse relacional a escala empresarial construido sobre una base de data lake. Los datos se almacenan como tablas Delta. El desarrollo se realiza principalmente con T-SQL, con compatibilidad para transacciones ACID de varias tablas, vistas materializadas, funciones y procedimientos almacenados. El almacenamiento y el cómputo están separados.
Learn menciona dos elementos de almacenamiento analítico:
| Elemento | Capacidad | |---|---| | Warehouse | Compatibilidad transaccional completa, incluidos DDL y DML | | Endpoint de análisis SQL | Puede consultar objetos de datos, pero no modificar los datos. Se genera automáticamente para cada lakehouse. |
Cuál elegir
La recomendación de Microsoft es breve. Un warehouse encaja en una solución a escala empresarial con una configuración mínima y poco ajuste de rendimiento, y funciona mejor con datos estructurados y semiestructurados. Un lakehouse encaja con grandes volúmenes de datos no estructurados procedentes de distintas fuentes, sobre todo cuando Spark es la herramienta principal. La página del lakehouse añade que no admite transacciones de varias tablas, mientras que un warehouse sí. Ambos almacenan datos Delta en OneLake y utilizan el mismo motor SQL para las consultas T-SQL.
Data Factory en Fabric
Learn describe Data Factory en Microsoft Fabric como la nueva generación de Azure Data Factory. Se conecta a más de 170 orígenes de datos y cubre el movimiento, la transformación y la orquestación:
| Tarea | Elementos | |---|---| | Mover | Trabajo de copia (la solución preferida para un movimiento simplificado), actividad de copia, mirroring | | Transformar | Dataflow Gen2 con más de 300 transformaciones, actividades de pipeline, trabajo de dbt | | Orquestar | Pipelines con bucles, condicionales, programaciones y desencadenadores de eventos, además de Apache Airflow |
El mirroring crea una réplica casi en tiempo real de una base de datos operacional dentro de OneLake. La página indica que el SLA de los pipelines de Fabric es equivalente al SLA de los pipelines de Azure Data Factory, pero remite a una guía aparte para la lista completa de diferencias, que no se revisó aquí.
Seguridad de Fabric por capas
La descripción general de seguridad de Fabric describe estas capas:
- Autenticación. Cada solicitud se autentica con Microsoft Entra ID, y el acceso condicional puede añadir controles como MFA o restricciones por ubicación.
- Configuración del inquilino. Los administradores controlan las funciones de toda la organización y pueden delegarlas en capacidades, áreas de trabajo y dominios.
- Roles del área de trabajo. Las áreas de trabajo son el principal límite de acceso. Administrador, miembro y colaborador pueden usar todos los elementos. Los lectores no tienen acceso a OneLake.
- Permisos de elemento. Los usuarios sin un rol en el área de trabajo pueden recibir un elemento compartido con acceso restringido.
- Seguridad a nivel de datos. La seguridad a nivel de fila, de columna y de objeto limita lo que ven los lectores. Los datos en reposo en OneLake están cifrados.
- Seguridad de red. Los Private Link bloquean el acceso público y restringen el acceso a una red virtual. Los puntos de conexión privados administrados permiten conexiones seguras a los orígenes de datos sin exponerlos a la red pública.
- Etiquetas de confidencialidad. Las etiquetas de Microsoft Purview siguen los datos de un elemento a otro y se mantienen al exportar a PBIX, Excel, PowerPoint y PDF.
La tabla de la página indica que los lectores pueden ver todos los elementos del área de trabajo, pero no tienen acceso a OneLake. Para conocer el comportamiento exacto, consulta la página del modelo de permisos.
Una forma sencilla de empezar
- Carga los datos sin procesar en un lakehouse, usando un trabajo de copia, un pipeline o Dataflow Gen2.
- Usa el endpoint de análisis SQL para comprobaciones con T-SQL, o un warehouse si necesitas escrituras y transacciones T-SQL completas.
- Crea un modelo semántico con relaciones, cálculos y RLS.
- Crea informes basados en el modelo y revisa los roles y las etiquetas del área de trabajo antes de compartirlos.
Relacionado
Fuentes
- Microsoft Learn: Modelos semánticos de Power BI en el servicio
- Microsoft Learn: Información general sobre lakehouse en Fabric
- Microsoft Learn: Información general sobre Fabric Data Warehouse
- Microsoft Learn: Información general sobre Data Factory en Microsoft Fabric
- Microsoft Learn: Seguridad en Microsoft Fabric
Preguntas frecuentes
¿Qué es un modelo semántico en Fabric?
Microsoft Learn describe los modelos semánticos de Power BI como una fuente de datos lista para informes y visualización. Un modelo puede almacenar datos importados, emitir consultas de paso a través (pass-through) al origen o ambas cosas. También contiene el diseño del modelo, que incluye las consultas de preparación de datos, las relaciones y los cálculos, y puede aplicar seguridad a nivel de fila.
¿Sigo obteniendo un modelo semántico predeterminado al crear un lakehouse nuevo?
No. La página de Microsoft Learn sobre el lakehouse indica que, desde el 5 de septiembre de 2025, los modelos semánticos predeterminados ya no se crean automáticamente al crear un lakehouse. Los modelos semánticos predeterminados existentes se desvincularon de sus elementos principales a más tardar el 30 de noviembre de 2025 y pasaron a ser modelos semánticos independientes.
¿Debo elegir un lakehouse o un warehouse?
Según Microsoft Learn, elige un warehouse para una solución de escala empresarial con un formato de estándar abierto, configuración mínima y poco ajuste. Elige un lakehouse para grandes volúmenes de datos no estructurados procedentes de distintas fuentes, sobre todo cuando Spark es tu herramienta principal. Ambos usan el mismo motor SQL para las consultas T-SQL, y puedes añadir más adelante el otro elemento.
¿Qué es el punto de conexión de análisis SQL?
Microsoft Learn explica que Fabric genera automáticamente un punto de conexión de análisis SQL al crear un lakehouse. Es de solo lectura, permite consultar tablas Delta con T-SQL y permite crear encima un modelo semántico de Power BI. En él solo aparecen las tablas Delta.
¿Cómo gestiona Fabric la seguridad?
La descripción general de seguridad de Microsoft Learn describe varias capas: autenticación con Microsoft Entra ID, configuración de administración a nivel de inquilino, roles de área de trabajo, permisos de elemento, seguridad de OneLake, seguridad a nivel de fila, de columna y de objeto, controles de red y etiquetas de confidencialidad de Purview que siguen a los datos de un elemento a otro.