M365Con 2027 – conferenza online gratuita · 11–22 Jan 2027 · 120 sessions m365con.net

Blog · Mirko Peters

Che cos'è un semantic model in Fabric? Lakehouse, Warehouse, Data Factory e nozioni di base sulla sicurezza

Di ·

Una spiegazione chiara del semantic model in Microsoft Fabric e del suo rapporto con il lakehouse, il warehouse, Data Factory e i livelli di sicurezza di Fabric, basata su Microsoft Learn.

Tradotto automaticamente con l'IA dal post originale. Leggi l'originale in inglese

Un semantic model in Fabric è il livello che trasforma le tabelle grezze in qualcosa che i report possono usare. Microsoft Learn descrive un semantic model di Power BI come una fonte di dati pronta per la creazione di report e la visualizzazione. Si appoggia sui dati di un lakehouse, di un warehouse o di un'altra origine e aggiunge relazioni, calcoli e regole di sicurezza. Questo articolo illustra proprio questo livello, e poi i componenti che gli ruotano attorno: il lakehouse, il warehouse, Data Factory e il modello di sicurezza.

Punti chiave

  • Un semantic model è un insieme di dati pronti per la creazione di report. Contiene dati o query, la struttura del modello (relazioni, calcoli) e, facoltativamente, regole di sicurezza a livello di riga.
  • Un lakehouse gestisce dati strutturati e non strutturati con Spark. Un warehouse è basato su T-SQL e supporta transazioni su più tabelle. Entrambi archiviano le tabelle Delta in OneLake.
  • Ogni lakehouse dispone di un endpoint di analisi SQL di sola lettura. Dal 5 settembre 2025, con un lakehouse non viene più creato automaticamente un semantic model predefinito.
  • Data Factory in Fabric sposta, trasforma e orchestra i dati tramite job di copia, Dataflow Gen2, mirroring e pipeline.
  • Fabric autentica ogni richiesta con Microsoft Entra ID e controlla l'accesso tramite ruoli nell'area di lavoro, autorizzazioni sugli elementi, sicurezza a livello di dati ed etichette di riservatezza.

Una nota sulle fonti: la pagina di Power BI consultata per la definizione del semantic model non menziona Direct Lake né il precedente nome dei semantic model, quindi questo articolo non li tratta.

Cosa contiene un semantic model

Microsoft Learn elenca tre elementi che un semantic model contiene:

  • Dati. I semantic model possono archiviare dati importati, inviare richieste di query pass-through alle origini sottostanti, oppure fare entrambe le cose.
  • Struttura del modello. Include query di preparazione dei dati, relazioni e calcoli.
  • Regole di sicurezza a livello di riga (RLS). I modelli possono applicare la RLS per filtrare l'accesso ai dati per determinati utenti.

La pagina descrive anche come i modelli vengono creati e mantenuti aggiornati. Puoi connetterti a un modello esistente, caricare un file di Power BI Desktop, caricare una cartella di lavoro di Excel o un file CSV, oppure usare le API push o di streaming. I modelli sviluppati in Power BI Desktop utilizzano una di tre modalità di archiviazione: Import, DirectQuery o Composite. I modelli di importazione devono essere aggiornati per restare attuali e si aggiornano secondo una pianificazione o su richiesta nel servizio Power BI. Quando l'origine non è raggiungibile direttamente da Internet, è necessario usare i gateway.

Lakehouse: file e tabelle in un unico punto

Learn dice che un lakehouse in Fabric unisce la scalabilità di un data lake con le capacità di query di un warehouse. Organizza i dati in due cartelle di primo livello: Tables per le tabelle Delta gestite e Files per i dati non strutturati o non Delta. Delta Lake offre transazioni ACID, applicazione dello schema e time travel.

Quando crei un lakehouse, Fabric genera un endpoint di analisi SQL. È di sola lettura e mostra solo le tabelle Delta, comprese quelle raggiunte tramite collegamenti di OneLake. I file Parquet o CSV non compaiono finché non li converti in Delta. Dall'endpoint puoi creare un modello semantico di Power BI.

Microsoft segnala anche una modifica: dal 5 settembre 2025 i modelli semantici predefiniti non vengono più creati automaticamente con un lakehouse, e quelli esistenti sono diventati modelli semantici indipendenti entro il 30 novembre 2025. In pratica sei tu a creare il modello semantico e a dargli un nome.

Warehouse: T-SQL e transazioni

Fabric Data Warehouse è descritto come un warehouse relazionale su scala enterprise costruito su una base di data lake. I dati sono memorizzati come tabelle Delta. Lo sviluppo avviene principalmente in T-SQL, con supporto per transazioni ACID su più tabelle, viste materializzate, funzioni e stored procedure. Archiviazione e calcolo sono separati.

Learn indica due elementi per il data warehousing:

| Elemento | Funzionalità | |---|---| | Warehouse | Supporto transazionale completo, inclusi DDL e DML | | Endpoint di analisi SQL | Può interrogare gli oggetti dati ma non modificarne i dati. Generato automaticamente per ogni lakehouse. |

Quale scegliere

Le indicazioni di Microsoft sono brevi. Un warehouse è adatto a una soluzione su scala enterprise con configurazione minima e poca messa a punto delle prestazioni, e funziona al meglio con dati strutturati e semi-strutturati. Un lakehouse è adatto a grandi volumi di dati non strutturati provenienti da fonti diverse, soprattutto quando Spark è lo strumento principale. La pagina sul lakehouse aggiunge che non supporta transazioni su più tabelle, mentre un warehouse sì. Entrambi memorizzano i dati Delta su OneLake e usano lo stesso motore SQL per le query T-SQL.

Data Factory in Fabric

Learn definisce Data Factory in Microsoft Fabric la nuova generazione di Azure Data Factory. Si connette a più di 170 origini dati e copre spostamento, trasformazione e orchestrazione:

| Attività | Elementi | |---|---| | Spostamento | Copy job (la soluzione preferita per lo spostamento semplificato), attività di copia, mirroring | | Trasformazione | Dataflow Gen2 con oltre 300 trasformazioni, attività di pipeline, job dbt | | Orchestrazione | Pipeline con cicli, condizioni, pianificazioni e trigger di evento, più Apache Airflow |

Il mirroring crea una replica quasi in tempo reale di un database operativo all'interno di OneLake. La pagina indica che lo SLA per le pipeline di Fabric è equivalente a quello delle pipeline di Azure Data Factory, ma rimanda a una guida separata per l'elenco completo delle differenze, che qui non è stata letta.

Sicurezza di Fabric a livelli

La panoramica sulla sicurezza di Fabric descrive questi livelli:

  1. Autenticazione. Ogni richiesta viene autenticata con Microsoft Entra ID, e l'accesso condizionale può aggiungere controlli come MFA o limitazioni di posizione.
  2. Impostazioni del tenant. Gli amministratori controllano le funzionalità per l'intera organizzazione e possono delegarle a capacità, aree di lavoro e domini.
  3. Ruoli nell'area di lavoro. Le aree di lavoro sono il principale confine di accesso. Amministratore, membro e collaboratore possono usare tutti gli elementi. I visualizzatori non hanno accesso a OneLake.
  4. Autorizzazioni sugli elementi. Gli utenti senza un ruolo nell'area di lavoro possono ricevere un elemento condiviso con accesso limitato.
  5. Sicurezza a livello di dati. La sicurezza a livello di riga, di colonna e di oggetto limita ciò che vedono i visualizzatori. I dati a riposo in OneLake sono crittografati.
  6. Sicurezza di rete. I Private Link bloccano l'accesso pubblico e limitano l'accesso a una rete virtuale. Gli endpoint privati gestiti consentono connessioni sicure alle origini dati senza esporle alla rete pubblica.
  7. Etichette di riservatezza. Le etichette di Microsoft Purview seguono i dati da un elemento all'altro e restano attive quando si esporta in PBIX, Excel, PowerPoint e PDF.

La tabella della pagina indica che i visualizzatori possono vedere tutti gli elementi dell'area di lavoro ma non hanno accesso a OneLake. Per il comportamento esatto, consulta la pagina sul modello di autorizzazioni.

Un modo semplice per iniziare

  1. Carica i dati grezzi in un lakehouse, usando un copy job, una pipeline o un Dataflow Gen2.
  2. Usa l'endpoint di analisi SQL per le verifiche in T-SQL, oppure un warehouse se ti servono scritture e transazioni T-SQL complete.
  3. Crea un modello semantico con relazioni, calcoli e RLS.
  4. Crea report basati sul modello e verifica ruoli e etichette dell'area di lavoro prima di condividerli.

Correlati

Fonti

Segui il podcastApple PodcastsSpotify

FAQ

Che cos'è un semantic model in Fabric?

Microsoft Learn descrive i semantic model di Power BI come una fonte di dati pronta per la creazione di report e la visualizzazione. Un modello può archiviare dati importati, inviare richieste pass-through all'origine, oppure entrambe le cose. Contiene anche la struttura del modello, che comprende query di preparazione dei dati, relazioni e calcoli, e può applicare la sicurezza a livello di riga.

Con un nuovo lakehouse ottengo ancora un semantic model predefinito?

No. La pagina di Microsoft Learn dedicata al lakehouse indica che, dal 5 settembre 2025, i semantic model predefiniti non vengono più creati automaticamente alla creazione di un lakehouse. I semantic model predefiniti esistenti sono stati separati dagli elementi padre entro il 30 novembre 2025 e sono diventati semantic model indipendenti.

Devo scegliere un lakehouse o un warehouse?

Secondo Microsoft Learn, scegli un warehouse per una soluzione su scala aziendale con formato standard aperto, configurazione minima e poca messa a punto. Scegli un lakehouse per grandi volumi di dati non strutturati provenienti da fonti diverse, soprattutto quando Spark è lo strumento principale. Entrambi usano lo stesso motore SQL per le query T-SQL e puoi aggiungere l'altro elemento in un secondo momento.

Che cos'è l'endpoint di analisi SQL?

Microsoft Learn spiega che Fabric genera automaticamente un endpoint di analisi SQL quando crei un lakehouse. È di sola lettura, consente di interrogare le tabelle Delta con T-SQL e permette di creare sopra di esso un semantic model di Power BI. Vi compaiono solo le tabelle Delta.

Come gestisce la sicurezza Fabric?

La panoramica sulla sicurezza di Microsoft Learn descrive diversi livelli: autenticazione con Microsoft Entra ID, impostazioni di amministrazione a livello di tenant, ruoli nell'area di lavoro, autorizzazioni sugli elementi, sicurezza di OneLake, sicurezza a livello di riga, di colonna e di oggetto, controlli di rete e le etichette di riservatezza di Purview, che seguono i dati da un elemento all'altro.

Entità in questo articolo

Temi di questo articolo:

Microsoft Fabric – Strumento di analisi e BI di Microsoft Modello semantico – Concetto Fabric lakehouse – Prodotto Fabric Data Warehouse – Prodotto

Articoli correlati

Altri articoli su Microsoft Fabric:

RSS