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

Blog · Mirko Peters

O que é um modelo semântico no Fabric? Lakehouse, Warehouse, Data Factory e noções básicas de segurança

By ·

Uma explicação objetiva sobre o modelo semântico no Microsoft Fabric e como ele se relaciona com o lakehouse, o warehouse, o Data Factory e as camadas de segurança do Fabric, com base na documentação do Microsoft Learn.

Automatically translated with AI from the original post. Read the English original

Um modelo semântico no Fabric é a camada que transforma tabelas brutas em algo que os relatórios podem usar. O Microsoft Learn descreve um modelo semântico do Power BI como uma fonte de dados pronta para relatórios e visualização. Ele fica sobre os dados de um lakehouse, de um warehouse ou de outra fonte, e acrescenta relacionamentos, cálculos e regras de segurança. Este artigo explica essa camada e, em seguida, as peças ao redor dela: o lakehouse, o warehouse, o Data Factory e o modelo de segurança.

Pontos-chave

  • Um modelo semântico são dados prontos para relatórios. Ele contém dados ou consultas, o design do modelo (relacionamentos, cálculos) e, opcionalmente, regras de segurança em nível de linha.
  • Um lakehouse trabalha com dados estruturados e não estruturados usando Spark. Um warehouse é baseado em T-SQL e oferece suporte a transações com várias tabelas. Ambos armazenam tabelas Delta no OneLake.
  • Cada lakehouse recebe um endpoint de análise SQL somente leitura. Desde 5 de setembro de 2025, um modelo semântico padrão não é mais criado automaticamente com um lakehouse.
  • O Data Factory no Fabric move, transforma e orquestra dados com trabalhos de cópia, Dataflow Gen2, espelhamento e pipelines.
  • O Fabric autentica cada solicitação com o Microsoft Entra ID e controla o acesso por meio de funções de workspace, permissões de item, segurança em nível de dados e rótulos de confidencialidade.

Uma observação sobre as fontes: a página do Power BI consultada para a definição de modelo semântico não menciona o Direct Lake nem o nome anterior dos modelos semânticos, por isso este artigo não os aborda.

O que um modelo semântico contém

O Microsoft Learn lista três itens que um modelo semântico contém:

  • Dados. Os modelos semânticos podem armazenar dados importados, emitir solicitações de consulta de passagem para as fontes subjacentes, ou fazer as duas coisas.
  • Design do modelo. Inclui consultas de preparação de dados, relacionamentos e cálculos.
  • Regras de segurança em nível de linha (RLS). Os modelos podem aplicar RLS para filtrar o acesso aos dados de determinados usuários.

A página também descreve como os modelos são criados e mantidos atualizados. Você pode se conectar a um modelo existente, carregar um arquivo do Power BI Desktop, carregar uma pasta de trabalho do Excel ou um arquivo CSV, ou usar as APIs de envio (push) ou de streaming. Os modelos desenvolvidos no Power BI Desktop usam um de três modos de armazenamento: Import, DirectQuery ou Composite. Modelos com Import precisam de atualização para se manterem atualizados, e são atualizados em uma programação ou sob demanda no serviço Power BI. Eles precisam usar gateways quando a fonte não é acessível diretamente pela internet.

Lakehouse: arquivos e tabelas em um só lugar

A Learn diz que um lakehouse no Fabric combina a escalabilidade de um data lake com as consultas de um warehouse. Ele organiza os dados em duas pastas de primeiro nível: Tables para tabelas Delta gerenciadas e Files para dados não estruturados ou não Delta. O Delta Lake oferece transações ACID, aplicação de esquema e time travel.

Ao criar um lakehouse, o Fabric gera um SQL analytics endpoint. Ele é somente leitura e mostra apenas tabelas Delta, incluindo tabelas Delta acessadas por meio de atalhos do OneLake. Arquivos Parquet ou CSV não aparecem até você convertê-los para Delta. A partir do endpoint, você pode criar um modelo semântico do Power BI.

A Microsoft também informa uma mudança: desde 5 de setembro de 2025, os modelos semânticos padrão não são mais criados automaticamente com um lakehouse, e os existentes se tornaram modelos semânticos independentes até 30 de novembro de 2025. Na prática, agora você mesmo cria e nomeia o modelo semântico.

Warehouse: T-SQL e transações

O Fabric Data Warehouse é descrito como um warehouse relacional em escala empresarial, construído sobre a base de um data lake. Os dados são armazenados como tabelas Delta. O desenvolvimento é feito principalmente em T-SQL, com suporte a transações ACID de múltiplas tabelas, exibições materializadas, funções e stored procedures. Armazenamento e computação são separados.

A Learn cita dois itens de warehousing:

| Item | Recurso | |---|---| | Warehouse | Suporte transacional completo, incluindo DDL e DML | | SQL analytics endpoint | Pode consultar objetos de dados, mas não modificar os dados. Gerado automaticamente para cada lakehouse. |

Qual escolher

A orientação da Microsoft é objetiva. Um warehouse é indicado para uma solução em escala empresarial com configuração mínima e pouco ajuste de desempenho, e funciona melhor com dados estruturados e semiestruturados. Um lakehouse é indicado para grandes volumes de dados não estruturados de fontes diversas, especialmente quando o Spark é a principal ferramenta. A página do lakehouse acrescenta que ele não oferece suporte a transações de múltiplas tabelas, ao contrário de um warehouse. Ambos armazenam dados Delta no OneLake e usam o mesmo mecanismo SQL para consultas T-SQL.

Data Factory no Fabric

A Learn chama o Data Factory no Microsoft Fabric de próxima geração do Azure Data Factory. Ele se conecta a mais de 170 fontes de dados e cobre movimentação, transformação e orquestração:

| Tarefa | Itens | |---|---| | Mover | Copy job (a solução preferida para movimentação simplificada), atividade de cópia, espelhamento | | Transformar | Dataflow Gen2 com mais de 300 transformações, atividades de pipeline, job dbt | | Orquestrar | Pipelines com loops, condicionais, agendamentos e gatilhos de evento, além do Apache Airflow |

O espelhamento cria uma réplica quase em tempo real de um banco de dados operacional dentro do OneLake. A página informa que o SLA dos pipelines do Fabric é equivalente ao SLA dos pipelines do Azure Data Factory, mas indica um guia separado para a lista completa de diferenças, que não foi lido aqui.

Segurança do Fabric em camadas

A visão geral de segurança do Fabric descreve estas camadas:

  1. Autenticação. Cada solicitação é autenticada com o Microsoft Entra ID, e o Acesso Condicional pode adicionar controles como MFA ou limites de localização.
  2. Configurações do locatário. Os administradores controlam os recursos de toda a organização e podem delegá-los a capacidades, workspaces e domínios.
  3. Funções no workspace. Os workspaces são o principal limite de acesso. Administrador, membro e colaborador podem usar todos os itens. Leitores não têm acesso ao OneLake.
  4. Permissões de item. Usuários sem função no workspace podem receber um item compartilhado com acesso restrito.
  5. Segurança em nível de dados. A segurança em nível de linha, de coluna e de objeto limita o que os leitores veem. Os dados em repouso no OneLake são criptografados.
  6. Segurança de rede. Private Links bloqueiam o acesso público e restringem o acesso a uma rede virtual. Os managed private endpoints permitem conexões seguras com fontes de dados sem expô-las à rede pública.
  7. Rótulos de confidencialidade. Os rótulos do Microsoft Purview acompanham os dados de item para item e são mantidos na exportação para PBIX, Excel, PowerPoint e PDF.

A tabela da página diz que os leitores podem ver todos os itens do workspace, mas não têm acesso ao OneLake. Para o comportamento exato, consulte a página do modelo de permissões.

Um jeito simples de começar

  1. Carregue os dados brutos em um lakehouse, usando um copy job, um pipeline ou um Dataflow Gen2.
  2. Use o SQL analytics endpoint para verificações em T-SQL, ou um warehouse se você precisar de gravações e transações completas em T-SQL.
  3. Crie um modelo semântico com relacionamentos, cálculos e RLS.
  4. Crie relatórios com base no modelo e revise as funções e os rótulos do workspace antes de compartilhar.

Relacionados

Fontes

Seguir o podcastApple PodcastsSpotify

Perguntas frequentes

O que é um modelo semântico no Fabric?

O Microsoft Learn descreve os modelos semânticos do Power BI como uma fonte de dados pronta para relatórios e visualização. Um modelo pode armazenar dados importados, emitir consultas de passagem (pass-through) para a fonte, ou ambos. Ele também contém o design do modelo, incluindo consultas de preparação de dados, relacionamentos e cálculos, e pode aplicar segurança em nível de linha.

Ao criar um novo lakehouse, ainda recebo um modelo semântico padrão?

Não. A página do lakehouse no Microsoft Learn informa que, desde 5 de setembro de 2025, os modelos semânticos padrão não são mais criados automaticamente ao criar um lakehouse. Os modelos semânticos padrão existentes foram desvinculados de seus itens pais até 30 de novembro de 2025 e se tornaram modelos semânticos independentes.

Devo escolher um lakehouse ou um warehouse?

De acordo com o Microsoft Learn, escolha um warehouse para uma solução em escala corporativa, com formato de padrão aberto, configuração mínima e pouco ajuste manual. Escolha um lakehouse para grandes volumes de dados não estruturados de diferentes fontes, especialmente quando o Spark é sua principal ferramenta. Ambos usam o mesmo mecanismo SQL para consultas T-SQL, e você pode adicionar o outro item depois.

O que é o endpoint de análise SQL?

O Microsoft Learn explica que o Fabric gera um endpoint de análise SQL automaticamente quando você cria um lakehouse. Ele é somente leitura, permite consultar tabelas Delta com T-SQL e permite criar um modelo semântico do Power BI sobre elas. Somente tabelas Delta aparecem nele.

Como o Fabric trata a segurança?

A visão geral de segurança do Microsoft Learn descreve camadas: autenticação com o Microsoft Entra ID, configurações administrativas no nível do locatário, funções de workspace, permissões de item, segurança do OneLake, segurança em nível de linha, de coluna e de objeto, controles de rede e rótulos de confidencialidade do Purview que acompanham os dados de item para item.

Entities in this article

Temas deste artigo:

Microsoft Fabric – Ferramenta de análise e BI da Microsoft Modelo semântico – Conceito Fabric lakehouse – Produto Fabric Data Warehouse – Produto

Related articles

Mais artigos sobre Microsoft Fabric:

RSS