Modèles sémantiques Power BI dans Microsoft Fabric

S'applique à :✅point de terminaison d'analytique SQL, Entrepôt et Base de données miroir dans Microsoft Fabric

Dans Microsoft Fabric, les modèles sémantiques Power BI sont une description logique d’un domaine analytique, avec des métriques, une terminologie et une représentation adaptées à l’entreprise, pour permettre une analyse plus approfondie. Ce modèle sémantique est généralement un schéma en étoile constitué de faits qui représentent un domaine, ainsi que de dimensions qui vous permettent d’analyser (c’est-à-dire de décomposer) le domaine afin d’explorer, de filtrer et de calculer différentes analyses.

Microsoft a renommé le type de contenu du jeu de donnéesPower BI en modèle sémantique Power BI ou simplement en modèle sémantique. Cela s’applique également à Microsoft Fabric. Pour plus d’informations, consultez Nouveau nom pour les jeux de données Power BI. Pour en savoir plus sur les modèles sémantiques Power BI, consultez Modèles sémantiques dans le service Power BI.

Mode Direct Lake

Le mode Direct Lake est une nouvelle fonctionnalité de moteur révolutionnaire permettant d’analyser des jeux de données très volumineux dans Power BI. La technologie est basée sur l’idée de consommation de fichiers au format parquet directement depuis un lac de données, sans avoir à interroger un entrepôt ou un point de terminaison d’analytique SQL, ni à importer ou dupliquer des données dans un modèle sémantique Power BI. Cette intégration native offre un mode unique d’accès aux données à partir de l’entrepôt ou du point de terminaison d’analytique SQL, appelé Direct Lake. La vue d’ensemble de Direct Lake contient des informations supplémentaires sur ce mode de stockage pour les modèles sémantiques Power BI.

Direct Lake offre les expériences d’interrogation et de création de rapports les plus performantes. Direct Lake est un chemin d’accès rapide pour consommer les données, prêtes pour l’analyse, depuis le lac directement dans le moteur Power BI.

• En mode DirectQuery traditionnel, le moteur Power BI interroge directement les données de la source pour chaque exécution de requête, et les performances des requêtes dépendent de la vitesse de récupération des données. DirectQuery élimine la nécessité de copier des données, garantissant ainsi que toutes les modifications apportées à la source sont immédiatement répercutées dans les résultats de la requête.

• En mode Importation, les performances sont meilleures, car les données sont facilement disponibles en mémoire, sans avoir à interroger les données à partir de la source pour chaque exécution de requête. Toutefois, le moteur Power BI doit d’abord copier les données dans la mémoire, au moment de l’actualisation des données. Toutes les modifications apportées à la source de données sous-jacente sont récupérées lors de la prochaine actualisation des données.

• Le mode Direct Lake élimine l’exigence d’importation de copier les données en consommant les fichiers de données directement en mémoire. Étant donné qu’il n’existe aucun processus d’importation explicite, il est possible de récupérer les modifications apportées à la source au fur et à mesure qu’elles se produisent. Direct Lake combine les avantages de DirectQuery et du mode Importation tout en évitant leurs inconvénients. Le mode Direct Lake est le choix approprié pour analyser des jeux de données très volumineux et des jeux de données avec des mises à jour fréquentes au niveau de la source de données. Direct Lake bascule automatiquement sur DirectQuery avec le point de terminaison d’analytique SQL de l’entrepôt ou le point de terminaison d’analytique SQL lorsque Direct Lake dépasse les limites de la SKU ou utilise des fonctionnalités non prises en charge, afin de permettre aux utilisateurs des rapports de continuer sans interruption.

• Le mode Direct Lake est le mode de stockage pour les nouveaux modèles sémantiques Power BI créés sur un point de terminaison Warehouse ou SQL Analytics.

• Avec Power BI Desktop, vous pouvez également créer des modèles sémantiques Power BI à l’aide du point de terminaison d’analytique SQL de l’entrepôt ou du point de terminaison d’analytique SQL comme source de données pour les modèles sémantiques en mode d’importation ou de stockage DirectQuery.

Créer et gérer des modèles sémantiques Power BI

Lorsque vous créez un modèle sémantique sur un data lakehouse ou un entrepôt de données, vous choisissez les tables à ajouter. À partir de là, vous pouvez mettre à jour manuellement un modèle sémantique Power BI.

Pour commencer, consultez :

• Créer un modèle sémantique
• Gérer un modèle sémantique

Limites

• Les modèles sémantiques dans Fabric suivent les limitations actuelles des modèles sémantiques dans Power BI. Pour en savoir plus:
  • Limites des objets et ressources Azure Analysis Services
  • Types de données dans Power BI Desktop : Power BI
• Les modèles sémantiques sont des éléments indépendants dans Fabric et peuvent être gérés via des API REST pour énumérer des modèles sémantiques dans un espace de travail, rechercher les dépendances (rapports/tableaux de bord) et le contenu du modèle, et supprimer les modèles inutilisés. Cela inclut les modèles sémantiques découplés qui ont été créés par défaut dans le passé, qui ne sont plus créés automatiquement.
• Si les types de données Parquet, Apache Spark ou SQL ne peuvent pas être mappés à l’un des types de données power BI Desktop, ils sont supprimés dans le cadre du processus de synchronisation. Cela est conforme au comportement actuel de Power BI. Pour ces colonnes, nous vous recommandons d’ajouter des conversions de type explicites dans leurs processus ETL afin de les convertir dans un type pris en charge. Si des types de données sont nécessaires en amont, les utilisateurs peuvent éventuellement spécifier une vue en SQL avec la conversion de type explicite souhaitée. Elle sera récupérée par la synchronisation ; il est également possible de l’ajouter manuellement comme indiqué précédemment.
• Les modèles sémantiques ne peuvent être modifiés que dans le point de terminaison ou l’entrepôt d’analytique SQL.

Étape suivante

Contenu connexe

• Modèles sémantiques dans le service Power BI