Cloud y automatización
Construir un motor de informes multi-tenant en Azure y Microsoft Fabric
Diseña un motor de informes multi-tenant en Azure y Microsoft Fabric con metadatos, consultas personalizadas controladas, caché, paginación, exportaciones asíncronas y protección de capacidad.
En este artículo
Las plataformas de informes se vuelven difíciles de escalar cuando cada solicitud se trata como una consulta directa.
Una interfaz interactiva puede necesitar JSON fresco para una grilla o un gráfico. Los consumidores externos de API pueden solicitar el mismo informe repetidamente. Algunos usuarios necesitan exportaciones CSV o XLSX. Otros necesitan Parquet para procesamiento posterior. Una plataforma multi-tenant también debe garantizar que un cliente nunca pueda consultar los datos de otro, incluso cuando se introduce reporting personalizado.
Al mismo tiempo, las tablas de hechos analíticas pueden vivir en Microsoft Fabric, donde la capacidad de cómputo es compartida y las consultas costosas pueden afectar otras cargas.
¿Cómo se construye un motor de informes que entregue datos frescos cuando sea necesario, reutilice resultados generados cuando sea posible, proteja la capacidad de Fabric y soporte tanto informes predefinidos como informes definidos por clientes?
Una respuesta útil es convertir el Report Engine en la frontera de políticas y ejecución entre los consumidores y la plataforma analítica.
- UI de Angular
- Azure API Management
- Report Engine
- Microsoft Fabric
Los clientes API externos entran por el mismo gateway y el mismo motor. El consumidor no debería necesitar saber dónde viven físicamente los datos, qué mecanismo ejecutó el informe o si el resultado vino de un artefacto reutilizable.
Si el concepto es nuevo para ti, empieza por ¿Qué es un motor de informes?. Este artículo va más a fondo: es la arquitectura multi-tenant en Azure y Microsoft Fabric, desde el modelo de metadatos hasta la protección de capacidad y las exportaciones asíncronas.
1. El principio central de diseño
El Report Engine es una abstracción sobre el comportamiento del reporting.
Recibe una solicitud de informe y decide:
- quién es el llamador;
- qué tenant y cuentas puede consultar;
- qué definición de informe aplica;
- si los parámetros son válidos;
- si la solicitud puede servirse desde un artefacto existente;
- si la consulta es segura y razonable para ejecución interactiva;
- si debe ejecutarse un stored procedure o una consulta dirigida por metadatos;
- si debe ser síncrona o asíncrona;
- qué formato debe devolver.
Eso mantiene simples a los consumidores.
La aplicación Angular debe pedir un informe, no una tabla de Fabric.
Una integración externa debe pedir un informe, no enviar SQL.
Un generador de informes personalizados debe seleccionar campos de negocio aprobados, no nombres físicos de columnas.
Esta separación también permite evolucionar el backend. La fuente puede ser hoy un Fabric Warehouse y mañana otra capa curada sin cambiar el contrato público del motor.
2. Responsabilidades del Report Engine
Un Report Engine de producción es mucho más que un endpoint para ejecutar consultas.
- Solicitud
- Definición del informeResolver metadatos estándar o personalizados
- Seguridad + validaciónTenant, cuenta, parámetros, campos permitidos
- Planificador de ejecuciónCaché, consulta interactiva o exportación asíncrona
- Procesamiento del resultadoOrdenar, paginar, agregar, formatear
- Entrega
- JSON
- CSV
- XLSX
- Parquet
Entre sus responsabilidades están el contexto de autenticación, autorización de tenant y cuenta, resolución de la definición, validación de parámetros, evaluación de consultas, planificación, búsqueda de caché, generación de SQL dinámico, ejecución de stored procedures, ordenamiento, paginación, formato, tracking de ejecución, generación de artefactos, telemetría y auditoría. Arquitectura de un motor de informes: de la solicitud al resultado sigue una solicitud por estas etapas, en orden.
3. Los informes estándar y personalizados deben usar el mismo motor
Un error común es crear un subsistema para informes estándar y otro para informes personalizados. Eso duplica seguridad, paginación, caché, generación de archivos, monitoreo, acceso a Fabric y manejo de errores.
Una mejor arquitectura trata estándar y personalizado como dos formas de definir un informe.
- Solicitud de informe
- Definición del informe
- predefinidoEstándarStored procedure o consulta predefinida
- metadatosPersonalizadoModelo de consulta dinámico validado
- Report Engine compartido
Un informe estándar puede resolverse así:
Type: STANDARD
ExecutorType: STORED_PROCEDURE
ExecutorName: rpt.SalesByAccount
Un informe personalizado:
Type: CUSTOM
ExecutorType: DYNAMIC_QUERY
DatasetId: SalesReporting
Ambos siguen usando las mismas reglas de autorización, el mismo planner, caché, estado, paginación, ordenamiento, artefactos y telemetría.
Estándar frente a personalizado debe describir cómo se define un informe, no crear dos plataformas separadas.
4. Reporting dirigido por metadatos
El reporting personalizado es más seguro cuando los usuarios construyen informes con metadatos aprobados en vez de objetos físicos de base de datos.
ReportDefinition
ReportId
Name
Type: STANDARD | CUSTOM
ExecutorType: STORED_PROCEDURE | DYNAMIC_QUERY
ExecutorName
DatasetId
CacheTTL
Enabled
Version
DatasetDefinition
DatasetId
Name
Source
AllowedFields
Relationships
FieldDefinition
FieldId
DisplayName
SourceExpression
DataType
Aggregation
Filterable
Sortable
Groupable
El modelo de negocio puede exponer:
Ventas
Cuenta
Canal
Fecha
Ingresos
Número de pedidos
en vez de:
fact_sales.sales_amount
dim_account.account_name
dim_channel.channel_name
Así el motor controla qué campos son visibles, qué relaciones son legales, qué se puede agrupar, ordenar, filtrar o agregar, mientras oculta los cambios físicos del esquema detrás de metadatos estables.
5. Microsoft Fabric como capa analítica
El Report Engine debe consultar una capa de reporting curada, no las tablas de ingesta en bruto.
- BronzeIngesta en bruto o mínimamente procesada
- SilverDatos limpios, validados y conformados
- GoldCapa de reporting curada
- fact_sales
- fact_orders
- fact_payments
- dim_account
- dim_channel
- dim_date
Cómo llegan los datos a Bronze es una decisión de integración en sí misma, tratada en Patrones de integración de datos; las capas se explican en Arquitectura Medallion explicada.
La superficie de serving puede ser un Fabric Warehouse, un Lakehouse expuesto mediante su SQL analytics endpoint u otra superficie soportada. Lakehouse o Warehouse en Microsoft Fabric: ¿cuál deberías usar? compara las dos opciones principales.
El SQL analytics endpoint proporciona una superficie T-SQL de solo lectura sobre los datos en OneLake y encaja bien con escenarios de reporting donde las consultas analíticas deben separarse de la carga operacional.
La regla importante es que el Report Engine dependa de una capa de reporting estable.
Eso entrega un contrato estable, mejor tuning, generación de consultas más sencilla, aislamiento frente a cambios de ingestión, revisión de seguridad más clara y responsabilidades mejor definidas. Para ver cómo encajan workspaces, capacidades y capas alrededor de ese contrato, consulta Diseñar una arquitectura escalable de Microsoft Fabric.
6. Query Evaluator vs Dynamic Query Executor
El reporting personalizado necesita dos componentes separados.
Query Evaluator
El evaluador responde:
¿Puede ejecutarse esta solicitud?
Valida dataset, campos, filtros, agregaciones, alcance tenant/cuenta, rango de fechas, dimensiones, ordenamiento, complejidad y estrategia esperada.
Su salida es un modelo interno validado, nunca SQL enviado por el usuario.
{
"dataset": "SalesReporting",
"dimensions": ["date", "account"],
"metrics": ["sales_amount"],
"filters": [
{"field": "channel", "operator": "eq", "value": "Online"}
],
"dateRange": {
"start": "2026-10-01",
"end": "2026-10-31"
}
}
Dynamic Query Executor
El executor responde:
¿Cómo ejecuto un plan que ya fue aprobado?
- Solicitud personalizada
- Query EvaluatorValidar campos, filtros, alcance y complejidad
- Modelo validadoRepresentación interna, nunca SQL bruto
- Generador SQLSQL parametrizado desde metadatos aprobados
- Dynamic Query Executor
- Fabric
Los clientes nunca envían SQL arbitrario.
7. Coste de consultas y protección de capacidad
El reporting personalizado introduce un problema operativo: un usuario puede pedir accidentalmente una consulta extremadamente costosa.
El motor debe estimar el coste antes de ejecutar usando señales como rango de fechas, cantidad de dimensiones, métricas, selectividad de filtros, filas esperadas, complejidad de agregación y existencia de caché.
| Clase | Comportamiento |
|---|---|
| LOW | Ejecutar interactivamente |
| MEDIUM | Ejecutar con límites más estrictos o preferir caché |
| HIGH | Encolar exportación asíncrona |
| TOO EXPENSIVE | Rechazar o exigir filtros más específicos |
- Solicitud validada
- Evaluación de coste
- interactivoLOWEjecutar ahora
- limitadoMEDIUMAplicar límites y preferir caché
- asyncHIGHEncolar exportación
- rechazarTOO EXPENSIVERequerir una solicitud más acotada
- Ejecución controlada
Azure API Management también puede imponer rate limits, cuotas y límites de concurrencia antes de llegar al motor. APIM protege el servicio contra picos de llamadas; el Report Engine protege Fabric contra trabajo analítico demasiado costoso. Cómo medir el volumen de solicitudes de API e informes muestra qué señales indican cuándo ajustar esos límites.
8. Seguridad multi-tenant
El alcance multi-tenant debe imponerse desde el motor, no delegarse a parámetros enviados por el cliente.
- Tenant
- Cuenta
- Informe
El tenant autorizado y el conjunto de cuentas deben provenir del contexto autenticado o de un lookup de autorización confiable.
No confíes en esto solo porque venga en la URL:
?tenantId=123
&accountId=456
Resuelve un alcance autorizado:
tenant_id = 123
authorized_accounts = [456, 457, 480]
e inyéctalo en todos los planes de ejecución.
WHERE tenant_id = @tenantId
AND account_id IN (
SELECT value
FROM STRING_SPLIT(@authorizedAccountIds, ',')
)
Fabric Warehouse y el SQL analytics endpoint no admiten tipos de tabla definidos por el usuario, así que un parámetro con valores de tabla (table-valued parameter) no está disponible ahí. Pasa la lista resuelta por el motor como un parámetro delimitado, como arriba, o haz un join con una tabla de mapeo de accesos confiable mantenida por la plataforma.
Los metadatos definidos por el usuario nunca deben poder eliminar ni sobrescribir los predicados obligatorios de seguridad del tenant.
La seguridad nativa de Fabric u OneLake puede añadir otra capa, pero el Report Engine sigue siendo responsable de la autorización de aplicación, porque es el dueño del contrato de reporting.
9. Caché y artefactos de informes
Las solicitudes repetidas son buenas candidatas para caché cuando la clave representa realmente el dataset subyacente. Si un informe concreto debe servirse desde un resultado almacenado es otra cuestión, tratada en Informes precalculados o consultas en tiempo real: cómo elegir.
Ejemplo:
groupBy=Date
groupBy=Channel
groupBy=Account
startDate=2026-10-01
endDate=2026-10-31
Normaliza a:
tenant
alcance de cuenta
report definition + version
dimensions
metrics
filters
date range
y genera un hash.
Para un dataset reutilizable, no incluyas valores de presentación:
page
pageSize
sort
salvo que cambien realmente el artefacto.
Parquet es un formato canónico fuerte para resultados analíticos reutilizables porque es columnar, tipado y eficiente para relecturas analíticas.
Un artefacto Parquet reutilizable puede alimentar JSON paginado, CSV, XLSX o procesamiento analítico posterior.
OneLake puede ser un buen lugar para artefactos analíticos que deben permanecer cerca de Fabric. Las aplicaciones externas también pueden acceder a OneLake mediante APIs compatibles con ADLS cuando la configuración del tenant lo permite, y OneLake soporta SAS user-delegated de corta duración cuando están habilitados.
Sin embargo, almacenamiento y entrega son decisiones distintas.
Si el objetivo principal es descargar archivos mediante URLs firmadas, Azure Blob Storage o ADLS Gen2 puede ser más sencillo operativamente para la capa de entrega. Por eso una arquitectura puede usar OneLake para el artefacto analítico canónico y Azure Storage para exportaciones externas.
10. UI interactiva vs camino de exportación
La UI interactiva y la exportación de archivos no deben usar obligatoriamente la misma forma de respuesta. Diseñar un motor de informes para consumidores de interfaz y de API detalla el lado de los consumidores de esta separación.
Angular interactivo
- Angular
- Report Engine
- Capa de reporting Fabric
- Paginación + ordenamiento servidor
- JSON
JSON es adecuado para grillas, gráficos, totales, paginación y filtros interactivos.
La UI no debe descargar un CSV gigante para luego paginarlo en el navegador.
Exportaciones e integraciones
- Solicitud de exportación
- Report Engine
- Búsqueda de artefacto
- hitArtefacto en cachéReutilizar resultado existente
- missConsulta FabricGenerar y persistir artefacto
- Archivo solicitado
- CSV
- XLSX
- Parquet
Así los archivos de exportación no se convierten en la base de datos interactiva.
11. Paginación y ordenamiento
Los informes interactivos necesitan paginación del lado del servidor.
Una implementación sencilla puede empezar así:
ORDER BY sales_amount DESC, account_id ASC
OFFSET @Offset ROWS
FETCH NEXT @PageSize ROWS ONLY;
El segundo criterio es importante porque la paginación necesita un orden determinista.
Para resultados muy grandes, keyset/cursor pagination puede evitar el coste creciente de offsets profundos.
WHERE (
sales_amount < @LastSales
OR (
sales_amount = @LastSales
AND account_id > @LastAccountId
)
)
ORDER BY sales_amount DESC, account_id ASC;
El motor debe ser dueño de estas reglas para que la UI no necesite conocer detalles específicos de SQL.
12. Mapeo de servicios Azure
| Responsabilidad | Servicio |
|---|---|
| UI | Angular |
| API gateway | Azure API Management |
| Report Engine | Azure App Service |
| Metadatos y estado | Azure SQL o Azure Table Storage |
| Datos analíticos | Microsoft Fabric |
| Artefactos analíticos canónicos | OneLake |
| Entrega externa | OneLake o Azure Blob / ADLS Gen2 según el modelo |
| Cola asíncrona | Azure Service Bus |
| Background worker | App Service o Azure Container Apps |
| Identidad | Microsoft Entra ID + managed identities |
| Monitoreo | Application Insights / Azure Monitor |
Azure Table Storage vs Azure SQL
Azure Table Storage puede funcionar bien para estado simple y acceso por clave:
ExecutionId
TenantId
Status
CreatedAt
CompletedAt
ArtifactLocation
Su diseño depende mucho de PartitionKey y RowKey.
Azure SQL es más atractivo cuando los metadatos tienen relaciones, transacciones entre entidades, consultas administrativas complejas, más necesidades de indexación o versionado relacional.
Un sistema práctico puede usar Azure SQL para los metadatos de informes y Table Storage solo para el estado de ejecución simple, o Azure SQL para ambos y así reducir la complejidad de la arquitectura.
Managed identities
App Service y Azure Functions soportan managed identities para acceder a recursos protegidos por Entra sin almacenar credenciales. El mismo patrón puede utilizarse con Service Bus y otros servicios Azure compatibles.
13. Generación asíncrona de informes
Las exportaciones grandes no deberían mantener una petición HTTP abierta indefinidamente.
- Solicitud de exportación
- Report Engine
- Registro de ejecuciónCrear el job y devolver un ID
- Azure Service Bus
- WorkerEjecutar, formatear, persistir
- Artefacto
La respuesta inicial puede ser:
{
"executionId": "rpt_7f13...",
"status": "queued"
}
El cliente puede consultar un endpoint de estado, recibir callback si existe o ser notificado cuando el archivo esté listo.
Las colas de Service Bus son útiles porque absorben picos de trabajo y desacoplan el camino de la API de la ejecución en segundo plano.
14. Ejemplo end-to-end
GET /api/reports/sales
?groupBy=Date
&groupBy=Channel
&groupBy=Account
&startDate=2026-10-01
&endDate=2026-10-31
Secuencia posible:
- API Management aplica políticas de gateway.
- El Report Engine resuelve tenant y cuentas autorizados.
- El motor carga
ReportDefinition. - Los parámetros se parsean y normalizan.
- El evaluator valida campos, dimensiones, fechas y permisos.
- Se genera una clave de caché determinista.
- Se verifica si ya existe un artefacto reutilizable.
- El planner estima coste.
- Elige caché, Fabric síncrono, exportación asíncrona o rechazo.
- Si hace falta Fabric, ejecuta un stored procedure o SQL generado y aprobado.
- Los resultados se procesan y se registran.
- Los artefactos reutilizables se persisten.
- La UI recibe JSON o el consumidor recibe el archivo o su referencia.
- APIM
- Resolver alcanceTenant + cuentas
- Cargar definición
- Validar + normalizar
- Caché + plan de coste
- Ejecutar si es necesario
- Procesar + persistir
- Entregar
15. Evolución hacia reporting personalizado controlado
Fase 1 — Reporting estándar
- Informes estándar
- API + Angular
- Capa de reporting de Fabric
- JSON / CSV
- Caché básica
Fase 2 — Exportaciones asíncronas
- Exportaciones asíncronas
- Reutilización de artefactos
- Service Bus
- Worker de ejecución
Fase 3 — Informes personalizados dirigidos por metadatos
- Catálogo de datasets
- Metadatos de campos
- Query Evaluator
- Generador SQL
- Dynamic Query Executor
Fase 4 — Capacidades de plataforma
Posibles extensiones: informes programados, informes guardados, templates, cuotas por tenant, límites de uso, pre-generación de informes populares, cache warming y subscriptions.
La idea es extender el mismo motor, no crear stacks paralelos. El proyecto Modern Report Engine (en inglés) contiene el diseño completo y el plan de implementación de este tipo de motor.
16. Principios de diseño
- Tratar reporting como una plataforma, no como una colección de endpoints.
- Separar definición de informe de ejecución.
- Mantener la seguridad fuera de los metadatos definidos por clientes.
- Consultar datos curados de Fabric, no tablas raw.
- Cachear resultados costosos y reutilizables.
- Separar entrega interactiva de exportaciones.
- Mantener el reporting personalizado controlado y dirigido por metadatos.
- Proteger la capacidad de Fabric antes de añadir más compute.
17. Conclusión
El objetivo no es construir otro producto de BI.
El objetivo es ofrecer un motor de informes gobernado que exponga los datos analíticos de forma segura, eficiente y consistente tanto a aplicaciones como a clientes.
Azure API Management aporta la frontera API y los controles de tráfico. El Report Engine centraliza seguridad, metadatos, planificación, caché, ejecución y entrega. Microsoft Fabric proporciona la capa analítica curada. Service Bus y workers manejan las exportaciones asíncronas costosas. OneLake o Azure Storage pueden persistir artefactos según cómo vayan a consumirse.
Lo más importante es que los informes estándar y personalizados comparten la misma plataforma.
El resultado es una arquitectura de reporting que puede evolucionar de informes predefinidos a analítica controlada definida por clientes sin renunciar al aislamiento de tenants, al control operativo ni a la capacidad de Fabric.
Referencias oficiales
- SQL analytics endpoint de un lakehouse
- Consultar el Fabric Warehouse o el SQL analytics endpoint
- Superficie T-SQL de Fabric Data Warehouse
- STRING_SPLIT (Transact-SQL)
- Configuración de tenant de OneLake y acceso externo
- Modelo de permisos de Microsoft Fabric
- Directivas de Azure API Management
- Identidades administradas de Azure App Service
- Mensajería asíncrona de Azure Service Bus
- Identidad administrada de Azure Service Bus
- Guía de diseño de Azure Table Storage
¿Te resultó útil este contenido?
¿Qué podríamos mejorar?
Gracias — esto me ayuda a mejorar Javi Builds.
Sigue aprendiendo
- Guía rápidaContenido en inglésMicrosoft Fabric Workspace Settings Cheat SheetThe Microsoft Fabric workspace settings that change how a data engineering workspace behaves: Spark pools, environments and jobs, domain assignment, OneLake shortcut caching and diagnostics, and data workflow (Apache Airflow job) runtime pools, with what to verify for each.Abrir guía rápida
- ArtículoDiseñar un motor de informes para consumidores de interfaz y de APIDiseña un único backend de informes gobernado para páginas de interfaz interactivas, API externas, descargas y grandes exportaciones asíncronas.Leer artículo
¿Qué debería crear después?
Estoy construyendo Javi Builds alrededor de problemas reales que enfrentan los ingenieros de datos. Dime qué tema te gustaría ver después.
Mantente al día
Recibe solo las novedades de Javi Builds que realmente te interesan.
Revisa tu bandeja de entrada
Te he enviado un enlace de confirmación. Tu suscripción se activará cuando la confirmes.