Microsoft Fabric
Modelos semánticos en Microsoft Fabric: cómo encaja Power BI en una plataforma de datos moderna
Dónde encajan los modelos semánticos en Fabric: tablas Gold o contrato de negocio, Lakehouse o Warehouse, Direct Lake, Import, DirectQuery, esquema en estrella y seguridad.
En este artículo
Una plataforma Fabric suele empezar por la ingesta y la transformación: dejar los datos en Bronze, limpiarlos en Silver y darles forma en Gold. Esas capas están bien documentadas. La pregunta siguiente se plantea con menos frecuencia de forma explícita:
Después de Bronze, Silver y Gold, ¿qué deberían consumir realmente las aplicaciones y los analistas?
Es tentador responder «las tablas Gold». Gold está curado, listo para el negocio y estable. Pero una tabla Gold no es necesariamente el contrato final con el consumidor. Una tabla almacena filas. No sabe que Total Sales excluye las devoluciones, que Customer filtra Orders, que el año fiscal empieza en julio ni que un responsable regional solo debe ver su región.
Ese conocimiento vive en un modelo semántico. En Microsoft Fabric, un modelo semántico (el elemento de Power BI que antes se llamaba dataset o conjunto de datos) aporta:
- medidas de negocio como Total Sales y Average Order Value, definidas una sola vez
- relaciones entre hechos y dimensiones
- nombres de negocio en lugar de nombres técnicos de columna
- jerarquías como Año → Trimestre → Mes
- seguridad: reglas de nivel de fila y de objeto para los consumidores
- lógica analítica reutilizable compartida por todos los informes
Este artículo explica dónde encajan los modelos semánticos en una arquitectura Fabric, cómo se relacionan con el Lakehouse, el Warehouse y Power BI, y cómo elegir entre Direct Lake, Import y DirectQuery. Es una guía de arquitectura, no un tutorial de Power BI.
Dónde se sitúa el modelo semántico
En una arquitectura Medallion, el modelo semántico es la capa de exposición orientada al negocio, por encima de Gold:
- BronzeEn bruto, tal como se ingiere
- SilverLimpio y conformado
- GoldTablas listas para el negocio
- Modelo semánticoMedidas, relaciones, seguridad
- ConsumidoresPower BI, Excel, otros clientes
El reparto de responsabilidades es claro. Bronze, Silver y Gold pertenecen a la ingeniería de datos y responden a «¿los datos son correctos y completos?». El modelo semántico pertenece a quien es dueño de las definiciones de negocio, a veces el mismo equipo, a menudo un equipo de BI o analítica, y responde a «¿qué significa este número?». La guía de arquitectura Medallion cubre en detalle las capas de ingeniería; este artículo empieza donde termina Gold.
¿Por qué no consultar Gold directamente?
A veces conviene hacerlo. El acceso directo a tablas está bien cuando:
- el consumidor es un ingeniero o analista que escribe SQL sobre una tabla bien conocida
- una aplicación o API necesita filas concretas, no métricas de negocio agregadas
- la pregunta es una exploración puntual y no un informe recurrente
- solo hay un consumidor y la lógica vive en un único lugar de todos modos
Un modelo semántico aporta valor en cuanto las mismas métricas las usan varios informes o varias personas. Sin él, cada informe reimplementa Total Sales a su manera y, tarde o temprano, dos paneles muestran dos cifras distintas para el mismo trimestre. Un modelo semántico aporta:
- Medidas gobernadas: una única definición por métrica, versionada y revisada.
- Definiciones coherentes: todos los informes que usan Order Count obtienen la misma respuesta.
- Relaciones reutilizables: los autores de informes no necesitan saber qué claves unen qué tablas.
- Nombres de negocio:
Customer Name, nocust_nm_v2. - Inteligencia de tiempo: acumulado anual, periodo anterior y ventanas móviles sobre una tabla de fechas adecuada.
- Seguridad: reglas de nivel de fila y de objeto aplicadas a cada consulta que pasa por el modelo.
- Descubrimiento: un modelo aprobado en el catálogo de OneLake en lugar de decenas de tablas parecidas.
La regla práctica: consulta Gold para obtener datos y el modelo semántico para obtener métricas.
Lakehouse o Warehouse como origen
En Fabric, un modelo semántico suele leer tablas Gold de un Lakehouse o de un Warehouse. Ambos almacenan tablas Delta en OneLake, así que ambos funcionan con Direct Lake. La elección depende sobre todo de cómo se construye la capa Gold, no del modelo semántico.
| Origen | Capa Gold típica | Puntos fuertes para el modelo | A vigilar |
|---|---|---|---|
| Lakehouse | Construida con notebooks de Spark, Spark SQL o Materialized Lake Views | Natural para equipos orientados a Spark; las tablas Gold son tablas Delta que el modelo lee directamente | Optimizar la organización de las tablas; las vistas SQL no materializadas sobre el Lakehouse no son orígenes Direct Lake |
| Warehouse | Construida con T-SQL: procedimientos almacenados, CTAS, MERGE |
Familiar para equipos SQL; transacciones multitabla; permisos SQL | La seguridad de nivel de fila de SQL y las vistas afectan a Direct Lake, como se explica más abajo |
Si tu capa Gold se construye con Spark, mantén el modelo sobre el Lakehouse. Si es un modelo dimensional en T-SQL, mantenlo sobre el Warehouse. No copies Gold a un segundo motor solo para Power BI. La guía Lakehouse o Warehouse cubre la decisión más amplia.
Un consejo práctico: donde crearías una vista SQL para preparar los datos del modelo, considera en su lugar una tabla o una Materialized Lake View. La documentación de Direct Lake de Microsoft indica que una tabla del modelo basada en una vista SQL no materializada no se admite en Direct Lake on OneLake y provoca un retroceso a DirectQuery en Direct Lake on SQL.
Direct Lake
Direct Lake es un modo de almacenamiento de tablas para modelos semánticos de Power BI, disponible en Fabric. Lee tablas Delta de OneLake directamente en el mismo motor en memoria (VertiPaq) que usa el modo Import, sin copiar los datos al modelo en cada actualización.
Lo que lo diferencia:
- Sin copia de datos al actualizar. Una actualización Import vuelve a cargar los datos. Una actualización Direct Lake es un framing: el modelo lee los metadatos de las tablas Delta y apunta a los archivos Parquet más recientes. Suele tardar segundos.
- Las columnas se cargan bajo demanda. Cuando una consulta necesita una columna, el motor carga la columna completa en memoria (transcodificación). Las columnas que no se usan nunca se cargan, así que un modelo puede ser más grande que la memoria que realmente ocupa.
- Rendimiento de consulta en memoria. Una vez residentes las columnas, VertiPaq responde a las consultas, con un rendimiento comparable a Import.
- Actualizaciones automáticas. De forma predeterminada, el modelo repite el framing cuando detecta cambios en las tablas Delta subyacentes, de modo que los datos nuevos aparecen sin programar actualizaciones. Puedes desactivarlo cuando los consumidores solo deban ver datos al terminar un proceso ETL.
Microsoft documenta actualmente dos opciones de Direct Lake:
- Direct Lake on OneLake lee tablas Delta de uno o varios elementos de Fabric y usa la seguridad de OneLake para comprobar permisos. No retrocede a DirectQuery: si una consulta no puede atenderse, devuelve un error. Microsoft lo recomienda para los modelos semánticos nuevos.
- Direct Lake on SQL analytics endpoints lee un único elemento de Fabric y usa su punto de conexión de análisis SQL para el descubrimiento y la comprobación de permisos. Puede retroceder a DirectQuery cuando no puede servir una tabla desde Delta: por ejemplo, cuando la tabla es una vista SQL, cuando hay seguridad de nivel de fila o de objeto, o enmascaramiento dinámico de datos, definidos en SQL, o cuando se superan las barreras de protección de la capacidad. La propiedad
DirectLakeBehaviorcontrola este comportamiento: Automatic, DirectLakeOnly o DirectQueryOnly.
Consideraciones de rendimiento que se derivan de este diseño:
- La salud de las tablas Delta importa. Las barreras de protección de la capacidad limitan, por SKU, los archivos Parquet, los grupos de filas y las filas por tabla. Demasiados archivos pequeños pueden hacer fallar el framing o provocar retroceso en Direct Lake on SQL. Un
OPTIMIZEregular y tamaños de archivo razonables forman parte del rendimiento del modelo. - La primera consulta tras un framing es más lenta para las columnas que hay que volver a transcodificar. Las siguientes se sirven desde memoria.
- La memoria sigue siendo finita. Cada SKU fija una memoria máxima por modelo. Por encima de ella, las columnas entran y salen de memoria y las consultas se ralentizan.
- Algunas funciones de modelado difieren. Las columnas y tablas calculadas sobre tablas Direct Lake tienen soporte limitado, algunas en versión preliminar para Direct Lake on OneLake. Calcula las columnas derivadas antes, en Gold.
Import, DirectQuery y Direct Lake comparados
El modo de almacenamiento es una propiedad de cada tabla de un modelo semántico, y un modelo puede combinar modos; en ese caso se llama modelo compuesto. La comparación siguiente resume la documentación actual de Microsoft al nivel que importa para las decisiones de arquitectura.
| Modo | Movimiento de datos | Frescura | Características de rendimiento | Complejidad operativa | Caso de uso típico |
|---|---|---|---|---|---|
| Import | Copia completa en el modelo en cada actualización, comprimida en memoria | A la última actualización | Consultas rápidas en memoria; todo el modelo debe caber en memoria | Programación, duración y coste de capacidad de las actualizaciones crecen con el volumen | Modelos pequeños o medianos, cualquier origen, preparación con Power Query, autoservicio |
| DirectQuery | Ninguno; las consultas se traducen y se envían al origen | En directo, en el momento de la consulta | Depende del origen; cada objeto visual genera consultas al origen | El origen debe soportar la concurrencia de los informes; algunas limitaciones de DAX y modelado | Datos muy grandes o casi en tiempo real cuando copiarlos no es aceptable |
| Direct Lake | Ninguno al actualizar; las columnas se cargan bajo demanda desde archivos Delta de OneLake | Al último framing, automático por defecto | En memoria como Import una vez residentes las columnas; sujeto a las barreras del SKU | Mantenimiento de tablas Delta, barreras de protección, retroceso en puntos de conexión SQL | Capas Gold grandes de Fabric en Lakehouse o Warehouse; requiere capacidad de Fabric |
Otros dos hechos orientan la decisión. Direct Lake requiere una capacidad de Fabric (SKU F), mientras que Import y DirectQuery funcionan con cualquier licencia de Fabric o Power BI. Direct Lake solo funciona con datos de Fabric en formato Delta en OneLake, mientras que Import y DirectQuery se conectan a casi cualquier cosa.
Regla práctica: si Gold ya está en Fabric y el modelo es grande o se actualiza con frecuencia, empieza por Direct Lake on OneLake. Usa Import para modelos más pequeños, orígenes fuera de Fabric o modelos de autoservicio que necesitan Power Query. Usa DirectQuery cuando los datos deban quedarse donde están y consultarse en directo.
Diseñar el modelo
Un modelo semántico sobre una buena capa Gold debe ser conceptualmente pequeño: unos pocos hechos, las dimensiones que los describen y las medidas que la gente usa de verdad. Mantén ejemplos neutros y nombres claros para el negocio.
Las tablas de hechos registran eventos y contienen valores numéricos:
fact_sales: una fila por línea de venta, consales_amount,quantity,customer_key,product_key,date_keyfact_orders: una fila por pedido, conorder_id,customer_key,date_key
Las tablas de dimensiones describen el quién, el qué y el cuándo:
dim_customer: nombre del cliente, segmento, regióndim_product: nombre del producto, categoría, marcadim_date: fecha, mes, trimestre, año fiscal, marcada como tabla de fechas del modelo
Las medidas codifican las definiciones de negocio:
- Total Sales
- Order Count
- Average Order Value
En el modelo, renombra tablas y columnas para los consumidores (fact_sales pasa a Sales, sales_amount pasa a Sales Amount) y oculta las claves técnicas. La tabla Gold conserva sus nombres de ingeniería; el modelo publica los nombres de negocio.
Esquema en estrella
Los modelos semánticos funcionan mejor sobre un esquema en estrella: tablas de hechos en el centro, tablas de dimensiones alrededor y una relación de cada dimensión con cada hecho.
- dim_customerQuién compró
- dim_dateCuándo
- dim_productQué
- fact_salesUna fila por línea de venta
- MedidasTotal Sales, Average Order Value
Tres propiedades hacen que esta forma funcione:
- Dirección del filtro. Los filtros van de las dimensiones a los hechos: seleccionar una región en
dim_customerfiltrafact_sales. Mantén relaciones unidireccionales por defecto. Los filtros bidireccionales crean ambigüedad, ralentizan las consultas y no se admiten en Direct Lake cuando el origen depende de la seguridad de nivel de fila de OneLake. - Cardinalidad. Las relaciones entre dimensión y hecho son de uno a varios. El lado «uno» debe ser único: en Direct Lake, las consultas fallan si se detectan duplicados en ese lado, así que garantiza la unicidad de las claves de dimensión en Gold.
- Separación entre hechos y dimensiones. Los hechos contienen números y claves; las dimensiones, atributos descriptivos. Las tablas anchas y aplanadas que mezclan ambos sirven para un informe, pero dificultan reutilizar las medidas.
Si la capa Gold ya sigue un diseño dimensional, el modelo es sobre todo relaciones y medidas. Si Gold es un conjunto de tablas anchas, plantéate añadir las dimensiones antes, en lugar de remodelar dentro del modelo.
Medidas frente a columnas calculadas
Ambas se escriben en DAX, pero se comportan de forma distinta.
- Una medida se evalúa en el momento de la consulta, en el contexto de los filtros actuales. Total Sales para 2026, para una región o para un producto sale de una sola definición. Las métricas de negocio pertenecen a las medidas.
- Una columna calculada se calcula fila a fila y se almacena en la tabla. Es útil para atributos por los que segmentar, pero aumenta el tamaño del modelo. En Direct Lake su soporte es limitado.
Ejemplos breves:
Total Sales = SUM ( Sales[Sales Amount] )
Order Count = DISTINCTCOUNT ( Orders[Order ID] )
Average Order Value = DIVIDE ( [Total Sales], [Order Count] )
Average Order Value reutiliza las otras dos medidas. Cambia una vez la definición de Total Sales y todas las medidas e informes dependientes la siguen. Esa reutilización es la razón principal de que existan los modelos semánticos.
Una pauta práctica para Fabric: si un valor puede calcularse por fila, calcúlalo antes, en Gold; si depende de los filtros, conviértelo en una medida. Tramos de precio, nombres completos y periodos fiscales pertenecen a Gold o a una dimensión. Ratios, totales, acumulados anuales y promedios pertenecen a las medidas.
Seguridad en la capa semántica
Un modelo semántico tiene su propia capa de seguridad, y es fácil malinterpretar qué protege.
- Acceso al área de trabajo. Los roles Admin, Member y Contributor tienen implícitamente permiso Write sobre el modelo semántico. Las reglas de acceso a datos del modelo no se aplican a los usuarios con permiso Write, así que los consumidores de informes deben ser Viewers o recibir acceso mediante permisos de elemento o una aplicación.
- Permisos del modelo semántico. Read permite ver los informes construidos sobre el modelo. Build permite crear informes nuevos y consultar el modelo. Write permite modificarlo.
- Seguridad de nivel de fila (RLS). Roles con filtros DAX, como «un responsable regional solo ve su región», aplicados a cada consulta a través del modelo.
- Seguridad de nivel de objeto (OLS). Oculta tablas o columnas a determinados roles y se admite en Import, DirectQuery y Direct Lake.
En Direct Lake, decide también qué identidad lee los datos. Por defecto, el modelo usa el inicio de sesión único: la identidad de cada usuario, que también necesita acceso de lectura a las tablas de origen. Como alternativa, puedes vincular el modelo a una conexión en la nube con identidad fija, de modo que los usuarios consulten el modelo sin ningún acceso al Lakehouse o al Warehouse. Microsoft recomienda una identidad fija cuando dependes de la RLS del modelo, porque los usuarios con acceso directo al origen podrían eludir sus reglas.
De ahí el principio clave: la seguridad del modelo semántico complementa la seguridad de la capa de datos; no la sustituye. Las reglas definidas en el modelo solo se aplican a las consultas que pasan por él. Si los mismos usuarios pueden leer las tablas por el punto de conexión de análisis SQL u OneLake, esas rutas necesitan sus propios controles, como la seguridad de OneLake, que se aplica en todos los motores de Fabric. La guía de gobierno de Fabric explica qué control se aplica en cada capa.
Servir a varios consumidores
Un modelo bien diseñado puede servir a muchos consumidores:
- Datos Gold
- Modelo semántico
- Informes de Power BI
- ExcelAnalizar en Excel, conexión dinámica
- Informes paginados
- Otros clientes XMLAHerramientas compatibles con el punto de conexión XMLA
Esta es la idea de arquitectura más importante del artículo: el modelo semántico es un contrato analítico compartido. Cuando Finanzas abre Excel y Ventas abre un informe de Power BI, ambos ven el mismo Total Sales, filtrado por las mismas reglas de seguridad y desde el mismo modelo aprobado. Los cambios en ese contrato, como medidas nuevas, columnas renombradas o relaciones nuevas, merecen el mismo cuidado que los cambios de esquema de una tabla Gold: versiónalos en Git, revísalos y despliégalos de Dev a Test y a Prod.
El gobierno se aplica directamente. Un modelo semántico de producción suele ser el mejor candidato a la certificación en Fabric, porque es lo que los consumidores usan de verdad. Dale un responsable nombrado, una etiqueta de confidencialidad y un linaje limpio hasta Gold.
Cuándo no usar un modelo semántico
Los modelos semánticos son una capa de exposición analítica, no una capa universal de acceso a datos. Usa otra cosa para:
- Exploración de ingeniería en bruto: consulta Bronze y Silver con notebooks o SQL.
- Cargas de ciencia de datos: los datos de entrenamiento y los experimentos corresponden a notebooks que leen tablas Delta.
- Preparación de características para machine learning: estos pipelines necesitan datos fila a fila y Spark, no medidas agregadas.
- Consultas de aplicaciones backend: las aplicaciones que necesitan filas concretas deben usar el punto de conexión de análisis SQL, un Warehouse o una capa de API.
- API operativas: las búsquedas transaccionales de baja latencia no son para lo que se diseñó un modelo semántico.
Si un consumidor necesita métricas con definiciones coherentes y seguridad, usa el modelo. Si necesita filas, usa las tablas.
Del concepto a la práctica: Lab 05
Este artículo es la base conceptual de un futuro laboratorio práctico, Lab 05 — Modelos semánticos y Power BI, que todavía no está publicado. Construirá un modelo Gold, un modelo semántico con relaciones y medidas, el modo de almacenamiento adecuado (Direct Lake cuando encaje) y un informe de Power BI. Mientras tanto, el Lab 01: análisis de ventas de extremo a extremo en Microsoft Fabric construye el Lakehouse y las tablas Gold sobre las que se apoyaría ese modelo.
Conclusión
El modelo semántico es donde una plataforma de datos deja de ser un conjunto de tablas y se convierte en un conjunto de respuestas. Gold hace que los datos sean correctos; el modelo semántico hace que tengan significado, sean coherentes y se puedan consumir con seguridad.
En Fabric, esa capa se apoya de forma natural en una capa Gold de Lakehouse o Warehouse. Direct Lake elimina la mayor parte del coste de actualización que hacía incómodos los modelos Import grandes, siempre que las tablas Delta estén bien mantenidas y la seguridad se diseñe a conciencia. Diseña el modelo en estrella, mantén la lógica de negocio en las medidas, calcula antes lo que se calcula por fila y trata el modelo como un contrato gobernado y versionado, no como un subproducto del primer informe.
Referencias
- Microsoft Learn — Información general sobre Direct Lake
- Microsoft Learn — Cómo funciona Direct Lake
- Microsoft Learn — Integración de la seguridad de Direct Lake
- Microsoft Learn — Modos de modelo semántico en el servicio Power BI
- Microsoft Learn — Descripción del esquema de estrella e importancia para Power BI
¿Te resultó útil este contenido?
¿Qué podríamos mejorar?
Gracias — esto me ayuda a mejorar Javi Builds.
Sigue aprendiendo
- Guía rápidaArquitectura Medallion en FabricDiseña una arquitectura Bronze, Silver y Gold práctica en Microsoft Fabric, con contratos de datos claros, capacidad de reprocesamiento, procesamiento incremental, controles de calidad y responsabilidades de publicación bien definidas.Abrir guía rápida
- ArtículoVisualización con Power BI en Microsoft Fabric: del modelo semántico al informe eficazCómo convertir un modelo semántico de Fabric gobernado en un informe de Power BI útil: jerarquía de página, objetos visuales, KPI, accesibilidad y rendimiento.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.