Microsoft Fabric

Modèles sémantiques dans Microsoft Fabric : la place de Power BI dans une plateforme de données moderne

La place des modèles sémantiques dans Fabric : tables Gold ou contrat métier, Lakehouse ou Warehouse, Direct Lake, Import, DirectQuery, schéma en étoile et sécurité.

Par JaviPublié 12 min de lectureIntermédiaire

Une plateforme Fabric commence généralement par l’ingestion et la transformation : déposer les données en Bronze, les nettoyer en Silver, les mettre en forme en Gold. Ces couches sont bien documentées. La question suivante est plus rarement posée explicitement :

Après Bronze, Silver et Gold, que doivent réellement consommer les applications et les analystes ?

On est tenté de répondre « les tables Gold ». Gold est curé, prêt pour le métier et stable. Mais une table Gold n’est pas forcément le contrat final du consommateur. Une table stocke des lignes. Elle ne sait pas que Total Sales exclut les retours, que Customer filtre Orders, que l’exercice fiscal commence en juillet ni qu’un responsable régional ne doit voir que sa région.

C’est dans un modèle sémantique que vit cette connaissance. Dans Microsoft Fabric, un modèle sémantique (l’élément Power BI autrefois appelé dataset ou jeu de données) fournit :

  • des mesures métier comme Total Sales et Average Order Value, définies une seule fois
  • des relations entre faits et dimensions
  • un nommage métier à la place des noms de colonnes techniques
  • des hiérarchies comme Année → Trimestre → Mois
  • de la sécurité : règles au niveau des lignes et des objets pour les consommateurs
  • une logique analytique réutilisable partagée par tous les rapports

Cet article explique la place des modèles sémantiques dans une architecture Fabric, leurs liens avec le Lakehouse, le Warehouse et Power BI, et comment choisir entre Direct Lake, Import et DirectQuery. C’est un guide d’architecture, pas un tutoriel Power BI.

Où se situe le modèle sémantique

Dans une architecture Medallion, le modèle sémantique est la couche d’exposition orientée métier, au-dessus de Gold :

  1. BronzeBrut, tel qu’ingéré
  2. SilverNettoyé et conformé
  3. GoldTables prêtes pour le métier
  4. Modèle sémantiqueMesures, relations, sécurité
  5. ConsommateursPower BI, Excel, autres clients
Le modèle sémantique, couche d’exposition d’une plateforme Fabric. Les couches d’ingénierie produisent des tables fiables ; le modèle sémantique en fait un contrat métier partagé par tous les rapports.

Le partage des responsabilités est net. Bronze, Silver et Gold relèvent de l’ingénierie des données et répondent à « les données sont-elles correctes et complètes ? ». Le modèle sémantique relève de celui qui porte les définitions métier, parfois la même équipe, souvent une équipe BI ou analytique, et répond à « que signifie ce chiffre ? ». Le guide de l’architecture Medallion couvre en détail les couches d’ingénierie ; cet article commence là où Gold s’arrête.

Pourquoi ne pas interroger Gold directement ?

Parfois, il le faut. L’accès direct aux tables convient lorsque :

  • le consommateur est un ingénieur ou un analyste qui écrit du SQL sur une table bien connue
  • une application ou une API a besoin de lignes précises, pas de métriques métier agrégées
  • la question relève de l’exploration ponctuelle plutôt que d’un rapport récurrent
  • il n’y a qu’un consommateur, et la logique vit de toute façon à un seul endroit

Un modèle sémantique apporte de la valeur dès que les mêmes métriques servent à plusieurs rapports ou plusieurs personnes. Sans lui, chaque rapport réimplémente Total Sales à sa façon, et deux tableaux de bord finissent par afficher deux chiffres différents pour le même trimestre. Un modèle sémantique apporte :

  • Des mesures gouvernées : une seule définition par métrique, versionnée et relue.
  • Des définitions cohérentes : chaque rapport qui utilise Order Count obtient la même réponse.
  • Des relations réutilisables : les auteurs de rapports n’ont pas à savoir quelles clés relient quelles tables.
  • Un nommage métier : Customer Name, pas cust_nm_v2.
  • De l’intelligence temporelle : cumul annuel, période précédente et fenêtres glissantes, sur une vraie table de dates.
  • De la sécurité : des règles au niveau des lignes et des objets appliquées à chaque requête passant par le modèle.
  • De la découvrabilité : un modèle approuvé dans le catalogue OneLake au lieu de dizaines de tables similaires.

La règle pratique : interrogez Gold pour les données, le modèle sémantique pour les métriques.

Lakehouse ou Warehouse comme source

Dans Fabric, un modèle sémantique lit généralement des tables Gold dans un Lakehouse ou un Warehouse. Les deux stockent des tables Delta dans OneLake, donc les deux fonctionnent avec Direct Lake. Le choix dépend surtout de la façon dont la couche Gold est construite, pas du modèle sémantique.

Source Couche Gold typique Atouts pour le modèle Points d’attention
Lakehouse Construite avec des notebooks Spark, Spark SQL ou des Materialized Lake Views Naturel pour les équipes orientées Spark ; les tables Gold sont des tables Delta lues directement par le modèle Optimiser l’organisation des tables ; les vues SQL non matérialisées sur le Lakehouse ne sont pas des sources Direct Lake
Warehouse Construite en T-SQL : procédures stockées, CTAS, MERGE Familier aux équipes SQL ; transactions multi-tables ; autorisations SQL La sécurité au niveau des lignes SQL et les vues influencent Direct Lake, comme expliqué plus bas

Si votre couche Gold est construite avec Spark, gardez le modèle sur le Lakehouse. Si c’est un modèle dimensionnel en T-SQL, gardez-le sur le Warehouse. Ne copiez pas Gold dans un second moteur uniquement pour Power BI. Le guide Lakehouse ou Warehouse couvre la décision plus large.

Un conseil pratique : là où vous créeriez une vue SQL pour préparer les données du modèle, envisagez plutôt une table ou une Materialized Lake View. La documentation Direct Lake de Microsoft précise qu’une table de modèle fondée sur une vue SQL non matérialisée n’est pas prise en charge par Direct Lake on OneLake et provoque un repli en DirectQuery avec Direct Lake on SQL.

Direct Lake

Direct Lake est un mode de stockage de table des modèles sémantiques Power BI, disponible dans Fabric. Il lit les tables Delta de OneLake directement dans le moteur en mémoire (VertiPaq) utilisé par le mode Import, sans copier les données dans le modèle à l’actualisation.

Ce qui le distingue :

  • Pas de copie de données à l’actualisation. Une actualisation Import recharge les données. Une actualisation Direct Lake est un framing : le modèle lit les métadonnées des tables Delta et pointe vers les fichiers Parquet les plus récents. Cela prend généralement quelques secondes.
  • Les colonnes se chargent à la demande. Quand une requête a besoin d’une colonne, le moteur charge toute la colonne en mémoire (transcodage). Les colonnes inutilisées ne sont jamais chargées : un modèle peut donc être plus volumineux que la mémoire qu’il occupe réellement.
  • Des performances de requête en mémoire. Une fois les colonnes résidentes, VertiPaq répond aux requêtes, à un niveau comparable à Import.
  • Des mises à jour automatiques. Par défaut, le modèle refait un framing lorsqu’il détecte des changements dans les tables Delta sous-jacentes : les nouvelles données apparaissent sans planification d’actualisation. Vous pouvez désactiver ce comportement si les consommateurs ne doivent voir les données qu’à la fin d’un traitement ETL.

Microsoft documente actuellement deux options Direct Lake :

  • Direct Lake on OneLake lit les tables Delta d’un ou plusieurs éléments Fabric et s’appuie sur la sécurité OneLake pour vérifier les autorisations. Il ne se replie pas en DirectQuery : si une requête ne peut pas être servie, elle renvoie une erreur. Microsoft le recommande pour les nouveaux modèles sémantiques.
  • Direct Lake on SQL analytics endpoints lit un seul élément Fabric et utilise son point de terminaison SQL analytics pour la découverte et la vérification des autorisations. Il peut se replier en DirectQuery lorsqu’il ne peut pas servir une table depuis Delta : par exemple quand la table est une vue SQL, quand une sécurité au niveau des lignes ou des objets, ou un masquage dynamique des données, est définie côté SQL, ou quand les garde-fous de capacité sont dépassés. La propriété DirectLakeBehavior contrôle ce comportement : Automatic, DirectLakeOnly ou DirectQueryOnly.

Ce fonctionnement entraîne quelques points de vigilance pour les performances :

  • La santé des tables Delta compte. Les garde-fous de capacité limitent, par SKU, le nombre de fichiers Parquet, de groupes de lignes et de lignes par table. Trop de petits fichiers peuvent faire échouer le framing, ou provoquer un repli avec Direct Lake on SQL. Un OPTIMIZE régulier et des tailles de fichiers raisonnables font partie des performances du modèle.
  • La première requête après un framing est plus lente pour les colonnes à transcoder de nouveau. Les requêtes suivantes sont servies depuis la mémoire.
  • La mémoire reste finie. Chaque SKU fixe une mémoire maximale par modèle. Au-delà, les colonnes sont chargées et déchargées en continu, et les requêtes ralentissent.
  • Certaines fonctionnalités de modélisation diffèrent. Les colonnes et tables calculées sur des tables Direct Lake sont limitées, certaines en préversion pour Direct Lake on OneLake. Calculez plutôt les colonnes dérivées en amont, dans Gold.

Import, DirectQuery et Direct Lake comparés

Le mode de stockage est une propriété de chaque table d’un modèle sémantique, et un modèle peut combiner plusieurs modes ; on parle alors de modèle composite. Le tableau ci-dessous résume la documentation actuelle de Microsoft au niveau utile pour les décisions d’architecture.

Mode Mouvement de données Fraîcheur Caractéristiques de performance Complexité opérationnelle Cas d’usage typique
Import Copie complète dans le modèle à chaque actualisation, compressée en mémoire À la dernière actualisation Requêtes rapides en mémoire ; tout le modèle doit tenir en mémoire Planification, durée et coût de capacité des actualisations augmentent avec le volume Modèles petits à moyens, toute source, mise en forme Power Query, libre-service
DirectQuery Aucun ; les requêtes sont traduites et envoyées à la source En direct, au moment de la requête Dépend de la source ; chaque visuel génère des requêtes vers la source La source doit supporter la concurrence des rapports ; certaines limites DAX et de modélisation Données très volumineuses ou quasi temps réel, quand la copie n’est pas acceptable
Direct Lake Aucun à l’actualisation ; les colonnes se chargent à la demande depuis les fichiers Delta de OneLake Au dernier framing, automatique par défaut En mémoire comme Import une fois les colonnes résidentes ; soumis aux garde-fous du SKU Maintenance des tables Delta, garde-fous, comportement de repli sur les points de terminaison SQL Grandes couches Gold Fabric en Lakehouse ou Warehouse ; nécessite une capacité Fabric

Deux autres faits orientent la décision. Direct Lake nécessite une capacité Fabric (SKU F), alors qu’Import et DirectQuery fonctionnent avec toute licence Fabric ou Power BI. Direct Lake ne fonctionne qu’avec des données Fabric au format Delta dans OneLake, alors qu’Import et DirectQuery se connectent à presque tout.

Règle pratique : si Gold est déjà dans Fabric et que le modèle est volumineux ou souvent actualisé, commencez par Direct Lake on OneLake. Utilisez Import pour les modèles plus petits, les sources hors Fabric ou les modèles en libre-service qui ont besoin de Power Query. Utilisez DirectQuery lorsque les données doivent rester où elles sont et être interrogées en direct.

Concevoir le modèle

Un modèle sémantique bâti sur une bonne couche Gold doit rester simple sur le plan conceptuel : quelques faits, les dimensions qui les décrivent et les mesures réellement utilisées. Gardez des exemples neutres et des noms parlants pour le métier.

Les tables de faits enregistrent des événements et portent des valeurs numériques :

  • fact_sales : une ligne par ligne de vente, avec sales_amount, quantity, customer_key, product_key, date_key
  • fact_orders : une ligne par commande, avec order_id, customer_key, date_key

Les tables de dimensions décrivent le qui, le quoi et le quand :

  • dim_customer : nom du client, segment, région
  • dim_product : nom du produit, catégorie, marque
  • dim_date : date, mois, trimestre, exercice fiscal, marquée comme table de dates du modèle

Les mesures encodent les définitions métier :

  • Total Sales
  • Order Count
  • Average Order Value

Dans le modèle, renommez tables et colonnes pour les consommateurs (fact_sales devient Sales, sales_amount devient Sales Amount) et masquez les clés techniques. La table Gold garde ses noms d’ingénierie ; le modèle publie les noms métier.

Le schéma en étoile

Les modèles sémantiques fonctionnent mieux sur un schéma en étoile : les tables de faits au centre, les tables de dimensions autour, une relation de chaque dimension vers chaque fait.

    • dim_customerQui a acheté
    • dim_dateQuand
    • dim_productQuoi
  1. fact_salesUne ligne par ligne de vente
  2. MesuresTotal Sales, Average Order Value
Un schéma en étoile pour un modèle sémantique des ventes. Les dimensions filtrent la table de faits par des relations un-à-plusieurs ; les mesures agrègent le fait.

Trois propriétés font fonctionner cette forme :

  • Le sens du filtrage. Les filtres vont des dimensions vers les faits : sélectionner une région dans dim_customer filtre fact_sales. Gardez des relations unidirectionnelles par défaut. Les filtres bidirectionnels créent de l’ambiguïté, ralentissent les requêtes et ne sont pas pris en charge par Direct Lake lorsque la source s’appuie sur la sécurité au niveau des lignes de OneLake.
  • La cardinalité. Les relations dimension-fait sont de type un-à-plusieurs. Le côté « un » doit être unique : en Direct Lake, les requêtes échouent si des doublons sont détectés de ce côté. Garantissez donc l’unicité des clés de dimension dans Gold.
  • La séparation faits-dimensions. Les faits portent les nombres et les clés ; les dimensions portent les attributs descriptifs. Des tables larges et aplaties qui mélangent les deux conviennent à un rapport mais rendent les mesures plus difficiles à réutiliser.

Si la couche Gold suit déjà une conception dimensionnelle, le modèle se résume surtout à des relations et des mesures. Si Gold est un ensemble de tables larges, envisagez d’ajouter les dimensions en amont plutôt que de remodeler dans le modèle.

Mesures ou colonnes calculées

Les deux s’écrivent en DAX, mais se comportent différemment.

  • Une mesure est évaluée au moment de la requête, dans le contexte des filtres courants. Total Sales pour 2026, pour une région ou pour un produit provient d’une seule définition. Les métriques métier appartiennent aux mesures.
  • Une colonne calculée est calculée ligne par ligne et stockée dans la table. Elle est utile pour des attributs de découpage, mais augmente la taille du modèle. En Direct Lake, sa prise en charge est limitée.

Quelques exemples courts :

Total Sales = SUM ( Sales[Sales Amount] )

Order Count = DISTINCTCOUNT ( Orders[Order ID] )

Average Order Value = DIVIDE ( [Total Sales], [Order Count] )

Average Order Value réutilise les deux autres mesures. Changez une fois la définition de Total Sales, et chaque mesure dépendante et chaque rapport suivent. Cette réutilisation est la raison d’être principale des modèles sémantiques.

Une ligne directrice pour Fabric : si une valeur peut être calculée par ligne, calculez-la en amont dans Gold ; si elle dépend des filtres, faites-en une mesure. Tranches de prix, noms complets et périodes fiscales appartiennent à Gold ou à une dimension. Ratios, totaux, cumuls annuels et moyennes appartiennent aux mesures.

La sécurité dans la couche sémantique

Un modèle sémantique possède sa propre couche de sécurité, et il est facile de se tromper sur ce qu’elle protège.

  • L’accès à l’espace de travail. Les rôles Admin, Member et Contributor disposent implicitement de l’autorisation Write sur le modèle sémantique. Les règles d’accès aux données du modèle ne s’appliquent pas aux utilisateurs disposant de Write : les consommateurs de rapports doivent donc être Viewers, ou recevoir l’accès par des autorisations d’élément ou une application.
  • Les autorisations du modèle sémantique. Read permet de consulter les rapports construits sur le modèle. Build permet de créer de nouveaux rapports et d’interroger le modèle. Write permet de le modifier.
  • La sécurité au niveau des lignes (RLS). Des rôles avec des filtres DAX, comme « un responsable régional ne voit que sa région », appliqués à chaque requête passant par le modèle.
  • La sécurité au niveau des objets (OLS). Elle masque des tables ou des colonnes pour certains rôles et est prise en charge en Import, DirectQuery et Direct Lake.

Pour Direct Lake, décidez aussi quelle identité lit les données. Par défaut, le modèle utilise l’authentification unique : l’identité de chaque utilisateur, qui doit donc aussi avoir un accès en lecture aux tables sources. Vous pouvez aussi lier le modèle à une connexion cloud à identité fixe : les utilisateurs interrogent alors le modèle sans aucun accès au Lakehouse ou au Warehouse. Microsoft recommande une identité fixe lorsque vous vous appuyez sur la RLS du modèle, car des utilisateurs ayant un accès direct à la source pourraient sinon contourner ses règles.

D’où le principe clé : la sécurité du modèle sémantique complète la sécurité de la couche de données ; elle ne la remplace pas. Les règles définies dans le modèle ne s’appliquent qu’aux requêtes passant par lui. Si les mêmes utilisateurs peuvent lire les tables via le point de terminaison SQL analytics ou OneLake, ces chemins nécessitent leurs propres contrôles, comme la sécurité OneLake, qui s’applique à tous les moteurs Fabric. Le guide de gouvernance Fabric précise quel contrôle s’applique à quelle couche.

Servir plusieurs consommateurs

Un modèle bien conçu peut servir de nombreux consommateurs :

  1. Données Gold
  2. Modèle sémantique
    • Rapports Power BI
    • ExcelAnalyser dans Excel, connexion active
    • Rapports paginés
    • Autres clients XMLAOutils compatibles avec le point de terminaison XMLA
Un modèle sémantique, de nombreux consommateurs. Le modèle est un contrat analytique partagé ; chaque consommateur réutilise les mêmes mesures et la même sécurité.

C’est l’idée d’architecture la plus importante de cet article : le modèle sémantique est un contrat analytique partagé. Quand la Finance ouvre Excel et que les Ventes ouvrent un rapport Power BI, toutes deux voient le même Total Sales, filtré par les mêmes règles de sécurité, depuis le même modèle approuvé. Les changements de ce contrat, comme de nouvelles mesures, des colonnes renommées ou de nouvelles relations, méritent le même soin que les changements de schéma d’une table Gold : versionnez-les dans Git, faites-les relire et déployez-les de Dev à Test puis à Prod.

La gouvernance s’applique directement. Un modèle sémantique de production est souvent le meilleur candidat à la certification dans Fabric, car c’est ce que les consommateurs utilisent réellement. Donnez-lui un responsable nommé, une étiquette de confidentialité et un lignage propre jusqu’à Gold.

Quand ne pas utiliser de modèle sémantique

Les modèles sémantiques sont une couche d’exposition analytique, pas une couche universelle d’accès aux données. Utilisez autre chose pour :

  • L’exploration brute par l’ingénierie : interrogez Bronze et Silver avec des notebooks ou du SQL.
  • Les charges de data science : les données d’entraînement et les expérimentations relèvent de notebooks qui lisent des tables Delta.
  • La préparation de features pour le machine learning : ces pipelines ont besoin de données ligne à ligne et de Spark, pas de mesures agrégées.
  • Les requêtes d’applications backend : les applications qui ont besoin de lignes précises doivent utiliser le point de terminaison SQL analytics, un Warehouse ou une couche API.
  • Les API opérationnelles : les lectures transactionnelles à faible latence ne sont pas ce pour quoi un modèle sémantique est conçu.

Si un consommateur a besoin de métriques aux définitions cohérentes et sécurisées, utilisez le modèle. S’il a besoin de lignes, utilisez les tables.

Du concept à la pratique : Lab 05

Cet article pose les bases conceptuelles d’un futur lab pratique, Lab 05 — Modèles sémantiques et Power BI, qui n’est pas encore publié. Il construira un modèle Gold, un modèle sémantique avec relations et mesures, le mode de stockage approprié (Direct Lake lorsqu’il convient) et un rapport Power BI. D’ici là, le Lab 01 : analyse des ventes de bout en bout dans Microsoft Fabric construit le Lakehouse et les tables Gold sur lesquels reposerait un tel modèle.

Conclusion

Le modèle sémantique est l’endroit où une plateforme de données cesse d’être un ensemble de tables pour devenir un ensemble de réponses. Gold rend les données correctes ; le modèle sémantique les rend porteuses de sens, cohérentes et sûres à consommer.

Dans Fabric, cette couche se place naturellement au-dessus d’une couche Gold en Lakehouse ou en Warehouse. Direct Lake supprime l’essentiel du coût d’actualisation qui rendait les grands modèles Import pénibles, à condition que les tables Delta soient bien entretenues et que la sécurité soit conçue délibérément. Concevez le modèle en étoile, gardez la logique métier dans les mesures, calculez en amont ce qui se calcule par ligne, et traitez le modèle comme un contrat gouverné et versionné, pas comme un sous-produit du premier rapport.

Références

Étiquettes

  • Microsoft Fabric
  • Power BI
  • Gold
  • Fabric Lakehouse
  • Fabric Warehouse
  • Rapports