Einführung

Semantische Modelle bilden die Grundlage für Analysen in Microsoft Fabric. Sie definieren, wie Daten über Berichte, Dashboards und KI-Erfahrungen hinweg strukturiert, berechnet und genutzt werden. Ein Modell, das für ein kleines Team in Power BI Desktop funktioniert, bedient nicht automatisch Hunderte von Benutzern in mehreren Datenspeichern. Wenn Datenvolumen wachsen, Teams wachsen und Nutzungsmuster sich verändern, müssen sich die Gestaltungsentscheidungen hinter dem Modell ändern.

Angenommen, eine Organisation skaliert ihre Analyseplattform in Microsoft Fabric. Ihre Daten leben über Seehäuser und Lagerhäuser hinweg, und ihre vorhandenen semantischen Modelle wurden in Power BI Desktop für kleine Teams erstellt. Jetzt müssen diese Modelle größere Datasets, gleichzeitige Benutzer und breitere Verbrauchsmuster verarbeiten. Die Modelle funktionieren in ihrer aktuellen Größe, wurden aber nicht für die Skalierung entwickelt.

In diesem Modul treffen Sie die Entwurfsentscheidungen, die ein semantisches Modell für die Skalierung vorbereiten. Zunächst wählen Sie den richtigen Speichermodus für den Datenfluss in das Modell aus. Anschließend entwerfen Sie Sternschemabeziehungen für Klarheit und Leistung. Als Nächstes entwerfen Sie Berechnungen, die leistungsstark und wartungsfreundlich bleiben, wenn Datenmengen und die Teamgröße wachsen. Schließlich konfigurieren Sie Einstellungen, die steuern, wie das Modell große Datasets, gleichzeitige Abfragen und zugriff auf externe Tools verarbeitet.

Am Ende dieses Moduls können Sie semantische Modelle entwerfen, die den richtigen Speichermodus verwenden, bewährte Methoden für Sternschemas befolgen, skalierbare Berechnungsmuster einschließen und für wachsende Datenvolumes und Verbrauchsanforderungen konfiguriert sind. Modelle, die für die Skalierung entwickelt wurden, profitieren auch vom KI-Verbrauch, da KI dieselben Anforderungen an ein Modell hat: aktuelle Daten, klare Beziehungen, beschreibende Strukturen und die Kapazität, zusätzliche Abfragelast zu verarbeiten.