Introdução

Modelos semânticos são a base da análise em Microsoft Fabric. Eles definem como os dados são estruturados, calculados e consumidos em relatórios, dashboards e experiências de IA. Um modelo que funciona para uma pequena equipe no Power BI Desktop não atende automaticamente centenas de usuários em vários armazenamentos de dados. Quando os volumes de dados crescem, as equipes se expandem e os padrões de consumo mudam, as decisões de design por trás do modelo precisam ser alteradas.

Suponha que uma organização esteja dimensionando sua plataforma de análise em Microsoft Fabric. Os dados deles estão espalhados por casas à beira de lagos e armazéns, e seus modelos semânticos existentes foram construídos no Power BI Desktop para pequenas equipes. Agora, esses modelos precisam lidar com conjuntos de dados maiores, usuários mais simultâneos e padrões de consumo mais amplos. Os modelos funcionam em seu tamanho atual, mas não foram projetados para escala.

Neste módulo, você toma as decisões de design que preparam um modelo semântico para escala. Você começa escolhendo o modo de armazenamento correto para como os dados fluem para o modelo. Em seguida, você projeta relações de esquema estrela visando clareza e desempenho. Em seguida, você projeta cálculos que permanecem com desempenho e mantêveis à medida que os volumes de dados e o tamanho da equipe aumentam. Por fim, você define as configurações que controlam como o modelo lida com grandes conjuntos de dados, consultas simultâneas e acesso a ferramentas externas.

Ao final deste módulo, você poderá criar modelos semânticos que usam o modo de armazenamento correto, seguir as práticas recomendadas do esquema estrela, incluir padrões de cálculo escalonáveis e são configurados para aumentar os volumes de dados e as demandas de consumo. Os modelos projetados para escala também beneficiam o consumo de IA, pois a IA exige as mesmas coisas de um modelo: dados atuais, relações claras, estruturas descritivas e capacidade de lidar com carga de consulta adicional.