Nota:
El acceso a esta página requiere autorización. Puede intentar iniciar sesión o cambiar directorios.
El acceso a esta página requiere autorización. Puede intentar cambiar los directorios.
En este artículo se explica qué son los modelos semánticos de Power BI, cómo difieren de las bases de datos relacionales y cómo power BI aborda la compatibilidad con modelos semánticos de terceros.
Modelos semánticos de Power BI
Los modelos semánticos de Power BI son el origen autoritativo de la verdad para el análisis ad hoc y la generación de informes en innumerables organizaciones. En función de la tecnología de modelado semántico de BI más adoptada en el mercado, los modelos semánticos de Power BI ofrecen una superficie de API madura, un rendimiento excepcional y escalabilidad para el análisis interactivo sobre datos masivos y un ecosistema dinámico de desarrolladores, asociados y herramientas de terceros.
Métricas empresariales para la reutilización
Los modelos semánticos altamente mantenidos exponen datos corporativos mediante convenciones de nomenclatura fáciles de usar, abstraer lógica de negocios compleja para cálculos sofisticados, relaciones inferidas, jerarquías de usuario, traducciones de metadatos y mucho más. Con un rendimiento excepcionalmente rápido de las consultas, los usuarios pueden analizar y desglosar conjuntos de datos masivos a la velocidad del pensamiento. Juntas, estas funcionalidades fomentan la confianza y impulsan decisiones coherentes en toda la organización.
Los modelos semánticos de Power BI son aceleradores para BI habilitado para IA
Los modelos semánticos de Power BI son una parte clave de Fabric IQ. Las preguntas de datos de lenguaje natural se responden de forma más coherente y fácil cuando la inteligencia artificial puede basarse en la lógica de negocios encapsulada por modelos semánticos. Los LLM ya están familiarizados con las superficies de API bien definidas para metadatos y consultas, lo que permite el modelo agente y el consumo. Los modelos semánticos de Power BI ya se implementan a gran escala en innumerables organizaciones de gran tamaño y están primos para acelerar el consumo controlado por inteligencia artificial a escala empresarial.
Los modelos semánticos también pueden basar experiencias de Microsoft 365 Copilot, como Microsoft 365 Copilot Chat y Microsoft 365 Copilot Cowork, por lo que los usuarios pueden formular preguntas empresariales y recibir respuestas contextuales basadas en definiciones empresariales reguladas directamente dentro de Microsoft 365 Copilot.
Las funcionalidades recientes amplían el ecosistema de modelos semánticos para escenarios de agente y de desarrollador:
- Las aptitudes del agente para Power BI permiten a los agentes de inteligencia artificial crear, editar y administrar modelos semánticos mediante lenguaje natural.
- La vista TMDL proporciona una experiencia basada en código para editar metadatos del modelo semántico en Power BI Desktop.
- Fabric Apps (versión preliminar) permite a los desarrolladores crear aplicaciones personalizadas en modelos semánticos.
Compromiso con estándares y plataformas abiertos
Con el modo de almacenamiento de Direct Lake, los modelos semánticos de Power BI son una parte clave del compromiso de Microsoft Fabric con los formatos estándar abiertos mediante Delta Lake parquet, Iceberg y OneLake. Este compromiso ayuda a los clientes a evitar el bloqueo en formatos de almacenamiento de proveedores propietarios. Los modelos semánticos de Power BI permiten la conectividad de plataforma libre para una amplia gama de herramientas de visualización de datos de terceros a través de la compatibilidad con el XMLA Endpoint. Los usuarios finales pueden realizar análisis ad hoc desde su herramienta de elección sin necesidad de crear copias locales de datos. Los modelos semánticos de Power BI son altamente programables mediante puntos de conexión REST de Fabric para operaciones CRUD, ejecución de consultas , administración de actualizaciones , compatibilidad con cuadernos de Python con vínculo semántico, programación de .NET mediante el modelo de objetos tabular (TOM) y definiciones de metadatos abiertas mediante el lenguaje de definición de modelos tabulares (TMDL) para la automatización.
Bases de datos relacionales frente a modelos semánticos
Una base de datos relacional (por ejemplo, SQL Server) está diseñada para almacenar y organizar datos en tablas estructuradas. Define cómo se almacenan y acceden los datos físicamente, sin centrarse en el significado empresarial. El álgebra relacional define cómo consultar estos datos mediante operaciones como selección y combinaciones para filtrar y combinar tablas y vistas.
Un modelo semántico proporciona una capa fácil de usar sobre los datos empresariales, mediante nombres claros, relaciones inferidas y métricas predefinidas. Los cálculos comunes, como las comparaciones de tiempo, las relaciones y las medidas financieras, son reutilizables, lo que permite a los usuarios no técnicos realizar análisis ad hoc mediante la creación de informes o el envío de preguntas a través de agentes de inteligencia artificial, al tiempo que se admiten decisiones coherentes y de confianza.
La precisión de los resultados es de gran importancia
Los clientes de Power BI dependen de la precisión de las métricas del modelo semántico para las decisiones empresariales críticas, con cálculos de modelos semánticos que sirven como origen definitivo de la verdad. La precisión de las respuestas es esencial para fomentar la confianza y impulsar decisiones coherentes en las organizaciones de clientes. En consecuencia, cualquier compatibilidad con modelos semánticos de terceros debe implementarse mediante un enfoque de integración que garantice la corrección semántica y conserve la integridad de los resultados devueltos a los usuarios.
Compatibilidad con modelos semánticos de terceros
Note
Algunos proveedores usan nombres diferentes para sus ofertas de modelo semántico. Por ejemplo, la capa semántica Cube, la capa semántica dbt, la vista semántica de Snowflake y las vistas de métricas de Databricks son nombres usados para describir las ofertas de productos de esos proveedores específicos de terceros. Tienen como destino el mismo caso de uso, pero ofrecen distintos niveles de madurez.
Power BI solo admite los siguientes modelos semánticos de terceros:
- SAP BW
- SAP HANA, cuando se trata como un origen multidimensional
- AtScale
Algunos proveedores están soportados como orígenes de bases de datos relacionales a través de modelos semánticos de DirectQuery. Sin embargo, esta compatibilidad no se extiende necesariamente a sus modelos semánticos. Power BI solo admite los modelos semánticos de terceros indicados anteriormente.
Patrón de uso del modelo semántico de DirectQuery
Note
DirectQuery es uno de los modos de almacenamiento disponibles para los modelos semánticos de Microsoft Power BI. Direct Lake desbloquea un rendimiento increíble en los datos de Delta Lake en OneLake sin necesidad de actualizaciones, mientras que el modo de importación se centra en las funcionalidades de velocidad y modelado.
DirectQuery se resalta aquí porque, si está superpuesta a modelos semánticos de terceros, puede provocar resultados inexactos debido a la evaluación en tiempo real en el origen de datos subyacente.
En el diagrama siguiente se muestra un patrón de uso del modelo semántico de DirectQuery:
Los usuarios interactúan con objetos visuales en informes de Power BI o envían preguntas de datos a través de un agente de IA.
Las consultas DAX se generan y envían al modelo semántico de Power BI que se ejecuta en modo DirectQuery.
El modelo semántico traduce las consultas DAX a consultas SQL y las federa a la base de datos relacional subyacente. La base de datos de origen lleva a cabo el procesamiento de consultas.
La utilización de modelos semánticos en capas – donde un modelo de terceros se interpone entre el modelo semántico de Power BI y la base de datos relacional – generalmente no está soportada. Del mismo modo, los proveedores de modelos semánticos de terceros normalmente no admiten capas sobre los modelos semánticos de Power BI de esta manera.
Los modelos semánticos de DirectQuery suelen admitir orígenes relacionales, pero no modelos semánticos de terceros para garantizar la precisión.
Los modelos semánticos de Power BI en modo DirectQuery admiten cientos de bases de datos relacionales de terceros (consulte Conectores de Power Query). La mayoría de los conectores no admiten modelos semánticos de terceros porque generarían resultados incorrectos para los usuarios. Los modelos semánticos de DirectQuery suelen basarse en el álgebra relacional en el origen para la corrección. Por ejemplo, los modelos semánticos definen relaciones inferidas para rutas de agregación predefinidas. La combinación de relaciones inferidas en un modelo semántico de terceros con las de un modelo semántico de DirectQuery puede producir valores incorrectos incluso para medidas simples.
Power BI se conecta a SQL Server Analysis Services Multidimensional y Tabular, y Azure Analysis Services, sin necesidad de un modelo semántico de DirectQuery intermedio. Para obtener más información, consulte comparación de live connect y DirectQuery.
Resumen
Los modelos semánticos de Power BI son omnipresentes en la bi empresarial, que representan decenas de millones de modelos semánticos activos. Proporcionan una capa de alto rendimiento y compatible con el negocio sobre los datos, que actúa como una fuente confiable de verdad para los insights impulsados por IA, al tiempo que admite estándares abiertos y amplias superficies de API.
A diferencia de las bases de datos relacionales, que se centran en el almacenamiento y la estructura de datos, los modelos semánticos agregan significado, relaciones inferidas y cálculos, lo que facilita el consumo de usuarios no técnicos. La precisión es fundamental, por lo que las integraciones , especialmente con los modelos semánticos de terceros, deben conservar la corrección. Power BI admite orígenes de datos relacionales en modo DirectQuery. En general, la superposición de modelos semánticos generalmente no se admite porque la combinación de varias capas semánticas puede dar lugar a resultados incorrectos para los clientes.