Support formation Microsoft Fabric

Pages
- Présentation du support
  Cours DP-600
  Untitled page
  Cours DP-700
  Configuring Access Control in Microsoft Fabric | DP-700 EXAM PREP (Video 4 of 11)
- Organisation des formations Power BI & Fabric
- Présentation de Fabric
  Architectures
  Architecture Médaillon
  Les architectures de données
  Tableau comparatif : Power BI standalone vs Microsoft Fabric
  36 questions à se poser pour démarrer sur Fabric
  10 choses à arrêter de faire / commencer à faire sur Fabric
  7 erreurs de capacités, espaces de travail et de contrôle d'accès dans Fabric
  Guides de décision
- Charges de travail Fabric
  Stratégies d'actualisation
  Lakehouse
  Gestion du partage d'un lakehouse
  Ingestion avec un notebook
  Warehouse
  Gestion du partage d'un warehouse
  Pipeline (Data Factory)
  Real time
  Data Science
- Feuille de route d'adoption de Microsoft Fabric
  Synthèse
- Administration de Fabric
  Licences Fabric
  Sécurité
  Rôles dans les espaces de travail
  Superviser et gérer
  Paramètres du client (tenant settings) - Portail d’administration Power BI
- Suivi des évolutions
- Exercices
  Ressources pédagogiques
  Exercice GreenCycle (Dataflow Gen2)
  Exercice Lakehouse
- Domaines
- Consolidation multi-clients : Bronze vers Silver

Support formation Microsoft Fabric

...

Guides de décision

Explore

Guides de décision

⁠

1. Introduction aux guides de décision Fabric

Microsoft Fabric propose un large éventail de services et d'outils pour couvrir l'ensemble du cycle de vie des données : ingestion, transformation, stockage, analyse et visualisation. Face a cette richesse fonctionnelle, il est essentiel de savoir choisir le bon outil pour le bon usage.

Ce document synthétise les quatre guides de décision officiels de Microsoft et les présente sous une forme pédagogique, structurée autour de quatre questions fondamentales :

Comment intégrer les données ? Quelle stratégie globale d'intégration choisir (déplacement, orchestration, transformation)

Comment déplacer les données ? Quel outil de déplacement privilégier (mise en miroir, travail de copie, activité de copie, flux d'événements)

Où stocker les données ? Quel magasin de données utiliser (lakehouse, warehouse, eventhouse, base de données SQL, Cosmos DB)

Lakehouse ou warehouse ? Comment trancher entre ces deux options d'entreposage

À retenir

Ces guides ne sont pas exclusifs : dans une architecture Fabric réelle, vous combinerez généralement plusieurs de ces outils. L'objectif est de comprendre le cas d'usage principal de chacun pour faire un choix éclaire.

⁠

2. Choisir une stratégie d'intégration des données

Le premier niveau de décision consiste à identifier votre objectif principal. Microsoft Fabric organise l'intégration des données autour de trois piliers : le déplacement, l'orchestration et la transformation. Chaque pilier dispose de ses propres outils.

2.1. Les quatre questions clés

Pour choisir la bonne stratégie, posez-vous ces questions :

⁠

Les quatre questions clés

Les quatre questions clés

⁠

2.2. Les stratégies de déplacement des données

Le déplacement des données consiste à amener les données depuis vos sources vers Fabric. Quatre outils sont disponibles :

Cas d'usage

Réplication continue

Ingestion + réplication

Ingestion de données

Streaming temps réel

Sources

6+ connecteurs

50+ connecteurs

25+ sources

Destinations

OneLake (lecture seule)

40+ connecteurs

4+ destinations

Type de données

Quasi temps réel

Batch / incrémentiel / CDC

Batch / bulk

Streaming continu

Niveau de code

Aucun code

Aucun / low-code

Transformations

Aucune

Faibles

Moyennes (Stream Analytics)

Persona cible

Admin BDD, analyste

Analyste, integrateur

Integrateur, ingénieur

Ingénieur, analyste

There are no rows in this table

⁠

Source : Microsoft Learn - Guide d'intégration

2.3. Les stratégies d'orchestration

L'orchestration permet de coordonner et planifier l'exécution de plusieurs taches de données. Deux options s'offrent à vous :

Approche

Low-code, visuelle (glisser-deposer)

Code-first (Python, DAGs)

Connecteurs

Tous les connecteurs Fabric

100+ connecteurs Airflow

Niveau de code

Aucun / low-code

Code-first (Python)

Persona cible

Analyste, integrateur, ingénieur

Utilisateurs Apache Airflow

Cas d'usage

Regroupement logique d'activites multiples

Workflows complexes orientes code

There are no rows in this table

⁠

2.4. Les stratégies de transformation

La transformation consiste à nettoyer, enrichir et préparer les données pour l'analyse. Trois outils sont disponibles selon votre profil :

Approche

Code-first

Sans code (Power Query)

Sans code / SQL

Sources

100+ bibliotheques Spark

170+ connecteurs + SDK

25+ sources

Destinations

100+ bibliotheques Spark

7+ connecteurs

4+ destinations

Complexite

Elevee (jointures, ML, etc.)

Elevee (400+ transformations)

Moyenne

Niveau de code

Code-first (Python, Scala, R, SQL)

Aucun / low-code

Persona cible

Data scientist, développeur

Ingénieur, analyste

There are no rows in this table

⁠

Source : Microsoft Learn - Guide d'intégration

⁠

3. Choisir une stratégie de déplacement des données

Ce chapitre approfondit le choix du bon outil de déplacement en comparant en détail les quatre mécanismes disponibles dans Fabric.

3.1. Arbre de décision simplifié

Pour choisir rapidement, suivez ce raisonnement :

⁠

3.2. Comparaison détaillée des capacités

Le tableau ci-dessous détaillé les capacités fonctionnelles de chaque outil de déplacement :

3.3. Concepts clés par outil

Mise en miroir (Mirroring)

Solution simple et économique pour répliquer des données dans Fabric.

Offre une synchronisation en quasi temps réel sans configuration de pipeline.

Données écrites en lecture seule dans OneLake au format Delta.

Idéale pour rendre les bases de données accessibles à l'analytique sans impacter les systèmes sources.

Travail de copie (Copy Job)

Comble le vide entre la mise en miroir et l'activité de copie.

Offre une interface assistée sans code.

Propose la copie incrémentielle native basée sur des filigranes.

Détecte automatiquement les tables compatibles CDC (Change Data Capture)

Prend en charge la sélection multi-tables, les comportements upsert et la planification personnalisée sans construction de pipeline.

⁠

Activité de copie (Copy Activity)

Intégrée aux pipelines, offre le plus haut niveau de personnalisation.

Permet des requêtes SQL personnalisées à la source.

Orchestration avec d'autres activités (procédures stockées, appels API, notifications).

Gestion avancée des erreurs.

Solution privilégiée pour les architectures médaillon complexes et les volumes à l'échelle du petaoctet.

Flux d'événements (Eventstreams)

Conçus pour l'ingestion et le traitement de données en streaming temps réel.

Permettent d'appliquer des transformations légères (analyse de flux SQL).

Routent les événements vers plusieurs destinations (eventhouse, lakehouse, activateur).

Créent des tableaux de bord mis à jour en quelques secondes.

Adaptés aux scénarios IoT, monitoring et alerting.

Bonne pratique

Dans de nombreux projets, vous combinerez plusieurs de ces outils. Par exemple : la mise en miroir pour les bases opérationnelles, le travail de copie pour les sources externes, et les flux d'événements pour le monitoring temps réel.

4. Choisir un magasin de données

Une fois les données ingérées dans Fabric, il faut choisir ou les stocker. Fabric propose cinq types de magasins de données, chacun optimise pour des cas d'usage spécifiques. Tous stockent leurs données dans OneLake au format ouvert.

⁠

4.1. Les cinq magasins de données Fabric

Lakehouse

Big data, ML, données non/semi-structurées, ingénierie des données

Ingénieur données, data scientist

PySpark, Delta Lake, notebooks

Spark (Scala, PySpark, SQL, R)

Entrepôt de données (Warehouse)

BI SQL, OLAP, entreposage d'entreprise, transactions multi-tables

Développeur warehouse, architecte

Concepts d'entreposage, schema en etoile

T-SQL

Eventhouse

Données de streaming, analytique interactive, series temporelles, haute granularité

Développeur, data scientist, ingénieur

KQL, SQL

KQL, T-SQL

Base de données SQL

Base OLTP, transactions ACID, applications opérationnelles

Développeur, admin BDD

Administration BDD, Azure SQL

T-SQL

Cosmos DB dans Fabric

IA, NoSQL, recherche vectorielle

Développeur IA, développeur applicatif

NoSQL, API REST

JavaScript, Python, C#, Java

There are no rows in this table

⁠

Source : Microsoft Learn - Guide magasin de données

4.2. Arbre de décision simplifié

⁠

À retenir

Tous les magasins de données Fabric stockent leurs données dans OneLake au format ouvert (Delta).

= les données d'un lakehouse peuvent être interrogées depuis un entrepôt via des requêtes inter-bases de données, et vice versa.

Le choix du magasin n'est donc pas un choix d'isolation mais de moteur de traitement optimal.

5. Lakehouse ou entrepôt de données ?

C'est probablement la question la plus fréquente dans un projet Fabric. Ces deux magasins de données couvrent des cas d'usage proches mais avec des approches différentes. Cette section vous aide à trancher.