Le organizzazioni moderne raccolgono dati da fonti diverse — database transazionali, file, flussi in tempo reale, applicazioni SaaS — e storicamente hanno dovuto usare strumenti separati per ingerirli, trasformarli, archiviarli e analizzarli, spesso duplicando gli stessi dati in più sistemi. Microsoft Fabric nasce per risolvere questo problema, unificando l’intera catena analitica in un’unica piattaforma.

Che cos’è Microsoft Fabric

Microsoft Fabric è una piattaforma di analisi dei dati SaaS (Software as a Service) end-to-end: copre l’intero ciclo di vita del dato, dall’ingestione fino alla visualizzazione in un report, all’interno di un solo prodotto integrato. A differenza dei servizi PaaS tradizionali, in cui l’utente deve provisionare e gestire infrastruttura, Fabric è completamente gestito da Microsoft e si consuma tramite una capacity unica, con un modello di licensing semplificato.

Fabric integra e fa evolvere tecnologie già note (come Azure Synapse Analytics, Data Factory e Power BI) in un’esperienza coesa, accessibile da un unico portale web con governance centralizzata tramite Microsoft Purview.

OneLake: un unico data lake logico

Il cuore di Fabric è OneLake, il data lake unico e logico dell’intera organizzazione. Il principio guida è spesso descritto come “OneDrive per i dati”: come ogni tenant Microsoft 365 ha un solo OneDrive, ogni tenant Fabric ha un solo OneLake, creato automaticamente e condiviso da tutti i workload.

Caratteristiche chiave:

  • Copia unica dei dati: i dati risiedono una sola volta in OneLake e vengono usati da tutti i motori, senza dover essere copiati o spostati da un servizio all’altro.
  • Formato aperto: OneLake memorizza i dati tabellari nel formato Delta Lake / Parquet, uno standard aperto che tutti i workload di Fabric condividono.
  • Shortcut: permettono di referenziare dati che risiedono altrove (ad esempio in Azure Data Lake Storage o Amazon S3) senza duplicarli, facendoli apparire come se fossero in OneLake.

Il concetto di lakehouse

Il lakehouse è un’architettura che unisce la flessibilità di un data lake con le capacità strutturate di un data warehouse. Storicamente si sceglieva tra:

  • Data lake: archivia dati grezzi in qualsiasi formato (strutturati, semi-strutturati, non strutturati), economico e scalabile, ideale per data science e big data.
  • Data warehouse: dati strutturati e modellati, ottimizzati per query SQL e reporting business.

Il lakehouse combina i due mondi: i dati stanno nel lake in formato aperto, ma sul lakehouse è disponibile anche un endpoint SQL in sola lettura per interrogarli come tabelle. È la scelta tipica quando si lavora con Apache Spark e notebook, o con dati di volume e varietà elevati.

I principali workload di Fabric

Fabric organizza l’esperienza in workload (chiamati anche “experience”), ciascuno pensato per un ruolo specifico ma tutti appoggiati sullo stesso OneLake:

  • Data Engineering: creazione e gestione di lakehouse tramite Spark e notebook per trasformare grandi volumi di dati.
  • Data Warehouse: un warehouse relazionale completo, con transazioni SQL in lettura e scrittura, per dati modellati e reporting strutturato.
  • Data Factory: ingestione e orchestrazione dei dati con centinaia di connettori e pipeline (a supporto degli altri workload).
  • Real-Time Intelligence: analisi di dati in streaming e ad alta frequenza (log, telemetria IoT, eventi) per insight in tempo reale.
  • Data Science: modelli di machine learning con integrazione ad Azure Machine Learning.
  • Power BI: visualizzazione e reportistica; grazie alla modalità Direct Lake, Power BI legge i dati direttamente da OneLake con le prestazioni dell’in-memory ma senza importare copie.

Il vantaggio strategico è la copia unica dei dati: engineer, analisti SQL e utenti business lavorano tutti sugli stessi file in OneLake, eliminando silos, duplicazioni e disallineamenti.

Trappole tipiche d’esame

  • Scenario: serve una piattaforma di analisi SaaS che unifichi ingestione, trasformazione, warehouse e reporting senza gestire infrastruttura → Microsoft Fabric (non i singoli servizi PaaS separati).
  • Scenario: dove risiedono fisicamente i dati di tutti i workload di Fabric, in un’unica posizione logica per tutta l’organizzazione? → OneLake.
  • Scenario: hai grandi volumi di dati grezzi, usi Spark/notebook e vuoi comunque poterli interrogare con SQL → usa un lakehouse; se invece hai dati già strutturati e ti serve SQL transazionale in lettura/scrittura, usa un warehouse.
  • Scenario: devi analizzare flussi di eventi e telemetria in tempo reale → workload Real-Time Intelligence (non Data Warehouse).
  • Scenario: vuoi usare in OneLake dati che stanno già in ADLS Gen2 o S3 senza copiarli → crea una shortcut (non una nuova copia/pipeline di ingestione).