📌 En resumen
Implantar Microsoft Fabric va por fases: decidir si encaja (capacidad y licencias), provisionar la capacidad y los workspaces, ingerir datos en OneLake con pipelines, modelarlos en un lakehouse o warehouse, construir el modelo semántico y los informes en Power BI, y gobernar permisos y dominios. El error más común es comprar capacidad y empezar a cargar datos sin un modelo ni un gobierno definidos: acaba en un lago de datos caro y desordenado.
Microsoft Fabric unifica ingesta, almacenamiento, transformación y Power BI en una sola plataforma sobre OneLake. Bien implantado, simplifica mucho; mal implantado, es una factura de capacidad sin retorno. Antes de empezar conviene tener claro si Fabric es para ti —lo vemos en cuándo merece la pena Fabric en una pyme— y luego seguir un orden.
¿Qué es Microsoft Fabric y cuándo encaja?
Es la plataforma de datos integrada de Microsoft: combina ingesta (Data Factory), almacenamiento (OneLake), procesamiento (lakehouse/warehouse) y analítica (Power BI) bajo un modelo de capacidad. Encaja cuando ya vives en el ecosistema Microsoft, quieres unificar herramientas dispersas y tienes volumen suficiente para justificar la capacidad. Para necesidades muy pequeñas, puede ser excesivo.
¿Cuáles son las fases de implantación?
- 1Decidir y dimensionar: confirma que Fabric encaja y elige el tamaño de capacidad (SKU) inicial.
- 2Provisionar: crea la capacidad y organiza los workspaces por dominio o equipo.
- 3Ingerir: trae los datos a OneLake con pipelines y dataflows, partiendo de las fuentes prioritarias.
- 4Modelar: estructura los datos en un lakehouse o un warehouse según el caso de uso.
- 5Analizar: construye el modelo semántico y los informes en Power BI sobre esa base.
- 6Gobernar: define permisos, dominios, linaje y calidad desde el principio.
- 7Monitorizar: vigila el consumo de capacidad (CU) y optimiza lo que más consume.
¿Lakehouse o warehouse en Fabric?
Fabric ofrece ambos sobre OneLake. El lakehouse encaja con datos variados y cargas de ingeniería/ciencia de datos (trabajo con archivos y notebooks); el warehouse, con un enfoque más SQL y modelado relacional para BI. No es excluyente: muchas implantaciones combinan ambos. La decisión depende del perfil del equipo y del tipo de cargas, no de la moda. Es una de las decisiones que se cierran durante el diseño de la plataforma de datos, junto con el modelo por capas, la estrategia de cargas y los permisos.
¿Cómo controlar el coste de capacidad?
- Empieza con una capacidad ajustada y escala según consumo real, no al revés.
- Identifica y optimiza las cargas que más unidades de capacidad (CU) consumen.
- Programa las actualizaciones para evitar picos simultáneos.
- Revisa periódicamente el uso: una capacidad infrautilizada o saturada es dinero mal gastado.
¿Qué gobierno necesita desde el día uno?
Permisos por workspace y por elemento, dominios para organizar el dato por área, linaje para saber de dónde viene cada cifra y controles de calidad. Dejarlo "para después" es el error que convierte OneLake en un vertedero. Si vienes de una implantación más amplia, encaja con la guía de implementación de Fabric en empresa.
¿Cuánto dura una implantación de Microsoft Fabric?
Como estimación operativa de proyectos MERIDIAN, no como plazo garantizado de mercado, una primera implantación acotada —una capacidad, un par de fuentes prioritarias, un lakehouse o warehouse y los primeros informes— suele requerir de 4 a 8 semanas. Una plataforma que unifica varias fuentes, con gobierno, dominios y migración de informes existentes, se mide en meses y conviene hacerla por olas: un dominio o área primero, medir y extender.
¿Qué tamaño de capacidad (SKU) elegir para empezar?
Fabric se factura por capacidad, con SKUs que van desde F2 (la más pequeña) hacia arriba (F4, F8, F16…), cada una con más unidades de cálculo. La recomendación es empezar por una capacidad pequeña, ajustada al consumo previsto, y escalar cuando el uso real lo pida, no al revés. Dos palancas controlan el gasto: pausar la capacidad cuando no se usa (por ejemplo, fuera del horario laboral) y reservarla de forma anual si el uso es estable, que sale más barato que el pago por horas. Lo importante es vigilar el consumo desde el primer día con la métrica de capacidad.
¿Cómo migrar desde Power BI Premium o un stack disperso?
Si ya usas Power BI Premium, buena parte de tus informes y modelos se pueden llevar a Fabric de forma progresiva, porque comparten motor. Si vienes de un stack disperso (bases de datos sueltas, Excels, alguna herramienta de ETL), el orden es el mismo que en cualquier arquitectura de datos: inventariar fuentes, priorizar las que más valor dan, llevarlas a OneLake y reconstruir el modelo encima, sin arrastrar la deuda técnica del sistema anterior.
¿Qué errores evitar al implantar Fabric?
- Comprar capacidad y cargar datos sin modelo ni gobierno definidos.
- Migrarlo todo de golpe en vez de empezar por las fuentes y casos prioritarios.
- Ignorar el consumo de capacidad hasta que llega la factura.
- Montar informes sobre datos no gobernados: bonitos, pero poco fiables.
Preguntas frecuentes
¿Por dónde se empieza a implantar Microsoft Fabric?
Por confirmar que Fabric encaja con tu caso y dimensionar la capacidad inicial. Después: provisionar la capacidad y los workspaces, ingerir las fuentes prioritarias en OneLake, modelar en lakehouse o warehouse, construir el modelo semántico y los informes en Power BI, y gobernar permisos y dominios desde el principio. El orden importa: el gobierno no se deja para el final.
¿Cómo se controla el coste de Fabric?
Fabric se factura por capacidad (unidades de capacidad, CU). Para controlarlo: empieza con una capacidad ajustada y escala según consumo real, optimiza las cargas que más consumen, programa las actualizaciones para evitar picos y revisa el uso periódicamente. Comprar una capacidad grande "por si acaso" es el error de coste más habitual.
¿Necesito Fabric o me basta con Power BI?
Si solo necesitas informes sobre fuentes ya ordenadas, Power BI puede bastar. Fabric aporta cuando quieres unificar ingesta, almacenamiento, transformación y análisis en una sola plataforma, tienes volumen y vives en el ecosistema Microsoft. Para necesidades pequeñas, Fabric puede ser excesivo; conviene validar el encaje antes de implantarlo.
Siguiente paso recomendado
Plataforma de datos
Data warehouse, pipelines y modelo de datos preparado para BI, IA y gobierno del dato.
Sin compromiso · Respuesta en < 24h
Autor
Fundador y Consultor de Datos e IA
David Aldomar es fundador y consultor principal de MERIDIAN Data & IA, consultora especializada en ayudar a pymes y empresas medianas en España a tomar mejores decisiones con sus datos. Su trabajo se centra en cuatro áreas: diseño e implantación de plataformas de datos (data warehouses, pipelines ETL con dbt, integración de ERPs y CRMs), reporting y dashboards ejecutivos en Power BI, automatización de procesos de negocio con herramientas como n8n, y desarrollo de soluciones de inteligencia artificial aplicada — desde modelos de forecasting de demanda hasta copilots internos basados en RAG con LangChain y FastAPI. Ha liderado proyectos en sectores como logística y transporte, retail y distribución, servicios financieros, manufacturing y construcción, siempre con un enfoque pragmático: diagnóstico corto, entregables concretos y transferencia de conocimiento al equipo del cliente para que sea autónomo desde el primer día. Antes de fundar MERIDIAN, trabajó como ingeniero de datos y BI en entornos empresariales reales: arquitecturas Data Warehouse por capas (Bronze/Silver/Gold), pipelines ETL/ELT en AWS (S3, Glue, Redshift Serverless, Athena) y stacks Microsoft (SQL Server, Power BI, Azure), integrando fuentes tan dispares como ERPs, CRMs y bases de datos operacionales — PostgreSQL, MariaDB — en una única fuente fiable para negocio, finanzas y reporting. Tiene un Máster en Ciencia de Datos e Ingeniería del Dato en la Nube. Su filosofía es que un buen proyecto de datos no se mide por la tecnología que usa, sino por las decisiones de negocio que permite tomar. Escribe regularmente en el blog de MERIDIAN sobre reporting, gobierno del dato, automatización e IA aplicada, con guías prácticas orientadas a responsables de negocio y equipos técnicos de empresas que quieren sacar partido real a sus datos sin depender de grandes consultoras.
Fuentes