L’intégration Databricks Power BI place les métriques partagées avant les définitions locales
Databricks a annoncé un aperçu privé le 10 novembre 2026, apportant des métriques métier définies de manière centralisée dans Power BI tout en conservant les modifications de définition en amont. L’intégration Databricks Power BI relie le reporting à Unity Catalog, son catalogue de gouvernance des données, par l’intermédiaire de définitions de métriques publiées. La promesse est une signification métier partagée entre les applications ; la contrainte est que la publication reste orientée dans un seul sens.
Cette distinction compte pour les organisations qui souhaitent conserver des rapports familiers sans maintenir des interprétations distinctes du chiffre d’affaires, de la marge ou de l’activité client. Une couche sémantique, qui définit les métriques métier et les relations au-dessus des données brutes, détermine ce que signifient réellement ces chiffres. Databricks veut placer cette autorité en amont des outils de reporting individuels.
Microsoft présente également les modèles sémantiques Power BI, qui regroupent les calculs métier et les relations destinés à l’analyse, comme des ressources métier faisant autorité. Le choix immédiat des clients concerne la propriété : quel système définit une métrique, et quels systèmes la consomment ? Cet aperçu apporte une réponse concrète aux équipes centrées sur Databricks, tout en laissant à leur charge le travail de synchronisation, de sécurité et de compatibilité.
Ce que change l’intégration Databricks Power BI
L’aperçu modifie l’origine des définitions de reporting, tout en préservant Power BI comme destination pour les utilisateurs métier.
Selon l’annonce de publication des métriques, les organisations peuvent publier des vues de métriques Unity Catalog dans Power BI. Les vues de métriques sont des définitions réutilisables de mesures métier et de dimensions analytiques. Chaque vue publiée devient une table de modèle, avec les dimensions représentées sous forme de colonnes et les mesures éligibles traduites en DAX, le langage de calcul de Power BI.
L’annonce décrit la prise en charge des agrégations standard, des ratios, des décomptes distincts et de certaines mesures de fenêtre, qui calculent sur des plages définies de temps ou de tri. Elle décrit également la publication par Catalog Explorer, l’interface du catalogue, ou par des tâches automatisées. L’accès demeure en aperçu privé par l’intermédiaire d’un contact de compte Databricks, plutôt qu’en disponibilité générale.
Le changement concret est un chemin de publication entre des environnements qui, autrement, incitent les équipes à maintenir des définitions parallèles. Un spécialiste du reporting peut travailler avec des champs et des mesures reconnaissables sans recréer indépendamment chaque calcul approuvé. Cela réduit une source particulière de désaccord : des implémentations indépendamment maintenues de la même règle métier.
Prenons l’exemple d’une revue illustrative du chiffre d’affaires. La finance exclut les transactions annulées, tandis qu’un tableau de bord commercial comptabilise les commandes dès leur entrée dans le système. Les deux rapports peuvent interroger correctement leurs données sous-jacentes tout en produisant des résultats différents. Le désaccord provient des définitions, et non d’un graphique défectueux ou d’une erreur arithmétique.
Une paternité centralisée donne à ces équipes un point précis où résoudre le désaccord. Elles doivent décider si les mesures décrivent le même concept métier. Si c’est le cas, elles peuvent partager une définition approuvée. Sinon, l’organisation devrait leur donner des noms différents et expliquer leurs objectifs distincts.
La publication ne prend pas cette décision métier. Elle transporte la décision dans une autre application après que quelqu’un l’a prise. Cette limite maintient l’annonce dans un cadre réaliste : l’intégration traite les implémentations dupliquées, tandis que l’accord organisationnel reste un préalable.
Pour les lecteurs qui évaluent l’intégration Databricks Power BI, c’est l’événement significatif. Databricks propose un moyen pour les flux de reporting existants de consommer des définitions maintenues ailleurs. Les clients peuvent évaluer cette voie sans faire d’une migration de l’interface de reporting le projet central.
L’aperçu devrait donc être jugé selon sa capacité à réduire le travail de rapprochement sur les rapports réels. Une démonstration réussie inclut un accord sur la signification d’un chiffre, en plus d’un accord sur sa valeur affichée. De simples captures d’écran concordantes fournissent une preuve moins solide.
Les définitions partagées déplacent la responsabilité en amont
La centralisation de la paternité des métriques rend les équipes data responsables des conséquences en aval des modifications de définition.
La pression s’exerce le plus directement sur les équipes qui maintiennent les produits de données Databricks tout en soutenant un reporting Power BI établi. Les définitions partagées leur offrent moins d’implémentations parallèles à rapprocher. En contrepartie, leurs changements deviennent des dépendances pour des collègues dont les calendriers et priorités de reporting diffèrent.
Un calcul détenu par un département peut évoluer au sein d’un groupe de travail relativement restreint. Une définition partagée du chiffre d’affaires exige une coordination plus large, car plusieurs consommateurs dépendent de sa signification. La capacité technique à publier un changement ne détermine pas qui devrait l’approuver.
Cela crée une question de propriété avant de créer une question d’outillage. La finance peut détenir l’interprétation comptable, l’ingénierie des données peut l’implémenter, et les équipes de reporting peuvent gérer la présentation. Une définition centrale fonctionne mieux lorsque ces responsabilités sont suffisamment explicites pour résoudre les désaccords.
Dans un rapport de campagne illustratif, les analystes pourraient comparer les dépenses aux revenus attribués. Une modification de la politique d’attribution changerait l’interprétation de la performance de la campagne, même si les transactions sous-jacentes restaient inchangées. Les utilisateurs métier doivent comprendre ce changement avant de comparer les résultats entre différentes périodes de reporting.
Le propriétaire du modèle central devrait donc distinguer une correction d’une révision de politique. Une correction répare une implémentation qui n’exprimait pas la règle existante. Une révision de politique modifie la règle approuvée elle-même. Ces événements méritent des explications différentes, même lorsqu’ils arrivent tous deux sous forme de calculs mis à jour.
Les modèles sémantiques Power BI restent importants dans cet agencement, car ils se situent près de l’expérience de reporting. Leurs propriétaires comprennent les mises en page des rapports, les attentes des utilisateurs et les dépendances que les équipes en amont pourraient négliger. La paternité centrale devrait donner à ces propriétaires une dépendance plus claire à gérer.
Une équipe en amont qui considère la publication comme la fin de sa responsabilité manquerait ce changement opérationnel. Une définition utile inclut un propriétaire responsable, une explication et un processus de traitement des questions. Sans ces éléments, un calcul partagé peut devenir une source centralisée de confusion.
La même question s’applique à l’analyse assistée par IA. Une réponse peut utiliser la formule approuvée tout en comprenant mal la question métier de l’utilisateur. Une logique de calcul partagée réduit une source d’erreur, mais elle ne peut pas déterminer si la métrique demandée convient à la décision.
Les organisations qui structurent déjà leurs décisions techniques au moyen d’une base de connaissances IA consultable reconnaîtront cette distinction. Une formule et le raisonnement qui la sous-tend remplissent des fonctions liées. Maintenir ce raisonnement accessible aide les collègues à interpréter les changements sans reconstruire la discussion d’origine.
Pour les acheteurs d’entreprise, la conséquence immédiate est organisationnelle plutôt que spéculative. Un pilote nécessite la participation des propriétaires des métriques métier, des spécialistes du reporting et des administrateurs de plateforme. L’évaluer uniquement comme un exercice de connecteur laisserait sans réponse les questions de propriété les plus importantes.
Power BI reste un modèle, même lorsque les définitions commencent ailleurs
L’intégration préserve un modèle en aval ; la compatibilité dépend donc de la fidélité avec laquelle la publication représente les définitions en amont.
Les exigences de publication décrivent des conditions d’éligibilité précises. Les colonnes utilisées par les mesures doivent apparaître comme dimensions, et les champs doivent avoir des noms. Des entrées manquantes peuvent entraîner l’abandon de mesures. La documentation identifie également des modèles non pris en charge, notamment les vues de métriques multi-sources et certains calculs de fenêtre.
Ces contraintes modifient la signification d’une publication réussie. Une opération peut produire un modèle utilisable sans transporter chaque mesure prévue. Les équipes doivent donc comparer l’inventaire des champs obtenu aux exigences métier, plutôt que de considérer l’achèvement de l’opération comme une preuve d’exhaustivité.
Un rapport financier illustratif clarifie la distinction. Un total pourrait être publié avec succès alors qu’une comparaison spécialisée ne le serait pas. Les utilisateurs pourraient toujours ouvrir le rapport et explorer les champs disponibles. La comparaison manquante resterait un problème métier, même si l’intégration avait effectué son travail pris en charge.
C’est pourquoi la structure du modèle en aval mérite de l’attention. Les auteurs de rapports travaillent avec les champs qu’ils reçoivent, et leurs interprétations dépendent des relations et calculs disponibles. La qualité de la traduction doit être évaluée à travers le comportement analytique du rapport.
Les recommandations de Microsoft sur la compatibilité des modèles sémantiques fournissent un contexte concurrentiel pertinent. Elles avertissent que la superposition de systèmes sémantiques peut produire des résultats incorrects lorsque les comportements de relation et d’agrégation entrent en conflit. Microsoft décrit également les modèles Power BI comme des ressources destinées aux outils externes et à la consommation par l’IA via des interfaces programmables.
Cette position complique toute suggestion selon laquelle les clients seraient confrontés à un simple choix entre une couche en amont ouverte et une application de reporting isolée. Les deux fournisseurs présentent leurs modèles comme une infrastructure métier réutilisable. Leur désaccord porte sur l’emplacement de l’autorité et sur les modèles d’intégration qui préservent l’exactitude.
L’aperçu devrait par conséquent être évalué comme un mécanisme de publication particulier. Il n’établit pas de compatibilité universelle entre les produits sémantiques. Un chemin pris en charge pour certaines définitions ne dit pas grand-chose d’un agencement de modèles non lié ou d’un rapport existant reposant sur des hypothèses différentes.
Pour les clients, la comparaison utile porte sur les approches opérationnelles. Conserver les définitions principalement dans Power BI aligne la paternité avec l’expertise de reporting existante. Les maintenir en amont vise à servir un ensemble plus large de consommateurs. La meilleure option dépend de l’endroit où la logique métier partagée doit réellement circuler.
Une équipe ne servant que des rapports établis pourrait voir peu d’intérêt à déplacer la paternité. Une équipe qui reconstruit à plusieurs reprises les mêmes mesures approuvées dans différentes applications a une raison plus claire d’enquêter. Aucune de ces situations ne désigne un vainqueur universel.
L’évaluation devrait également inclure les exceptions. Si une mesure requise se situe hors du chemin de publication, l’organisation a besoin d’une décision explicite sur son traitement. Reconstruire discrètement cette mesure en aval réintroduirait la propriété scindée que le projet visait à réduire.
Les vues de métriques Unity Catalog doivent donc gagner la confiance au travers de cas analytiques représentatifs. Les totaux, les résultats filtrés et les comparaisons propres à l’activité doivent concorder pour des raisons que l’équipe peut expliquer. L’exactitude est plus convaincante lorsqu’elle résiste aux interactions ordinaires avec les rapports.
DirectQuery et Import créent des frontières de gouvernance différentes
Les définitions de métriques partagées ne créent pas des contrôles d’accès identiques entre les modes de stockage.
DirectQuery, un mode qui envoie les requêtes de rapport à la source, maintient l’exécution des requêtes connectée à Databricks. Import, un mode qui stocke une copie des données dans Power BI, crée une frontière d’accès distincte. La documentation de préversion indique que les politiques Unity Catalog s’appliquent à DirectQuery, tandis que les données importées suivent les autorisations Power BI.
Cette distinction doit structurer la réflexion sur la gouvernance dès le départ. Une organisation ne peut pas supposer que la protection de la source protège automatiquement chaque copie en aval selon les mêmes règles. Elle doit identifier le système responsable de l’accès au moment où les utilisateurs consomment les données.
Un rapport illustratif sur les ventes régionales met le problème en évidence. Un responsable doit voir le périmètre régional autorisé, tandis qu’un autre responsable doit recevoir un périmètre différent. Tester uniquement avec un administrateur fournirait peu d’éléments prouvant que l’organisation de reporting déployée respecte ces limites prévues.
La question pertinente est de savoir quelle identité utilise la connexion et comment cette identité se rapporte à l’audience. Les considérations relatives à DirectQuery de Microsoft expliquent que les rapports publiés peuvent utiliser des identifiants partagés configurés. DirectQuery n’établit pas à lui seul une sécurité par utilisateur individuel. L’authentification et la configuration du modèle restent déterminantes.
Cela ne contredit pas la valeur de la gouvernance à la source. Cela précise ce qu’évalue la gouvernance à la source. Un système source applique des règles à l’identité qui lui est présentée. Les équipes doivent toujours déterminer si cette identité représente un lecteur individuel, une connexion partagée ou un compte de service approuvé.
Import nécessite un examen distinct, car les utilisateurs interagissent avec des données copiées. Les évaluateurs doivent se demander qui peut accéder à cette copie, quelles restrictions s’appliquent dans Power BI et qui les maintient. Ces questions restent nécessaires même lorsque les mesures importées proviennent de définitions approuvées.
Le choix affecte également les attentes opérationnelles. DirectQuery lie les interactions avec les rapports à l’exécution à la source, tandis que les données importées nécessitent une gestion des actualisations. Microsoft note que les performances de la source influencent la réactivité de DirectQuery. Aucun de ces modes ne justifie une conclusion générale sur les performances sans une charge de travail réelle.
Pour une équipe métier, la différence pratique apparaît à l’usage quotidien. Les utilisateurs s’attendent à ce que les filtres répondent, que les rapports s’ouvrent de manière prévisible et que les autorisations reflètent leurs responsabilités. Une définition centralisée n’est utile que si l’organisation de diffusion répond à ces attentes.
L’évaluation des performances doit donc inclure des interactions et des schémas d’accès représentatifs. Une requête isolée peut révéler le comportement d’un calcul, mais elle ne rend pas compte d’un rapport comportant plusieurs visuels dépendants. Les tests doivent ressembler au travail que l’organisation attend de ses utilisateurs.
Databricks évoque également de futurs gains de performances liés à la matérialisation, qui stocke des résultats précalculés pour les réutiliser. Son annonce décrit les bénéfices à venir de ces optimisations pour Power BI. Les acheteurs doivent distinguer cette déclaration de feuille de route des capacités disponibles dans leur préversion à laquelle ils sont inscrits.
C’est le compromis central de l’intégration Databricks Power BI. La création centralisée réduit la duplication de la logique métier, tandis que les choix d’exécution et de stockage déterminent encore d’importantes limites opérationnelles. Un pilote crédible rend les deux aspects visibles pour les personnes chargées d’approuver le déploiement.
La synchronisation nécessite toujours un processus de publication exploité
Une définition partagée ne reste utile que lorsque les consommateurs en aval reçoivent ses changements approuvés via un processus fiable.
Databricks indique que la publication s’effectue de Unity Catalog vers Power BI. Les modifications apportées aux mesures publiées dans Power BI ne remontent pas vers l’amont. Les changements de définition nécessitent une republication, manuelle ou automatisée. Cette direction établit une source d’autorité, mais n’élimine pas la gestion des mises à jour.
La distinction entre des données à jour et des définitions à jour est particulièrement importante. Un rapport peut interroger des enregistrements récemment mis à jour tout en conservant un calcul publié plus ancien. À l’inverse, son modèle peut refléter une définition nouvellement publiée tandis qu’une copie de données importées attend son actualisation.
Lakeflow Jobs, l’ordonnanceur de workflows de Databricks, offre un moyen de coordonner ces opérations. La documentation de la tâche Power BI décrit des options de publication et d’actualisation automatisées du modèle. Elle distingue également les mises à jour de métadonnées de l’actualisation des données importées, et identifie les identifiants ainsi que les autorisations d’exécution des tâches comme des prérequis.
Pour les opérateurs, l’implication est simple : la synchronisation devient un workflow à maintenir. Une personne doit être responsable des exécutions en échec, des identifiants expirés et des changements nécessitant une attention particulière. Déplacer la publication vers une tâche planifiée rend ces responsabilités plus visibles ; cela ne les supprime pas.
Imaginons une modification illustrative de la définition d’un client actif. La mesure approuvée commence à exclure les comptes en cours d’examen. Avant la publication, le responsable doit réfléchir aux rapports qui dépendent du champ et à la manière dont les utilisateurs doivent interpréter les écarts avec les résultats précédents.
Après la publication, l’équipe a besoin d’éléments prouvant que le modèle prévu a reçu le changement. Elle doit également confirmer que les rapports concernés expriment toujours la question métier approuvée. Une exécution réussie de la tâche traite l’exécution ; l’acceptation métier traite la question de savoir si le rapport résultant reste approprié.
La publication à sens unique introduit un autre enjeu pratique : l’expérimentation locale. Les analystes doivent souvent étudier des calculs alternatifs avant de proposer une métrique approuvée. Les organisations doivent distinguer le travail exploratoire des définitions publiées afin que les utilisateurs comprennent quelles mesures bénéficient d’une approbation organisationnelle.
Sans cette distinction, une modification attrayante en aval peut devenir un remplacement non officiel. Ses résultats peuvent circuler sans que le responsable en amont ait connaissance de cette nouvelle interprétation. L’absence de réécriture automatique rend un processus explicite de proposition et d’approbation plus important.
La planification de la reprise mérite également de l’attention. Si une définition produit des résultats inattendus, l’équipe doit savoir comment rétablir un état approuvé. Cela comprend l’explication métier autant que l’opération sur le modèle. Restaurer un calcul sans expliquer l’incidence sur le reporting laisse les utilisateurs dans l’incertitude.
Aucune de ces questions n’exige de considérer la préversion comme inadaptée. Elles donnent une vision réaliste de ce qu’implique la création centralisée. La valeur vient du remplacement d’implémentations dispersées par une dépendance contrôlée que les équipes peuvent comprendre, exploiter et examiner.
L’argument le plus solide en faveur des vues de métriques Unity Catalog apparaît lorsque ce processus correspond déjà aux pratiques de travail de l’organisation. Les équipes habituées aux produits de données soumis à révision disposent d’une base pour gérer des définitions partagées. Les équipes sans responsabilité claire des métriques devront l’établir parallèlement à l’évaluation technique.
Surveiller la disponibilité, la couverture du modèle et la reproductibilité des résultats
Les prochains éléments probants devraient démontrer un accès plus large, une meilleure couverture et un comportement fiable dans des charges de travail de reporting représentatives.
Le premier signal est la disponibilité. Au cours des prochains mois, surveillez un changement documenté par rapport à la préversion privée et des conditions d’accès plus claires. Un accès plus large renforcerait l’argument en faveur d’une évaluation de routine. Le maintien d’une inscription restreinte continuerait de faire dépendre l’adoption d’un processus de préversion piloté par les comptes.
La disponibilité seule ne trancherait pas la question de l’adéquation technique. Elle faciliterait toutefois la comparaison des expériences et l’évaluation des exigences de déploiement par les organisations. Les acheteurs doivent distinguer une version élargie d’une déclaration d’intention, en particulier lorsqu’ils planifient des travaux en dehors d’un accord de préversion existant.
Le deuxième signal est la couverture des exigences réelles de reporting. Surveillez les limitations documentées et les modèles pris en charge, particulièrement là où les restrictions actuelles affectent les mesures métier existantes. Une prise en charge plus étendue renforcerait l’argument en faveur de la création en amont. Des exceptions persistantes augmenteraient la quantité de traitements particuliers que les clients doivent maintenir.
L’unité de progrès utile est un besoin de reporting complet. Ajouter un modèle de calcul importe lorsqu’il élimine un obstacle précis dans le modèle d’une organisation. Une liste de fonctionnalités plus longue fournit des éléments moins convaincants si les rapports requis dépendent toujours d’un comportement non pris en charge.
Le troisième signal est la preuve opérationnelle reproductible. Recherchez des évaluations qui relient la concordance des calculs, les autorisations, le comportement de publication et la réactivité des rapports. Des résultats issus de charges de travail représentatives renforceraient l’argument pratique en faveur de l’intégration. Des écarts persistants ou des processus de mise à jour fragiles l’affaibliraient, même si la publication initiale semblait simple.
Ces signaux doivent être évalués ensemble. Une disponibilité plus large avec une compatibilité limitée crée une opportunité différente d’un accès restreint avec une forte couverture technique. La décision d’un client dépend également de la proximité entre son parc de reporting et les charges de travail démontrées.
L’intégration Databricks Power BI propose une approche ciblée : conserver la création des métriques approuvées en amont tout en continuant à servir les utilisateurs Power BI. Sa valeur dépend de la quantité de logique dupliquée que cette organisation élimine et de l’adéquation des responsabilités opérationnelles restantes avec l’organisation.
Commencez par un rapport dont les définitions de métriques entraînent déjà un travail de rapprochement. Identifiez le responsable métier, le calcul approuvé, l’audience du reporting et le comportement de mise à jour attendu avant d’évaluer le chemin de publication. Comparez les résultats selon les filtres pertinents, puis examinez les autorisations et le traitement d’un changement de définition. Incluez l’équipe de reporting dans cette revue afin que la réussite reflète les besoins analytiques réels. Conservez une trace des exceptions au lieu de les dissimuler dans des calculs en aval. La question utile est de savoir si la création partagée rend le rapport plus facile à approuver et à maintenir. Quel rapport existant fournirait la preuve la plus claire que votre organisation peut assumer cette responsabilité ?



