O Microsoft Fabric é uma plataforma unificada de dados e analytics que consolida em um único ambiente serviços antes distribuídos entre ferramentas distintas — como Azure Data Factory, Azure Synapse Analytics, Power BI e Azure Data Lake Storage. Em vez de manter pipelines separados, licenças avulsas e integrações frágeis entre sistemas, as equipes de dados passam a trabalhar em um ecossistema coeso, com governança centralizada e experiência consistente do início ao fim do ciclo analítico.
Para empresas de médio e grande porte que já utilizam o ecossistema Microsoft, essa mudança tem implicações diretas na arquitetura de dados: menos overhead de integração, menor complexidade operacional e uma camada de segurança e conformidade aplicada de forma uniforme — o que é especialmente relevante em ambientes regulados, como o setor financeiro e organizações que lidam com dados sensíveis em larga escala.
Entender como o Fabric reposiciona cada ferramenta que ele absorve — e o que isso significa na prática para times de TI, dados e segurança — é o ponto de partida para avaliar se uma migração ou adoção faz sentido para a realidade da sua organização. Nos próximos tópicos, detalhamos a arquitetura da plataforma, seus componentes principais e os cenários em que ela de fato substitui soluções separadas com vantagem real.
O que é o Microsoft Fabric? Visão geral completa da plataforma
Definição e propósito: uma plataforma de dados unificada end-to-end
O Microsoft Fabric é uma plataforma de análise de dados unificada, baseada em nuvem, que consolida em um único ambiente todas as capacidades necessárias para o ciclo completo de dados: ingestão, armazenamento, processamento, análise, ciência de dados e visualização. Em vez de conectar serviços distintos por meio de integrações customizadas, o Fabric oferece uma experiência coesa onde engenheiros de dados, analistas, cientistas de dados e profissionais de BI trabalham no mesmo ecossistema, compartilhando o mesmo repositório de dados e as mesmas políticas de governança.
O propósito central da plataforma é eliminar o atrito técnico e operacional que surge quando uma organização precisa orquestrar múltiplas ferramentas — cada uma com seu modelo de licenciamento, sua curva de aprendizado e suas APIs proprietárias. Com o Fabric, o dado ingerido em um pipeline está imediatamente disponível para transformação, modelagem estatística, treinamento de modelo de machine learning e publicação em um relatório Power BI, sem movimentação adicional ou cópia entre sistemas.
Como o Microsoft Fabric surgiu e por que a Microsoft o criou
A Microsoft anunciou o Microsoft Fabric em maio de 2023, durante o Microsoft Build, e tornou a plataforma geralmente disponível (GA) em novembro do mesmo ano. O lançamento não foi uma decisão arbitrária de produto: ele reflete uma mudança estrutural no mercado de dados, em que organizações passaram a operar stacks de analytics cada vez mais fragmentadas — Azure Synapse para processamento em larga escala, Azure Data Factory para pipelines, Power BI para visualização, Azure Data Lake Storage para armazenamento e Azure Machine Learning para modelos preditivos. Cada serviço exigia equipes especializadas, orçamentos separados e integrações frágeis entre si.
A Microsoft identificou que essa fragmentação era um gargalo competitivo frente a plataformas como Databricks e Snowflake, que já entregavam experiências mais integradas. O Fabric foi construído sobre a base do Azure Synapse Analytics e do Power BI, incorporando capacidades de Data Factory, OneLake e ferramentas de ciência de dados em um único produto SaaS com modelo de capacidade unificado (Fabric Capacity). O resultado é uma plataforma que compete diretamente com o ecossistema Databricks e com soluções multicloud como BigQuery, mas com a vantagem de integração nativa com o restante do portfólio Microsoft — Azure, Microsoft 365 e Copilot.
Quais ferramentas de dados separadas o Microsoft Fabric substitui?
Azure Synapse Analytics: o que muda com o Fabric
O Azure Synapse Analytics era, até o Fabric, a principal plataforma de analytics da Microsoft para cargas de trabalho corporativas. Ele reunia pools de SQL dedicados e serverless, Spark pools e pipelines de integração de dados. Com o Fabric, as capacidades de SQL analítico migraram para o Synapse Data Warehouse dentro do Fabric, e os pools Spark evoluíram para o workload de Data Engineering. A Microsoft mantém o Synapse Analytics disponível, mas novos projetos são direcionados ao Fabric, e a roadmap de inovação está concentrada na nova plataforma. Para empresas que já operam no Synapse, a migração é incremental e tecnicamente viável sem reescrita completa de código.
Azure Data Factory: integração e pipelines de dados dentro do Fabric
O Azure Data Factory (ADF) era o serviço de ETL e orquestração de pipelines da Microsoft no Azure. No Fabric, essa funcionalidade é incorporada pelo workload Data Factory no Fabric, que herda os conectores, as atividades de cópia e os fluxos de controle do ADF, mas os entrega dentro da experiência unificada do Fabric. Pipelines criados no ADF podem ser migrados para o Fabric, e novos projetos de integração de dados podem ser desenvolvidos diretamente na plataforma, sem necessidade de provisionar um recurso ADF separado no portal do Azure.
Power BI: como o serviço de BI se integra nativamente ao Fabric
O Power BI não desaparece com o Fabric — ele se torna a camada de visualização nativa da plataforma. Workspaces do Power BI passam a ser workspaces do Fabric, e os dados armazenados no OneLake ficam diretamente acessíveis para criação de relatórios e dashboards sem necessidade de importação ou conexão via gateway. Para equipes que já usam Power BI, a transição para o Fabric é a mais transparente de todas: a interface é familiar, mas os dados passam a viver em um repositório unificado, com governança centralizada. Se sua empresa ainda está estruturando a adoção do Power BI, vale consultar como implementar Power BI na empresa sem travar a equipe de TI antes de planejar a entrada no Fabric.
Azure Data Lake Storage e OneLake: um único repositório para todos os dados
O Azure Data Lake Storage Gen2 (ADLS Gen2) era o repositório de armazenamento de dados brutos e processados no ecossistema Azure. No Fabric, ele é substituído conceitualmente pelo OneLake — um único data lake lógico para toda a organização, provisionado automaticamente com cada tenant do Fabric. Em vez de criar múltiplas contas de storage e gerenciar permissões entre elas, o OneLake oferece um namespace unificado onde todos os workloads do Fabric leem e escrevem dados no mesmo local, usando o formato Delta Parquet como padrão aberto.
Azure Machine Learning e Ciência de Dados no Fabric
O Azure Machine Learning (Azure ML) continua sendo a plataforma MLOps da Microsoft para cenários avançados de produção — registro de modelos, endpoints de inferência gerenciados e pipelines de treinamento em larga escala. No Fabric, o workload de Data Science cobre a fase exploratória e de desenvolvimento de modelos, com notebooks integrados (baseados em Spark e Python), experimentos rastreáveis via MLflow e acesso direto ao OneLake. Para organizações que não precisam de toda a infraestrutura do Azure ML, o Fabric oferece uma experiência de ciência de dados suficiente para a maioria dos casos de uso analíticos corporativos.
As principais cargas de trabalho (workloads) do Microsoft Fabric
Data Engineering: ingestão e transformação de dados em escala
O workload de Data Engineering no Fabric é construído sobre Apache Spark e oferece Lakehouses como unidade principal de trabalho. Um Lakehouse combina a flexibilidade de um data lake com as capacidades de consulta estruturada de um data warehouse. Engenheiros de dados criam notebooks em Python, Scala ou SQL, desenvolvem pipelines de transformação e publicam tabelas Delta diretamente no OneLake. A experiência é similar ao Databricks, com a vantagem de estar nativamente integrada ao restante da plataforma.
Data Warehouse: análise relacional de alto desempenho
Para equipes acostumadas a SQL relacional, o Fabric oferece um Warehouse totalmente gerenciado, sem necessidade de provisionar pools dedicados. Ele suporta T-SQL completo, transações ACID e integração com ferramentas como SQL Server Management Studio (SSMS) e Azure Data Studio. Os dados armazenados no Warehouse ficam no OneLake em formato Delta Parquet, o que significa que outros workloads do Fabric podem acessá-los sem cópia adicional.
Data Science: modelos de machine learning integrados ao pipeline de dados
O workload de Data Science do Fabric oferece notebooks gerenciados com ambientes Spark pré-configurados, integração com MLflow para rastreamento de experimentos e modelos, e acesso direto a tabelas do Lakehouse e do Warehouse. Cientistas de dados podem treinar modelos sobre os mesmos dados que alimentam relatórios Power BI, eliminando a necessidade de exportar datasets para ambientes externos. Para organizações que estão avaliando projetos de IA e analytics, entender o que avaliar antes de contratar um projeto de analytics e BI é um passo importante antes de definir a stack tecnológica.
Real-Time Intelligence: análise de dados em tempo real com KQL e Eventstream
O workload de Real-Time Intelligence (anteriormente chamado de Real-Time Analytics) é voltado para cenários de streaming e análise de eventos em tempo real. Ele inclui o Eventstream — para captura e roteamento de fluxos de eventos de fontes como Azure Event Hubs, Kafka e IoT Hub — e o KQL Database, um banco de dados otimizado para consultas em séries temporais usando Kusto Query Language (KQL). É o workload indicado para monitoramento de operações, detecção de anomalias em tempo real e análise de logs de segurança.
Data Factory no Fabric: orquestração e movimentação de dados sem código
O Data Factory dentro do Fabric oferece uma interface visual para criação de pipelines de ingestão e movimentação de dados, com mais de 150 conectores nativos para fontes SaaS, bancos de dados relacionais, sistemas de arquivos e APIs REST. Para equipes sem perfil de engenharia de dados, o Dataflow Gen2 — baseado em Power Query — permite transformações visuais sem código, com publicação direta no OneLake ou em tabelas do Lakehouse.
Power BI como camada de visualização e relatórios nativos
Dentro do Fabric, o Power BI opera com acesso direto ao modo Direct Lake — uma inovação que permite consultar dados Delta Parquet no OneLake com performance próxima ao Import Mode, sem importar os dados para um modelo semântico separado. Isso elimina o trade-off histórico entre frescor de dados (DirectQuery) e performance (Import), tornando relatórios em tempo quase real viáveis mesmo sobre grandes volumes de dados.
OneLake: o coração do Microsoft Fabric e como ele unifica o armazenamento
O que é OneLake e como funciona o conceito de 'um lago para toda a organização'
O OneLake é o repositório de armazenamento unificado do Microsoft Fabric. Diferente do modelo tradicional, onde cada serviço de dados mantinha seu próprio storage (um ADLS Gen2 para o Synapse, outro para o Data Factory, outro para o Azure ML), o OneLake é provisionado automaticamente para cada tenant do Fabric e funciona como um único namespace lógico. Todos os workloads do Fabric — Lakehouse, Warehouse, KQL Database, Data Science — leem e escrevem no OneLake, o que significa que um dado ingerido por um pipeline de Data Factory está imediatamente disponível para um notebook de Data Science ou um relatório Power BI, sem movimentação.
O OneLake é compatível com o protocolo ADLS Gen2, o que permite que ferramentas externas — como Azure Databricks, Azure HDInsight ou aplicações customizadas — acessem os dados via APIs existentes, sem necessidade de migração de código.
Formato Delta Parquet e interoperabilidade entre workloads
Todos os dados no OneLake são armazenados no formato Delta Parquet — um formato aberto que combina a eficiência de compressão colunar do Parquet com as capacidades transacionais do Delta Lake (transações ACID, time travel, schema enforcement). Isso garante que qualquer workload do Fabric possa ler os dados de outro sem conversão, e que ferramentas externas compatíveis com Delta Lake — como o Databricks — possam interoperar com o OneLake via OneLake Shortcuts, que funcionam como atalhos lógicos para dados em ADLS Gen2, Amazon S3 ou Google Cloud Storage, sem necessidade de cópia física.
Governança, segurança e conformidade no Microsoft Fabric
Controle de acesso, políticas de dados e Microsoft Purview integrado
O Microsoft Fabric integra-se nativamente com o Microsoft Purview para governança de dados. Isso significa que políticas de classificação, rotulagem de sensibilidade (sensitivity labels) e controle de acesso baseado em função (RBAC) definidos no Purview são aplicados automaticamente aos itens do Fabric — Lakehouses, Warehouses, relatórios Power BI e pipelines. O controle de acesso é granular: é possível definir permissões no nível de workspace, de item individual ou de tabela específica dentro de um Lakehouse, usando Row-Level Security (RLS) e Column-Level Security (CLS). Para organizações que estão estruturando sua estratégia de governança de dados com IA, o artigo sobre como garantir a governança e segurança dos dados ao adotar IA na empresa oferece um contexto complementar relevante.
Linhagem de dados e catálogo unificado para rastreabilidade
O Fabric oferece visualização de linhagem de dados nativa dentro da plataforma — é possível rastrear a origem de um dado desde o pipeline de ingestão, passando pelas transformações no Lakehouse, até o relatório Power BI que o consome. Esse recurso é fundamental para auditorias, resolução de incidentes de qualidade de dados e demonstração de conformidade regulatória. O catálogo unificado do Purview integrado ao Fabric permite que analistas descubram datasets disponíveis na organização, entendam sua classificação de sensibilidade e solicitem acesso de forma estruturada.
Conformidade com LGPD, GDPR e outros regulamentos de privacidade
O Microsoft Fabric opera sobre a infraestrutura do Azure, que possui certificações de conformidade para LGPD, GDPR, ISO 27001, SOC 2, PCI-DSS e outros frameworks regulatórios relevantes para empresas brasileiras — especialmente aquelas do setor financeiro que operam com dados de clientes e transações. A residência de dados pode ser configurada para manter os dados dentro de regiões específicas do Azure (incluindo as regiões brasileiras Brazil South e Brazil Southeast), o que é um requisito frequente para conformidade com a LGPD e com normas do Banco Central para ambientes que processam dados de Pix e outros instrumentos de pagamento.
Microsoft Fabric vs. plataformas concorrentes: quando faz sentido adotar?
Microsoft Fabric vs. Databricks: diferenças e casos de uso
O Databricks é a referência do mercado em plataformas de dados baseadas em Spark para ciência de dados e engenharia de dados avançada. Ele oferece maior maturidade em MLOps, suporte mais amplo a linguagens e frameworks de ML, e uma comunidade técnica consolidada. O Fabric, por outro lado, entrega uma experiência mais acessível para equipes com perfil misto — analistas de negócio, engenheiros de dados e cientistas de dados — com integração nativa ao Power BI e ao Microsoft 365, e um modelo de licenciamento unificado que pode ser mais previsível para organizações que já consomem produtos Microsoft.
Para organizações que já investiram em Databricks, o Fabric não é necessariamente um substituto: os dois podem coexistir, com o Databricks acessando dados no OneLake via Delta Sharing ou via compatibilidade ADLS Gen2. A C3 IT Solution implementa ambientes de analytics em Databricks para clientes nos setores de saúde e dados — casos em que a profundidade técnica da plataforma Databricks é justificada pelo volume e complexidade das cargas de trabalho.
Microsoft Fabric vs. Google BigQuery e AWS: comparativo de ecossistemas
O Google BigQuery é um data warehouse serverless com excelente performance em consultas SQL sobre grandes volumes, mas sua integração com ferramentas de BI e ciência de dados exige serviços adicionais do ecossistema Google Cloud (Looker, Vertex AI). A AWS oferece um ecossistema igualmente fragmentado — Redshift para warehouse, Glue para ETL, SageMaker para ML, QuickSight para BI — com integração que depende de configuração manual entre serviços.
O diferencial do Fabric frente a esses concorrentes é a coesão da experiência e a integração com o ecossistema Microsoft já presente na maioria das empresas brasileiras de médio e grande porte: Active Directory, Microsoft 365, Azure DevOps e Teams. Para organizações que já operam predominantemente no Azure, o Fabric reduz o custo de integração e simplifica a gestão de identidade e acesso.
Quando o Fabric é a escolha certa para sua organização
O Microsoft Fabric faz mais sentido para organizações que:
- Já utilizam o ecossistema Microsoft (Azure, Microsoft 365, Power BI) e querem consolidar a stack de dados;
- Operam com equipes mistas de analistas e engenheiros de dados, sem um time de data engineering altamente especializado;
- Precisam de governança centralizada e integração com Microsoft Purview para conformidade com LGPD ou regulamentos setoriais;
- Buscam reduzir o número de serviços gerenciados e simplificar o modelo de licenciamento de dados;
- Querem habilitar capacidades de IA generativa sobre seus dados via Microsoft Copilot integrado ao Fabric.
Para empresas com cargas de trabalho de ML extremamente complexas, times de engenharia maduros em Spark e necessidade de multicloud sem dependência de um único vendor, o Databricks ou uma arquitetura baseada em serviços AWS/GCP pode ser mais adequada. A decisão deve ser precedida por uma avaliação técnica do ambiente atual — algo que uma consultoria especializada pode conduzir com base em critérios objetivos. Se você ainda está estruturando como avaliar esse tipo de projeto, o artigo sobre como contratar uma consultoria de dados e inteligência artificial para sua empresa oferece um guia prático.
Como migrar para o Microsoft Fabric: planejamento e etapas práticas
Avaliação do ambiente atual e mapeamento de ferramentas a substituir
O primeiro passo de uma migração para o Fabric é o inventário do ambiente de dados atual. Isso inclui mapear todos os serviços em uso — Azure Synapse, Azure Data Factory, Azure Data Lake Storage, Power BI Premium, Azure ML — seus volumes de dados, frequência de processamento, dependências entre pipelines e relatórios, e os times responsáveis por cada camada. Com esse mapeamento em mãos, é possível definir quais workloads migram primeiro (normalmente os de menor risco operacional), quais coexistirão com o Fabric durante um período de transição e quais permanecem fora do Fabric por razões técnicas ou de custo.
É também nessa fase que se avalia o impacto no modelo de licenciamento: o Fabric opera com um modelo de Fabric Capacity (SKUs F2 a F2048) que substitui os modelos de cobrança separados do Synapse, ADF e Power BI Premium. Para organizações com FinOps estruturado, essa consolidação pode representar redução de custo — mas requer análise cuidadosa do consumo atual. Entender como um parceiro FinOps ajuda a otimizar custos no Azure de forma contínua é relevante nesse contexto.
Migração do Azure Data Factory para o Data Factory no Fabric
A migração de pipelines do Azure Data Factory para o Data Factory no Fabric é tecnicamente direta para a maioria dos casos: os pipelines ADF podem ser exportados como JSON e importados no Fabric com ajustes mínimos. Os conectores e atividades são compatíveis, e os Linked Services do ADF têm equivalentes no Fabric. O principal ponto de atenção é a migração dos Dataflows Gen1 (baseados em Power Query no ADF) para Dataflows Gen2 no Fabric, que têm uma arquitetura diferente e podem exigir revisão das transformações. Pipelines que dependem de Integration Runtime self-hosted (para fontes on-premises) continuam funcionando no Fabric com o mesmo mecanismo.
Boas práticas para adoção incremental sem interrupção dos processos
A abordagem recomendada para adoção do Microsoft Fabric em ambientes corporativos é incremental, não big bang. Algumas práticas que reduzem o risco operacional durante a transição:
- Comece por um domínio de dados isolado: escolha uma área de negócio com dependências limitadas — marketing analytics, por exemplo — para validar a arquitetura Fabric antes de migrar cargas críticas.
- Use OneLake Shortcuts para coexistência: durante a transição, configure Shortcuts no OneLake apontando para dados existentes no ADLS Gen2, permitindo que workloads do Fabric consumam dados sem necessidade de migração física imediata.
- Migre relatórios Power BI gradualmente: workspaces Power BI podem ser habilitados para o Fabric sem impacto imediato nos relatórios existentes; a migração para o modo Direct Lake é um passo posterior, feito relatório a relatório.
- Implemente governança desde o início: configure o Microsoft Purview e as políticas de acesso antes de mover dados de produção para o Fabric, não como um passo posterior.
- Monitore custos de capacity continuamente: o modelo de Fabric Capacity pode gerar surpresas de custo se workloads intensivos forem migrados sem ajuste dos SKUs; monitore o consumo de CUs (Capacity Units) desde as primeiras semanas.
Uma migração bem executada para o Microsoft Fabric não é apenas uma troca de ferramentas — é uma oportunidade de redesenhar a arquitetura de dados da organização com governança, segurança e escalabilidade como princípios de base, não como camadas adicionadas depois. Para organizações que querem medir o retorno desse tipo de investimento em dados e IA, o artigo sobre como medir o ROI de um projeto de inteligência artificial na empresa oferece métricas e critérios práticos para essa avaliação.
