Wat is een semantisch model in Power BI?

In Power BI draait alles om het semantisch model. Het is de laag tussen je ruwe databronnen en de rapporten die eindgebruikers zien. Toch wordt het begrip regelmatig verward met een dataset, een datamodel of zelfs een .pbix-bestand. In dit artikel leggen we uit wat een semantisch model precies is, waarom het zo belangrijk is en hoe je er een goed opzet.

Van dataset naar semantisch model

Tot medio 2023 sprak Microsoft over datasets in Power BI. Sinds de introductie van Microsoft Fabric is de officiële term semantisch model. De naamswijziging is niet cosmetisch: het benadrukt dat deze laag meer is dan een verzameling tabellen. Het is een betekenislaag die structuur, relaties en businesslogica samenbrengt.

Een semantisch model bevat:

Tabellen en kolommen uit je databronnen, relaties tussen die tabellen, DAX-measures die businesslogica vastleggen, hiërarchieën en metadata zoals beschrijvingen en opmaak.

Het model bepaalt dus niet alleen welke data beschikbaar is, maar ook hoe die data geïnterpreteerd moet worden.

Waarom is het semantisch model zo belangrijk?

Zonder een goed semantisch model is Power BI weinig meer dan een visualisatietool. Met een goed model wordt het een platform waar de hele organisatie op kan bouwen.

Eén versie van de waarheid

Wanneer measures centraal in het model worden gedefinieerd, rekenen alle rapporten op dezelfde manier. Geen discussies meer over welke definitie van "omzet" of "actieve klanten" de juiste is.

Scheiding van zorgen

Het model scheidt datatransformatie (Power Query), businesslogica (DAX) en presentatie (rapporten). Die scheiding maakt onderhoud eenvoudiger en voorkomt dat rapporten onnodig complex worden.

Herbruikbaarheid

Eén semantisch model kan meerdere rapporten voeden. Dit voorkomt dubbel werk en zorgt ervoor dat verbeteringen in het model automatisch doorwerken in alle rapporten.

Performance

Een goed ontworpen star schema met de juiste granulariteit laadt sneller en maakt DAX-berekeningen efficiënter dan een platte tabel of een model met onnodige complexiteit.

Hoe zet je een goed semantisch model op?

Begin met een star schema

Het bewezen patroon voor analytische modellen: één of meer feitentabellen (met transacties of gebeurtenissen) omringd door dimensietabellen (met beschrijvende kenmerken). Dit is de basis van elk goed Power BI model.

Houd transformaties in Power Query

Alle data-opschoning en -transformatie hoort in Power Query thuis, niet in DAX. Calculated columns in het model zijn zelden de juiste keuze voor datatransformatie.

Definieer measures bewust

Measures zijn het hart van je model. Organiseer ze in een aparte measure table of in display folders. Geef elke measure een duidelijke naam en beschrijving. Denk na over welke measures basismetrieken zijn en welke daarop voortbouwen.

Documenteer het model

Gebruik beschrijvingen op tabellen, kolommen en measures. Dit helpt niet alleen toekomstige ontwikkelaars, maar maakt het model ook begrijpelijker voor rapportbouwers die in self-service werken.

Veelgemaakte fouten

De meest voorkomende fouten bij semantische modellen zijn: te veel tabellen importeren (houd het lean), relaties niet goed inrichten (vermijd bidirectionele relaties tenzij echt nodig), measures verspreiden over meerdere modellen in plaats van te centraliseren, en het model niet testen op performance voordat het naar productie gaat.

Conclusie

Een semantisch model is geen technisch detail, het is het fundament van je hele Power BI omgeving. Investeer je hier vroeg in, dan betaalt zich dat terug in betrouwbaardere rapporten, minder onderhoud en meer vertrouwen in de cijfers.