Data Point Prague – Session avec Mark Lelijveld

Les 29 et 30 mai dernier (oui, j’ai pris un peu de temps pour écrire mon blog suite à un planning un peu trop chargé) j’ai assisté à la DataPoint à Prague. Avant de parler plus des sessions auxquelles j’ai assisté, je souhaitais remercier l’organisation de cette conférence.
L’accueil était super, une mention spéciale à Bára qui a pris le temps de répondre à mes questions (parfois un peu bêtes).

Avant d’aller plus loin, laissez-moi vous présenter la Team Databrothers :

Mark Lelijveld (Microsoft MVP)

Parmi les sessions qui m’ont marqué pendant cette conférence, celle de Mark Lelijveld mérite une place à part. Le titre était un peu long (mais clair) : “Reaching maximum automation: generating semantic models as part of your platform workload”. Et très sincèrement, si vous bossez dans un contexte Fabric moderne avec une vision DataOps/Engineering solide, c’était un concentré de bonne idées a mettre en place.

Mark a démontré avec brio comment automatiser jusqu’à la génération complète du modèle sémantique, en s’appuyant sur deux outils puissants :

• Semantic Link, intégré dans les notebooks Fabric,
• Et Semantic Link Labs, une extension open-source qui pousse encore plus loin les possibilités.

Semantic Link : l’accès programmatique au modèle sémantique

Semantic Link permet d’explorer et manipuler un modèle Power BI via un notebook Fabric en Python. Pas besoin d’installation : tout est déjà intégré dans l’environnement. Avec cette brique, on peut :

• Lister les tables, colonnes, relations du modèle ;
• Lancer du DAX directement dans un notebook ;
• Wrapper les APIs Power BI/Fabric pour industrialiser certaines tâches ;
• Ou encore lancer un Best Practices Analyzer directement depuis l’interface — y compris en batch sur un tenant entier.

Semantic Link Labs : aller jusqu’à la génération complète

La vraie pépite, c’est Semantic Link Labs. Cette surcouche open-source permet non seulement de lire, mais aussi d’écrire dans les modèles. En clair, il est possible de:

• Créer un modèle vierge (en Import ou Direct Lake) ;
• Ajouter dynamiquement les tables, partitions, relations ;
• Générer automatiquement les modèles sémantiques à partir des couches Silver ou Gold de ton Lakehouse ;
• Script un modèle entier depuis un notebook, sans jamais ouvrir Power BI Desktop.

Certaines fonctions permettent même de détecter les relations existantes, d’éviter les doublons, et de ne générer que ce qui manque. Bref : le genre d’automatisation qui rend les plateformes scalables et propres.

Data Engineer vs Data Analyst : chacun son rôle

Mark a aussi soulevé un débat récurrent : jusqu’où va le rôle du data engineer ? Où commence celui du data analyst ?
Sa position (que je partage complètement) :

• Le data engineer doit aller jusqu’à créer le modèle, structurer les tables et relations ;
• Mais les mesures, perspectives, traductions… doivent rester entre les mains des analystes ou du métier.

C’est une vraie frontière de responsabilité à tracer dans les projets BI modernes — et cette session l’a très bien illustrée.

Best Practices Analyzer en bulk

Autre moment fort : l’utilisation du Best Practices Analyzer intégré dans Fabric… mais lancé automatiquement en batch sur tout un tenant ! Avec notation par score, suivi dans le temps, et génération de recommandations. Franchement, c’est le genre de mécanisme de gouvernance simple et efficace qu’on devrait voir plus souvent.

Mon ressenti perso

Je ressors de cette session avec plein d’idées :

• Industrialiser la génération des modèles dans les notebooks ;
• Automatiser la migration des rapports et datasets vers Fabric ;
• Séparer proprement les responsabilités (data engineer ≠ analyste métier) ;
• Et surtout, montrer qu’on peut faire du propre, à grande échelle, sans perdre la main sur la logique métier.

Cette session m’a vraiment donné envie de creuser plus loin l’industrialisation de la couche sémantique dans Fabric. On parle souvent d’automatiser l’ingestion, les traitements, les modèles… mais rarement le semantic layer.

Et pourtant, avec Semantic Link et Semantic Link Labs, c’est non seulement possible — c’est propre, contrôlable et maintenable.

Reste à voir comment ces pratiques vont s’ancrer dans nos projets. En tout cas, une chose est sûre : je garde cette conf comme référence. Merci Mark pour cette démo sans bla-bla, très orientée terrain. Et pour les curieux : tout est dispo sur son GitHub (si vous arrivez à écrire Lelijveld sans faute 😄).

Aller, je suis sympa : https://github.com/marclelijveld