Hoe voorkom je dat verschillende teams dezelfde data opnieuw modelleren in Fabric?

Ed Kisman · 28 okt 2026

Dubbele datamodellering in Microsoft Fabric voorkom je door één gecertificeerd gedeeld semantisch model centraal te stellen en dat model vindbaar en herbruikbaar te maken voor alle teams. Zonder die aanpak bouwen teams in isolatie en ontstaan er al snel tientallen overlappende modellen die dezelfde brondata op net iets andere manieren beschrijven. De vragen hieronder leggen stap voor stap uit hoe je dat voorkomt en welke Fabric-functies je daarbij helpen.

Waarom ontstaat dubbele datamodellering in Fabric zo snel?

Dubbele datamodellering in Fabric ontstaat snel omdat teams standaard eigen werkruimten hebben, weinig zicht hebben op wat andere teams al hebben gebouwd, en snelheid boven hergebruik stellen. Zodra een team niet binnen een paar minuten een bruikbaar bestaand model kan vinden, bouwen ze er zelf een. Dat is rationeel gedrag, maar het leidt op organisatieniveau tot een lappendeken van overlappende modellen.

Een aantal concrete oorzaken versterkt dit patroon:

Verspreide werkruimten zonder centrale catalogus: Teams zien elkaars modellen niet tenzij ze actief gaan zoeken.
Geen duidelijke eigenaar per domein: Als onduidelijk is wie verantwoordelijk is voor een bepaald gegevensgebied, maakt iedereen zijn eigen versie.
Verschillende definities van dezelfde begrippen: “Omzet” of “actieve klant” wordt door finance, sales en marketing anders gedefinieerd, waardoor elk team zijn eigen berekening inbouwt.
Tijdsdruk: Een rapport moet snel af. Wachten op goedkeuring of aanpassing van een gedeeld model voelt trager dan zelf beginnen.
Gebrek aan governance: Zonder afspraken over hoe modellen worden gedeeld en gecertificeerd, is er geen rem op het aanmaken van nieuwe modellen.

Dit probleem is niet uniek voor Fabric. In bredere data governance-vraagstukken zien we hetzelfde patroon: zonder gedeelde standaarden en goede vindbaarheid fragmenteert een datalandschap vanzelf. Fabric maakt het makkelijk om snel iets te bouwen, wat een groot voordeel is, maar zonder structuur ook een risico.

Wat is een gedeeld semantisch model en hoe werkt het in Fabric?

Een gedeeld semantisch model in Microsoft Fabric is een centraal Power BI-semantisch model dat in een gedeelde werkruimte staat en door meerdere rapporten en teams hergebruikt wordt als gemeenschappelijke definitiebron. In plaats van dat elk rapport zijn eigen berekeningen en relaties definieert, verwijzen alle rapporten naar hetzelfde model.

In Fabric werkt dit technisch als volgt: een semantisch model wordt gepubliceerd in een werkruimte met de juiste toegangsrechten. Andere gebruikers kunnen via Live Connection of DirectLake verbinding maken met dat model zonder het te kopiëren of te dupliceren. Wijzigingen in het centrale model propageren automatisch naar alle rapporten die erop zijn aangesloten.

De kracht van dit principe lijkt op wat het Gemeentelijk Gegevensmodel (GGM) doet voor Nederlandse gemeenten: één logisch gegevensmodel dat alle beleidsdomeinen beschrijft, zodat verschillende teams en applicaties dezelfde definities hanteren en data uitwisselbaar wordt. Hetzelfde principe geldt in Fabric: één gedeeld model als gemeenschappelijke taal voorkomt dat teams langs elkaar heen werken.

Een goed gedeeld semantisch model bevat:

Eenduidige metrieken en KPI-definities (measures)
Gecleande en getransformeerde data uit een centrale bron
Duidelijke naamgeving die herkenbaar is voor alle teams
Documentatie van wat elke meting berekent en op welke brondata die is gebaseerd

Hoe stel je een gecertificeerd gedeeld model in als standaard voor je organisatie?

Je stelt een gecertificeerd gedeeld model in als standaard door het model in Fabric te endorsen met de status “Gecertificeerd” en het te publiceren in een centrale werkruimte waar alle relevante teams leesrechten op hebben. Certificering is het signaal aan de organisatie dat dit het officiële, betrouwbare model is.

Volg hiervoor deze stappen:

Publiceer het model in een centrale werkruimte die is aangewezen als de “gouden bron” voor een bepaald domein (bijvoorbeeld Finance of HR).
Stel endorsement in via de dataset-instellingen: kies “Gepromoveerd” voor intern gevalideerde modellen of “Gecertificeerd” voor modellen die de organisatiebrede standaard zijn. Certificering vereist een Fabric-beheerder of aangewezen certificeerder.
Definieer toegangsrechten zorgvuldig: leestoegang voor alle teams die het model mogen gebruiken, schrijftoegang alleen voor de modelverantwoordelijke.
Documenteer het model: voeg een beschrijving toe in de werkruimte en gebruik de ingebouwde beschrijvingsvelden bij tabellen en measures.
Communiceer actief naar teams: een gecertificeerd model heeft alleen waarde als mensen weten dat het bestaat en waarom ze het moeten gebruiken in plaats van een eigen versie te bouwen.

Voor organisaties die Microsoft Fabric breed uitrollen, is het verstandig om per gegevensdomein één verantwoordelijk team aan te wijzen dat het gecertificeerde model beheert en doorontwikkelt.

Welke Fabric-functies helpen teams elkaars modellen te ontdekken?

Microsoft Fabric biedt meerdere ingebouwde functies die de vindbaarheid van gedeelde modellen verbeteren, waarvan de OneLake Data Hub en de endorsement-badges de belangrijkste zijn. Samen zorgen ze ervoor dat teams niet blindelings opnieuw hoeven te bouwen wat al bestaat.

OneLake Data Hub

De OneLake Data Hub is de centrale catalogus binnen Fabric waar gebruikers alle datasets, semantische modellen en andere data-items kunnen doorzoeken waarop ze toegang hebben. Teams kunnen filteren op gecertificeerde of gepromoveerde items, wat het makkelijker maakt om snel een betrouwbaar gedeeld model te vinden. Hoe beter de beschrijvingen en labels in het model, hoe beter het vindbaar is via de hub.

Endorsement-badges en lineage

De endorsement-badges (Gepromoveerd en Gecertificeerd) zijn zichtbaar in de Data Hub en in het Power BI-serviceportaal. Ze geven teams een direct visueel signaal over de betrouwbaarheid van een model. Daarnaast biedt Fabric data-lineageweergaven waarmee je kunt zien welke rapporten op welk model zijn gebaseerd. Dat maakt het eenvoudiger om te beslissen of je een bestaand model kunt uitbreiden in plaats van een nieuw model te starten.

Aanvullend helpen Fabric pipelines en dataflows om de data-aanvoer naar centrale modellen gestandaardiseerd te houden, zodat teams niet ook nog eens hun eigen transformaties gaan bouwen naast het gedeelde model.

Hoe zorg je voor afspraken en governance rondom datamodellering in Fabric?

Governance rondom datamodellering in Fabric vereist drie dingen: duidelijk eigenaarschap per gegevensdomein, formele afspraken over wanneer een nieuw model mag worden aangemaakt, en een proces voor het reviewen en certificeren van modellen. Zonder die drie pijlers blijft certificering een technische instelling zonder organisatorisch gewicht.

Praktische governance-afspraken die werken:

Datadomeinverantwoordelijken aanwijzen: Elke afdeling of elk gegevensdomein heeft één team dat het gecertificeerde model beheert en aanvragen voor uitbreidingen beoordeelt.
Een “nieuw model”-procedure instellen: Teams die een nieuw semantisch model willen bouwen, toetsen eerst of een bestaand gecertificeerd model kan worden uitgebreid. Alleen als dat aantoonbaar niet volstaat, wordt een nieuw model goedgekeurd.
Naamgevingsconventies en documentatiestandaarden: Consistente naamgeving maakt modellen herkenbaar en doorzoekbaar in de Data Hub.
Periodieke reviews: Gecertificeerde modellen worden regelmatig gecontroleerd op actualiteit, gebruik en aansluiting bij de brondata.
Onboarding voor nieuwe teams: Nieuwe teams leren als onderdeel van hun Fabric-onboarding waar ze gecertificeerde modellen vinden en hoe ze een uitbreidingsverzoek indienen.

Goede data governance is geen eenmalig project maar een doorlopend proces. De technische mogelijkheden van Fabric ondersteunen governance, maar de afspraken en het eigenaarschap moeten organisatorisch worden verankerd.

Wanneer is het toch gerechtvaardigd om een apart model te bouwen?

Een apart semantisch model is gerechtvaardigd wanneer een team aantoonbaar andere gegevensbehoeften heeft die structureel niet passen in een bestaand gecertificeerd model, of wanneer prestatie-eisen, beveiliging of domeinscheiding een aparte modellaag vereisen. Dit zijn uitzonderingen, geen standaard.

Concrete situaties waarin een apart model verdedigbaar is:

Sterk afwijkende granulariteit: Een operationeel team heeft transactiedata op rijniveau nodig, terwijl het gecertificeerde model alleen geaggregeerde rapportagedata bevat.
Strenge toegangseisen: Gevoelige persoonsdata of financiële data die niet breed gedeeld mogen worden, rechtvaardigen een apart model met eigen toegangscontrole.
Experimentele of tijdelijke analyses: Voor een eenmalig onderzoek of prototype is het niet zinvol om het centrale model aan te passen. Wel moet duidelijk zijn dat het model tijdelijk is en niet gecertificeerd wordt.
Domein met unieke brondata: Als een team werkt met een databron die voor de rest van de organisatie niet relevant is en nooit relevant zal worden, is een geïsoleerd model logisch.

Belangrijk is dat ook in deze gevallen de beslissing bewust wordt genomen en gedocumenteerd. Een apart model dat zonder overleg wordt gebouwd, is een probleem. Een apart model dat is goedgekeurd na toetsing aan de governancecriteria, is een legitieme keuze. Het verschil zit in het proces, niet in de techniek.

Hoe DBA helpt bij data governance en modellering in Microsoft Fabric

Wij helpen organisaties om grip te krijgen op hun datalandschap in Microsoft Fabric, van de inrichting van gecertificeerde gedeelde modellen tot het opzetten van governancestructuren die dubbele modellering actief tegengaan. Concreet bieden wij:

Fabric-inrichting en architectuuradvies: We beoordelen je huidige Fabric-omgeving en adviseren over werkruimte-indeling, endorsement-strategie en domeinverantwoordelijkheden.
Ontwikkeling van gecertificeerde semantische modellen: We bouwen centrale modellen die als gouden bron dienen voor jouw organisatie, inclusief documentatie en naamgevingsstandaarden.
Governance-frameworks: We helpen bij het opstellen van afspraken rondom nieuwe modelaanvragen, reviews en eigenaarschap, afgestemd op de schaal en structuur van jouw organisatie.
Training en coaching: Via on-the-job coaching leren teams hoe ze bestaande gecertificeerde modellen vinden, gebruiken en uitbreiden in plaats van opnieuw te beginnen.
Doorlopend beheer: We ondersteunen je bij het actueel houden van centrale modellen en het bewaken van de kwaliteit van je Fabric-omgeving.

Wil je weten hoe we dit concreet kunnen aanpakken voor jouw situatie? Neem contact met ons op en we denken graag met je mee.