2023年12月后，Power BI 官方文档中“数据集”逐步统一称为“语义模型”。
语义模型（Semantic Model）是 Power BI 数据建模的核心，扮演着“数据架构师”的角色，它定义了数据表之间的关系、业务逻辑、计算规则以及元数据，使得用户能够以更直观的方式分析数据。
更直白一点，它就像是Power BI里的“数据说明书”，把一堆原始数据（比如Excel表格或数据库）变成大家都能看懂的商业语言。
比如你有一堆销售数据，语义模型会告诉你：
- 哪些数据属于同一个主题（比如订单表和客户表）
- 怎么算数据（比如“销售额=单价×数量”）
- 哪些数据能一起看（比如把客户地区和订单金额联系起来分析）
这样，我们不用关心背后复杂的数据库关系，即使不是开发人员，也能直接拖拽数据做图表。
语义模型由数据关系、层次结构、度量值、元数据和别名，以及安全角色，五个关键元素组成，接下来我们来深度剖析一下。
01数据关系
语义模型可以建立和管理数据集中不同表之间的关系，这些关系帮助建立表之间的连接，这样才能结合来自多个来源的数据，轻松地跨不同维度对数据进行切片和选择。
02层次结构
层次结构有助于将复杂数据按逻辑关系分级呈现，通常用于可视化和报告中的下钻或导航，例如，时间层次结构可能包括“年份 > 季度 > 月 > 日”等级别；也可以对详细数据信息进行聚合汇总，例如，对区域层次结构如“省 > 市 > 县”的销售数据，从县级别汇总到更高级别。
03度量值
语义模型允许使用 DAX（数据分析表达式）创建自定义计算或表达式。这些指标可以帮助我们获得高级的数据分析，例如总销售额、平均订单价值或同比增长，从而在不更改原始数据的情况下增强分析的深度。
04元数据和别名
数据如果以难以理解的 "cust_id"、"amt"这类技术字段名时，普通业务人员就会被这种技术性数据字段名困扰，从而无法有效使用，而语义模型允许重命名列、表和字段，对数据进行"翻译"处理，将技术术语转化为业务人员熟悉的表达方式。
05安全角色
在 Power BI 语义层架构中，行级别安全性（RLS）通过基于安全角色的权限配置实现用户级数据访问控制。简单说，就是给不同用户设置不同的 “查看权限”，让每个人只能看到自己该看的数据。这既保留了机密性，又保证了合适的人可以看到相关数据。
语义模型的核心价值有哪些？
我们只要合理设计以上五个关键要素，就可以构建一个优秀的语义模型，从而显著提升 Power BI 报表的性能、可维护性和用户体验，发挥出语义模型最核心的价值。
l 统一业务逻辑：通过构建企业级数据字典与计算逻辑标准化，构建统一的业务逻辑，消除口径差异带来的决策偏差。
l 进行高性能查询：通过优化模型关系与计算逻辑，使复杂分析请求的响应速度提升数倍至数十倍。
l 自助分析：支持用户通过自然语言或拖拽操作生成分析结果。
如何从0到1搭建一个Power BI语义模型？
搭建 Power BI 语义模型绝非简单的数据导入与报表设计，而是涉及数据源整合、数据建模、计算逻辑设计与安全管控的系统性工程，具体可以分6步：
01数据准备与导入
首先将 Power BI Desktop 连接到所需的数据源。这可能包括数据库、云服务、Excel 工作表等。
02转换和清理数据
使用 Power Query 编辑器，进行初步的数据清洗工作（如去重、填充空值、数据类型转换）。
03设计数据模型
通过 Power BI Desktop 中的【模型视图】建立数据关系，定义表之间的关系，创建层次结构，并设置语义模型的基本结构。
04使用 DAX 开发度量值
编写 DAX 公式来封装可复用的业务计算逻辑，构建标准化分析度量，可以提升数据洞察的粒度与决策支持效能。
05添加元数据和别名
根据需要标注包括关键字段的业务定义和格式，重命名列和表，创建更为直观的结果。
06设置安全性
使用行级安全性 （RLS） 管理用户角色对数据的访问，将保证数据安全和隐私。
通过上述步骤就可以创建一个语义模型，但是面对不同的行业，在搭建的过程中，更要结合实际的业务场景去思考以下5个核心问题：
1、如何通过数据关系设计构建逻辑一致的数据视图？
2、怎样运用层次结构提升多维分析的便捷性？
3、如何设计度量值实现业务规则的标准化计算？
4、怎样通过元数据与别名体系降低业务用户的使用门槛？
5、以及如何配置安全角色确保数据访问的合规性？
最后，希望大家都可以理解Power BI语义模型，期待本文能助力更多数据从业者与业务决策者，在各自领域实现 "数据懂业务，业务用数据" 的智能分析愿景，让数据真正成为驱动业务创新的核心生产力。
