Wat is Microsoft Fabric en waarom is het in 2026 onmisbaar?

De data-wereld beweegt razendsnel. Organisaties worstelen met silo's: een Azure Synapse-omgeving hier, Power BI daar, een Azure Data Factory-pipeline elders en een apart Azure Machine Learning-workspace bovenop. Microsoft heeft al deze puzzelstukjes in 2023 samengebracht in Microsoft Fabric — één geïntegreerd SaaS-analyticsplatform dat data-engineering, data warehousing, real-time analytics, data science én business intelligence onder één dak brengt.

In 2026 is Fabric niet langer een preview-product; het is de strategische kern van de Microsoft analytics-stack. Grote Nederlandse organisaties — van Schiphol tot Rabobank, van gemeenten tot zorgkoepels — evalueren of migreren actief naar Fabric. Of je nu een data engineer, architect of BI-developer bent: begrip van Fabric is in 2026 een basisvereiste op je cv.

In dit artikel nemen we je mee door de architectuur, laten we concrete PySpark- en SQL-codevoorbeelden zien, vergelijken we Fabric met Databricks en Snowflake, en geven we production-grade best practices die je morgen al kunt toepassen.

Architectuur: hoe werkt Microsoft Fabric?

De kern van Fabric is OneLake — één logisch data lake per tenant, gebouwd op Azure Data Lake Storage Gen2. Alle Fabric-workloads lezen uit en schrijven naar OneLake. Dat elimineert data-kopiëren tussen services en zorgt voor één consistent beveiligings- en gouvernancemodel.

De Fabric Workspaces & Capaciteiten

Fabric werkt via Workspaces die aan een Capacity (F-SKU of P-SKU) zijn gekoppeld. Hieronder een overzicht van de meest gebruikte SKU's voor Nederlandse organisaties:

Stappenplan: Van ruwe data naar dashboard in Fabric

Praktische codevoorbeelden

3.1 PySpark Notebook: Bronze → Silver transformatie

Hieronder een realistisch voorbeeld van een medallion-architectuur transformatie in een Fabric Notebook. We laden ruwe CSV-bestanden, valideren data en slaan het resultaat op als een Delta-tabel.

# ─────────────────────────────────────────────────────────
# Fabric Notebook: Bronze → Silver transformatie
# Doel: Klantorders valideren en verrijken
# ─────────────────────────────────────────────────────────

from pyspark.sql import SparkSession
from pyspark.sql.functions import (
    col, to_date, upper, trim, when, current_timestamp, lit
)
from pyspark.sql.types import DoubleType
from delta.tables import DeltaTable

# In Fabric: spark session is al beschikbaar als 'spark'
# Lakehouse naam configureren
LAKEHOUSE_NAME = "lh_sales"

# ── BRONZE: Lees ruwe CSV uit Files/bronze/ ──────────────
df_raw = (
    spark.read
    .option("header", "true")
    .option("inferSchema", "true")
    .csv(f"abfss://[workspace-id]@onelake.dfs.fabric.microsoft.com/"
         f"{LAKEHOUSE_NAME}.Lakehouse/Files/bronze/orders/*.csv")
)

print(f"Geladen records: {df_raw.count()}")
df_raw.printSchema()

# ── VALIDATIE & TRANSFORMATIE ────────────────────────────
df_silver = (
    df_raw
    # Kolomnamen normaliseren
    .withColumnRenamed("order_id", "order_id")
    .withColumnRenamed("klant_naam", "customer_name")
    # Datatypes corrigeren
    .withColumn("order_date", to_date(col("order_date"), "dd-MM-yyyy"))
    .withColumn("order_amount", col("order_amount").cast(DoubleType()))
    # Strings opschonen
    .withColumn("customer_name", trim(upper(col("customer_name"))))
    .withColumn("country_code",  trim(upper(col("country_code"))))
    # Null-handling
    .filter(col("order_id").isNotNull())
    .filter(col("order_amount") > 0)
    # Audit kolommen toevoegen
    .withColumn("_ingested_at", current_timestamp())
    .withColumn("_source", lit("erp_export_csv"))
    # Alleen NL en BE orders voor deze pipeline
    .filter(col("country_code").isin("NL", "BE"))
)

print(f"Silver records na validatie: {df_silver.count()}")

# ── UPSERT naar Delta (merge on order_id) ────────────────
silver_table_path = (
    f"abfss://[workspace-id]@onelake.dfs.fabric.microsoft.com/"
    f"{LAKEHOUSE_NAME}.Lakehouse/Tables/silver_orders"
)

if DeltaTable.isDeltaTable(spark, silver_table_path):
    delta_tbl = DeltaTable.forPath(spark, silver_table_path)
    (
        delta_tbl.alias("target")
        .merge(
            df_silver.alias("source"),
            "target.order_id = source.order_id"
        )
        .whenMatchedUpdateAll()
        .whenNotMatchedInsertAll()
        .execute()
    )
    print("✅ Merge voltooid")
else:
    df_silver.write.format("delta").save(silver_table_path)
    print("✅ Initiële schrijfactie voltooid")

3.2 T-SQL in het Fabric Data Warehouse

Het Fabric Data Warehouse biedt een volwaardig T-SQL-endpoint. Hieronder een voorbeeld van een Gold-laag aggregatie met een incrementele load-strategie.

-- ─────────────────────────────────────────────────────────
-- Fabric Data Warehouse: Gold aggregatie - Dagelijkse omzet
-- ─────────────────────────────────────────────────────────

-- Stap 1: Maak de Gold-tabel aan (eenmalig)
CREATE TABLE IF NOT EXISTS gold.daily_revenue (
    report_date     DATE         NOT NULL,
    country_code    VARCHAR(2)   NOT NULL,
    product_category VARCHAR(100),
    total_orders    INT,
    total_revenue   DECIMAL(18,2),
    avg_order_value DECIMAL(10,2),
    _updated_at     DATETIME2    DEFAULT GETDATE()
);

-- Stap 2: Incrementele load (run dagelijks via Data Factory)
MERGE INTO gold.daily_revenue AS target
USING (
    SELECT
        CAST(o.order_date AS DATE)      AS report_date,
        o.country_code,
        p.category                       AS product_category,
        COUNT(DISTINCT o.order_id)       AS total_orders,
        SUM(o.order_amount)              AS total_revenue,
        AVG(o.order_amount)              AS avg_order_value
    FROM
        silver.orders o
        LEFT JOIN silver.products p
            ON o.product_id = p.product_id
    WHERE
        -- Alleen gisteren verwerken (incrementeel)
        CAST(o.order_date AS DATE) = CAST(DATEADD(DAY, -1, GETDATE()) AS DATE)
    GROUP BY
        CAST(o.order_date AS DATE),
        o.country_code,
        p.category
) AS source
ON  target.report_date    = source.report_date
AND target.country_code   = source.country_code
AND target.product_category = source.product_category

WHEN MATCHED THEN
    UPDATE SET
        total_orders    = source.total_orders,
        total_revenue   = source.total_revenue,
        avg_order_value = source.avg_order_value,
        _updated_at     = GETDATE()

WHEN NOT MATCHED THEN
    INSERT (report_date, country_code, product_category,
            total_orders, total_revenue, avg_order_value)
    VALUES (source.report_date, source.country_code,
            source.product_category, source.total_orders,
            source.total_revenue, source.avg_order_value);

-- Stap 3: Verificatie
SELECT
    report_date,
    country_code,
    SUM(total_revenue) AS dag_omzet_eur
FROM gold.daily_revenue
WHERE report_date >= DATEADD(DAY, -7, GETDATE())
GROUP BY report_date, country_code
ORDER BY report_date DESC, dag_omzet_eur DESC;

3.3 Real-Time Intelligence: KQL voor streaming data

Fabric's Eventhouse (voorheen Real-Time Analytics) gebruikt Kusto Query Language (KQL) voor sub-seconde queries op streaming data. Handig voor IoT, clickstreams of financiële transacties.

// ─────────────────────────────────────────────────────────
// KQL: Fraud-detectie op real-time betaaltransacties
// Eventhouse tabel: PaymentEvents
// ─────────────────────────────────────────────────────────

// Verdachte transacties: > 3 pogingen in 60 seconden, 
// wisselende locaties
PaymentEvents
| where ingestion_time() > ago(1h)
| where EventType == "payment_attempt"
| summarize
    AantalPogingen    = count(),
    UniekeLocaties    = dcount(GeoCity),
    TotaalBedrag      = sum(Amount),
    EerstePoging      = min(EventTime),
    LaatstePogingen   = max(EventTime)
  by CustomerId, bin(EventTime, 60s)
| where AantalPogingen > 3 and UniekeLocaties > 1
| project
    CustomerId,
    EventTime,
    AantalPogingen,
    UniekeLocaties,
    TotaalBedrag,
    DuurSeconden = datetime_diff('second', LaatstePogingen, EerstePoging)
| order by AantalPogingen desc

Fabric vs. Databricks vs. Snowflake

De vraag die elke Nederlandse data-architect in 2026 krijgt: "Moeten we naar Fabric of bij Databricks/Snowflake blijven?" Er is geen universeel antwoord, maar onderstaande tabel helpt je de juiste keuze te maken voor jouw context.

Best practices voor Fabric in productie

Concrete production-tips

-- In Fabric Notebook (SQL magic)
%%sql
OPTIMIZE silver.orders ZORDER BY (order_date, country_code);
VACUUM silver.orders RETAIN 168 HOURS;  -- 7 dagen history bewaren

Conclusie: Wanneer wel of niet kiezen voor Fabric?

Microsoft Fabric is in 2026 een volwassen, enterprise-grade dataplatform geworden. De propositie is sterk als je organisatie al diep in het Microsoft-ecosysteem zit. Toch is het geen universeel antwoord voor élke situatie.

De bottom line: voor de meeste Nederlandse organisaties die al met Microsoft-technologie werken, is Fabric de logische volgende stap. Het platform rijpt snel, de roadmap is ambitieus (Copilot-integratie, AI Skills, Fabric Databases) en de community groeit hard. Wacht niet te lang — wie nu een PoC

👨‍💻 Over de auteur

Abdullah Özisik — Data Engineer met specialisatie in AI-integratie en MLOps. Expert in het bouwen van intelligente data pipelines die gebruik maken van machine learning en generative AI voor geautomatiseerde data processing en optimalisatie.

💼 LinkedIn 👨‍💻 GitHub