SQL AVANZADO

INTELIGENCIA DE NEGOCIOS

MCP. Elmer John Pérez Espinoza

Celular: 991-691-831
EDUNEG - Escuela de Desarrollo Universal de Negocios perez.espinoza.elmer@gmail.com
 Análisis de datos y tendencias de
inteligencia de negocios

EDUNEG - Escuela de Desarrollo Universal de Negocios

OBJETIVOS

Al finalizar el capítulo, el alumno logrará:

• Identificar el valor agregado del análisis de datos para las empresas.

• Conocer las tendencias del mercado.

EDUNEG Diseño de un Datamart 3 - 30

AGENDA

• ¿Qué es la inteligencia de negocios?

• Análisis de datos
• Tendencia de inteligencia de Negocios

EDUNEG Diseño de un Datamart 4 - 30

¿Qué es la inteligencia de negocios?
Es un conjunto de metodologías y técnicas dirigidas a facilitar el análisis
de la información, para apoyar la toma de decisiones.

BI suele también definirse como la transformación de los datos de la

compañía en conocimiento para obtener una ventaja competitiva (Gartner
Group).
EDUNEG Diseño de un Datamart 5 - 30
¿Para qué inteligencia de negocios?
Permite identificar al instante los retos que enfrentan las empresas, accediendo a
información actualizada, lo que finalmente logra que una empresa sea más
competitiva al reaccionar con mayor rapidez y confianza ante los cambios.
El secreto esta en los datos:
1. Fomentar una cultura analítica extrayendo datos a todos los procesos de
negocio para impulsar una nueva forma de tomar decisiones.
2. Agilizar la colaboración entre áreas con una visualización integral del negocio.
Que sea abierta e híbrida (cloud y onpremises).
3. Manteniendo un control y gobierno adecuado de los datos, confiabilidad en
los datos y una única versión de la verdad.
EDUNEG Diseño de un Datamart 6 - 30
¿Que es el análisis de datos?
Es una técnica y por medio de ésta se inspeccionan, purifican y transforman
datos, con la finalidad de destacar toda la información que sea de gran
utilidad, y a partir de ella poder elaborar conclusiones que sirvan de apoyo
en la toma de decisiones.
Los negocios basados en datos tienen cinco veces más probabilidades de
tomar decisiones más rápidas que sus pares del mercado y dos veces más
probabilidades de tener mejor desempeño financiero dentro de sus
industrias.

EDUNEG Diseño de un Datamart 7 - 30

¿Que es el análisis de datos?
Por ejemplo:
1. Los bancos y las compañías de tarjetas de crédito, analizan los retiros y
los patrones de gasto para prevenir el fraude o robo de identidad.
2. Las compañías de comercio electrónico (Ecommerce) examinan el
tráfico en el sitio Web o los patrones de navegación para determinar
qué clientes son más o menos propensos a comprar un cierto producto
o servicio, basándose en compras previas o patrones de visualización.

EDUNEG Diseño de un Datamart 8 - 30

Tendencia de inteligencia de negocios
1. “La analítica avanzada de datos ya no es, ni será manejada sólo por los
analistas” esta sentencia resume la tendencia imperante en el mundo de las
soluciones y los usuarios de Business Intelligence.
2. La interacción será continua entre las diferentes áreas de la empresa, a nivel
interno y externo, implicando usuarios de la organización y clientes, y todo
con el apoyo de los sistemas IT y las soluciones de inteligencia de negocios.
3. La inteligencia impulsada por algoritmos de inteligencia artificial serán el
centro del universo digital.
4. Los análisis avanzados, los procesos empresariales autónomos, el Internet y
las interfaces de conversación serán una gran tendencia en 2017.
EDUNEG Diseño de un Datamart 9 - 30
Las 10 tendencias principales de inteligencia de
negocios para 2017
1. La inteligencia de negocios moderna se convierte en el nuevo estándar.
2. El análisis colaborativo ganará presencia.
3. Todos los datos se vuelven equivalentes.
4. El análisis de autoservicio se extiende a la preparación de datos.
5. El análisis está en todas partes, gracias a la BI incorporada.
6. TI se convierte en el héroe de los datos.
7. Las personas comienzan a trabajar con datos de una manera más natural.
8. Se acelera la transición a la nube.
9. El análisis avanzado se vuelve más accesible.
10. El conocimiento de los datos se convierte en una habilidad fundamental del futuro.

EDUNEG Diseño de un Datamart 10 - 30

Tendencia de inteligencia de negocios
Cuadrante mágico BI Gartner 2020

EDUNEG Diseño de un Datamart 11 - 30

Resumen
En este capítulo, usted aprendió que:
1. La analítica prescriptiva utiliza los conocimientos revelados por el análisis predictivo y
proporciona una llamada a la acción basada en lo que encuentra.
2. BI analiza los conjuntos de datos actuales para los patrones y evalúa los resultados de
los múltiples escenarios que podrían ser promulgados sobre la base de las decisiones
que se podrían tomar sobre la base de los datos, proporcionando a los tomadores de
decisiones hipotéticos resultados en cuanto al impacto de cada opción.
3. Según Gartner, sólo el 10% de las organizaciones utilizan actualmente alguna forma de
análisis prescriptivo, pero esta cifra crecerá hasta el 35% para el año 2020, y con el
crecimiento experimentado ya este año, parece probable que las compañías busquen
implementar la analítica prescriptiva a sus datos empresariales en 2017.
EDUNEG Diseño de un Datamart 12 - 30
 Diseño de una Datamart

EDUNEG - Escuela de Desarrollo Universal de Negocios

OBJETIVOS

Al finalizar el capítulo, el alumno logrará:

• Comprender los mecanismos de agregación.
• Diseñar soluciones de un DataMart.
• Transformar los datos.
• Diseñar estructuras que se utilizarán en el desarrollo de un DataMart.
• Aplicarlos conocimientos adquiridos en múltiples situación es de diseño.

EDUNEG Diseño de un Datamart 14 - 30

AGENDA

• ¿Qué deseo medir?: Concepto de medida.

• ¿Qué criterios uso para agrupar la información?: concepto de dimensión.
Atributos, Jerarquías y niveles.
• Herramientas de diseño de cubos
• Modelo físico de un cubo
• Técnicas de diseño de cubos
• Entregables de diseño de cubos
• Desarrollar soluciones multidimensional aplicando herramientas de diseño.

EDUNEG Diseño de un Datamart 15 - 30

¿Qué deseo medir?: Concepto de medida
• Todo modelo dimensional está compuesto por una parte cuantitativa o cuantificable y la pregunta que nos
permite identificarla es ¿Cuánto?
• Este elemento se denomina medida (Measures) o métrica.
• La medida está representada por columnas numéricas y se encuentra almacenada en la tabla de hechos o
fact table.
• Las medidas en algunos casos provienen directamente de los sistemas OLTP.
• Son los valores de negocio por los que queremos analizar nuestra organización:
• Cantidad vendida
• Monto vendido
• Impuestos
• Gasto
• Costo
EDUNEG Diseño de un Datamart 16 - 30
¿Qué deseo medir?: Concepto de medida
• Las medidas pueden clasificarse en:
• Naturales
• Son aquellas que se obtienen por agregación de los datos originales.
• Suma: suma los valores de las columnas
• Cuenta: conteo de los valores
• Mínima: valor mínimo
• Máxima: valor máximo
• Cuenta de distintos: valores diferentes
• Calculadas
• Si se derivan de una medida natural
• Cálculos matemáticos
• Expresiones condicionales
• Alertas
EDUNEG Diseño de un Datamart 17 - 30
¿Qué deseo medir?: Grado de agregación

Las funciones de agregación en SSAS pertenecen a uno de cuatro niveles

de grado de agregación:
• Aditivas: se pueden agregar, sin restricciones, en todas las dimensiones
que están incluidas en el grupo de medidas.
• Semiaditivas: pueden agregar sólo en algunas de las dimensiones que
están incluidas en el grupo de medidas, pero no en todas.
• No aditivas: no se pueden agregar para ninguna dimensión incluida en el
grupo de medidas

EDUNEG Diseño de un Datamart 18 - 30

¿Qué deseo medir?: Grado de agregación
F(x) de agregación Grado de Valor devuelto
agregación

Sum Aditiva Calcula la suma de la medida de acuerdo a las dimensiones seleccionadas. Es la función de
agregación predeterminada

Count Aditiva Muestra la cantidad de ocurrencias de un hecho de acuerdo a las dimensiones seleccionadas
Min SemiAditiva Muestra el valor mas bajo de una medida
Max SemiAditiva Muestra el valor mas alto de una medida
Promedio(AVG) No Aditiva Calcula un promedio de una medida
DistinctCount No Aditiva Muestra la cantidad única de ocurrencias de un hecho de acuerdo a las dimensiones
seleccionadas
None No Aditiva No se realiza una agregación y todos los valores para los miembros hoja y no hoja de una
dimensión se suministran directamente desde la tabla de hechos para el grupo de medida que
contiene la medida.
AverageOfChildren SemiAditiva Calcula el promedio de las medidas de todos los miembros secundarios no vacíos
FirstChild SemiAditiva Recupera el valor del primer miembro
LastChild SemiAditiva Recupera el valor del último miembro
FirstNonEmpty SemiAditiva Recupera el valor del primer miembro no vacío
LastNonEmpty SemiAditiva Recupera el valor del último miembro no vacío

EDUNEG Diseño de un Datamart 19 - 30

¿Qué criterios uso para agrupar la información?
Concepto de dimensión
Es la parte cualitativa (características) de los reportes y se denomina
dimensiones.
Las preguntas que nos permiten identificarlas son: ¿quién?, ¿qué?,
¿cuándo?, ¿dónde? Y ¿a quién?
Las dimensiones o criterios de análisis, son todas aquellas perspectivas
desde las cuales puede observarse una medida.
Ejemplo:

EDUNEG Diseño de un Datamart 20 - 30

¿Qué criterios uso para agrupar la información?:
Concepto de dimensión
Generalmente, provienen de las tablas maestras de los sistemas transaccionales.
Es preciso que toda dimensión signifique lo mismo para cada tabla de hechos con
la que se relacione: fechas, productos, geografía, cliente.
Las dimensiones están compuestas de dos partes: atributos y jerarquías, y en
cantidad de registros son las tablas más pequeñas.
Dimensión conformada
• Hacen posible que una única dimensión se puede utilizar frente a varias
tablas de hechos.
• Une varios modelos estrellas o copos de nieve.

EDUNEG Diseño de un Datamart 21 - 30

¿Qué criterios uso para agrupar la información?:
Atributos, jerarquías y niveles
Atributo
• Son las características del negocio y en conjunto forman una
dimensión.
• Constituyen los criterios de análisis que se utilizarán para analizar los
indicadores dentro de un cubo multidimensional.

EDUNEG Diseño de un Datamart 22 - 30

¿Qué criterios uso para agrupar la información?:
Atributos, jerarquías y niveles
Jerarquía y niveles
• Representadas por un ordenamiento lógico dentro de la dimensión.
• Formadas por diferentes tipos de relaciones entre los atributos de una misma
dimensión.
• La relación debe ser “1-n” o “padre-hijo” entre atributos consecutivos de un nivel
superior y uno inferior.
• La jerarquía principal se dibuja verticalmente desde el atributo más agregado (arriba)
hasta el más atómico (abajo) y las jerarquías características se adicionan por los
costados.
• Un nivel representa un nivel particular de agregación dentro de una dimensión; cada
nivel sobre el nivel base representa la sumarización total de los datos desde el nivel
inferior.
EDUNEG Diseño de un Datamart 23 - 30
¿Qué criterios uso para agrupar la información?:
Atributos, jerarquías y niveles
Atributos

. Pais Nivel 1
.. Provincia Nivel 2
… Ciudad Nivel 3
…. Barrio Nivel 4

EDUNEG Diseño de un Datamart 24 - 30

¿Qué criterios uso para agrupar la información?:
Atributos, jerarquías y niveles
Dimensión tiempo

Jerarquía Miembros Jerarquía

Dimensión zona geográfica Zona Geográfica Zona Geográfica

EDUNEG Diseño de un Datamart 25 - 30

¿Qué criterios uso para agrupar la información?
Concepto de dimensión
Ejemplo: crear dimensión
Se desea obtener indicadores de rendimiento de los empleados de la
corporación.
Los reportes de evaluación de los empleados deben ser totalizados de acuerdo
a las divisiones organizacionales y regiones geográficas de la corporación.
Cada empleado trabaja para una división organizacional. A su vez, cada
empleado pertenece a una ciudad, y cada ciudad está contenida en una región.

¿Cuál es la manera de definir los niveles de la dimensión empleado?

EDUNEG Diseño de un Datamart 26 - 30
¿Qué criterios uso para agrupar la información?
Concepto de dimensión
Solución: crear dimensión
Existen dos (02) jerarquías: región y división en la dimensión Empleado.
Empleado.Región
▪Región
▪▪Ciudad
▪▪▪Empleado

Empleado.División
▪División
▪▪Empleado
EDUNEG Diseño de un Datamart 27 - 30
Herramientas de diseño de cubos

• Entrevistas
• Matriz Bus
• Start Net
• Jerarquias
• Modelo dimensional

EDUNEG Diseño de un Datamart 28 - 30

Herramientas de diseño de cubos

Entrevistas
Efectuado al personal de negocio y técnico para aprender tanto como se pueda
sobre el negocio, los competidores, la indústria y los clientes del mismo.
Se debe ler todos los informes posibles de la organización; rastrear los documentos
de estratégia interna; entrevistar a los empleados, analizar lo que se disse em la
prensa acerca de la organización, la competência y la indústria. Se deben conocer
los términos y la terminologia del negocio.

EDUNEG Diseño de un Datamart 29 - 30

Herramientas de diseño de cubos

Entrevistas

EDUNEG Diseño de un Datamart 30 - 30

Herramientas de diseño de cubos

Matrix Bus
Diagrama de matriz que permite identificar qué dimensiones intervienen
en el processo de negocio o hecho.
Cada fila representa um processo de negocio y define al menos uma tabla
de hechos y sus dimensiones asociadas.

EDUNEG Diseño de un Datamart 31 - 30

Herramientas de diseño de cubos

Matrix Bus

EDUNEG Diseño de un Datamart 32 - 30

Herramientas de diseño de cubos

StarNet:
Es um diagrama que nos muestra através de líneas, círculos y rectángulos
la representación de um modelo dimensional.
El rectángulo representa los hechos (medidas), los círculos mayores son
las dimensiones, los círculos pequenos corresponden a los atributos de las
dimensiones y las líneas permiten la relación entre estos elementos:

EDUNEG Diseño de un Datamart 33 - 30

Herramientas de diseño de cubos

StarNet:

EDUNEG Diseño de un Datamart 34 - 30

Herramientas de diseño de cubos

Jerarquías:
Muestran las diferentes formas de analizar uma perspectiva del negocio.
Definiendo critérios de agrupamento de los atributos de uma dimensión.

EDUNEG Diseño de un Datamart 35 - 30

Herramientas de diseño de cubos

Modelo dimensional:
Es um modelo desnormalizado / normalizado basado em dos entidades:
tablas dimensionales y tablas de hecho..

EDUNEG Diseño de un Datamart 36 - 30

Herramientas de diseño de cubos
Modelo dimensional:

EDUNEG Diseño de un Datamart 37 - 30

Modelo físico del datamart

• Tabla de dimensión
• Tabla de hechos
• Modelo Start (Estrella)
• Modelo Snowflake (Copo de nieve)

EDUNEG Diseño de un Datamart 38 - 30

Modelo físico del datamart
Tablas de dimensión
1. Posee uma coluna clave (PK), comúnmente auto-generada (Tipo:Integer).
2. Contiene columnas que almacenan los Ids/códigos de los sistemas
origen.
3. Cada nível de uma jerarquia representa uma coluna em la tabla de
dimensión.
4. Tienen uma relación uno a muchos com la tabla de hechos (facttable).
5. Es normal que uma dimensión se diseñe com más de 50 atributos
descriptivos.
EDUNEG Diseño de un Datamart 39 - 30
Modelo físico del datamart
Tablas de dimensión

EDUNEG Diseño de un Datamart 40 - 30

Modelo físico del datamart
Tablas de Hechos
1. Es la tabla central en um esquema dimensional.
2. Contiene las claves externas (FK), que se relacionan com sus respectivas
tablas de dimensiones, y las columnas com los valores (métricas) que
serán analizados.
3. Almacenan las mediciones numéricas del negocio.
4. El grano o la granularidad de la tabla queda determinada por el nível de
detalle que se almacenará em la tabla.

EDUNEG Diseño de un Datamart 41 - 30

Modelo físico del datamart
Tablas de Hechos

EDUNEG Diseño de un Datamart 42 - 30

Modelo físico del datamart
Modelo Start (Estrella)
Las tablas de dimensión se desnormalizan y se relacionan directamente con la tabla de hechos, a través de
sus respectivas claves.
Una estrella no debería tener mas de 25 tablas de dimensión, en ese caso combinarse en dimensiones más
simples.
Características
1. Estructura simple
2. Es ideal por su simplicidad y velocidad para ser usado para análisis.
3. Las consultas son sencillas, ya que las condiciones y las uniones (JOIN) necesarias sólo involucran a la
tabla de hechos y a las de dimensiones.
Inconvenientes
1. Este modelo es el menos robusto para la carga y es el más lento de construir.
EDUNEG Diseño de un Datamart 43 - 30
Modelo físico del datamart
Modelo Start (Estrella)

EDUNEG Diseño de un Datamart 44 - 30

Modelo físico del datamart
Modelo Snowflake (Copo de nieve)
Representa uma extensión del modelo em estrella, em el que las tablas de dimensión se normalizan em
múltiples tablas.
Las dimensiones se pueden relacionar com las tablas de hechos, o com otras dimensiones.
Características
1. Estructura compleja.
2. Puede desarrollar clases de jerarquias fuera de las tablas de dimensiones, que permiten realizar
análisis de lo general a lo detallado y viceversa.
Inconvenientes
1. Un escenario de jerarquias em múltiples tablas de dimensiones, se creara um número elevado de
tablas que puede ser inmanejables.
2. Al existir muchas uniones y relaciones entre tablas, el desempeño espoco eficiente
EDUNEG Diseño de un Datamart 45 - 30
Modelo físico del datamart
Modelo Snowflake (Copo de nieve)

EDUNEG Diseño de un Datamart 46 - 30

Técnicas de diseño de cubos
Tipos de tablas de hechos
1. Dimensiones: optimizar rendimiento de consultas (Espacio)
2. Dimensiones: optimizar rendimiento de consultas (Negocio)
3. Dimensiones: información histórica (Negocio)

EDUNEG Diseño de un Datamart 47 - 30

Técnicas de diseño de cubos
Tipos tabla de hechos
SnapShot
Cada período se agrega un registro para la entidad, sin remplazar ni
modificar la foto del período anterior.
Ejemplo: balances, estados de resultados.

EDUNEG Diseño de un Datamart 48 - 30

Técnicas de diseño de cubos
Tipos tabla de hechos
Transaccional
Un registro por cada evento, que ocurre en una fecha determinada. Solo se
pueden hacer inserciones.
Ejemplo: sistemas de ventas.

EDUNEG Diseño de un Datamart 49 - 30

Técnicas de diseño de cubos
Tipos tabla de hechos
Incremental
Un registro por cada ocurrencia, pero la fila contiene múltiples fechas que
indica el cambio de estados. A diferencia de los anteriores, en este tipo de
estructuras se puede insertar y actualizar los registros.
Ejemplo: workflow, ticket de soporte.

EDUNEG Diseño de un Datamart 50 - 30

Técnicas de diseño de cubos
dimensiones Optimizar rendimiento de consultas (Espacio)
Factorizar (Tabla hechos o dimensión)
1. Cuando hay mucha información repetida en una tabla de hechos, es
posible quitar esta información y “Factorizarla” en una tabla de
dimensión.
2. Esto minimiza el espacio utilizado por la tabla de hechos y mejora el
análisis sobre los datos.
3. Los campos candidatos son aquellos con baja cardinalidad.

EDUNEG Diseño de un Datamart 51 - 30

Técnicas de diseño de cubos
dimensiones Optimizar rendimiento de consultas (Espacio)
Factorizar (Tabla hechos o dimensión)

EDUNEG Diseño de un Datamart 52 - 30

Técnicas de diseño de cubos
dimensiones Optimizar rendimiento de consultas (Negocio)

Dimensión de roles
Cuando hay varios campos que hace referencia a la misma dimensión, pero
con conceptos diferentes.

EDUNEG Diseño de un Datamart 53 - 30

Técnicas de diseño de cubos
dimensiones Optimizar rendimiento de consultas (Negocio)
Dimensión de roles

EDUNEG Diseño de un Datamart 54 - 30

Técnicas de diseño de cubos
dimensiones Optimizar rendimiento de consultas (Negocio)

Súper dimensión
Cuando es necesario juntar dos dimensiones para generar cálculos que de
otra forma sería difícil de administrar.

EDUNEG Diseño de un Datamart 55 - 30

Técnicas de diseño de cubos
dimensiones Optimizar rendimiento de consultas (Negocio)

Súper dimensión

EDUNEG Diseño de un Datamart 56 - 30

Técnicas de diseño de cubos
Dimensiones Información histórica (Negocio)
Slow Changing dimensión (SCD Nº 1)
1. Sobrescribir la información de la dimensión.
2. No existe referencia histórica de los datos en la dimensión.

EDUNEG Diseño de un Datamart 57 - 30

Técnicas de diseño de cubos
Dimensiones Información histórica (Negocio)
Slow Changing dimensión (SCD Nº 1)

EDUNEG Diseño de un Datamart 58 - 30

Técnicas de diseño de cubos
Dimensiones Información histórica (Negocio)
Slow Changing dimensión (SCD Nº 2)
1. La clave de la dimensión es compuesta, registra, por cada cambio en la
fila de la dimensión (o los campos que sean relevantes), un nuevo
registro.

EDUNEG Diseño de un Datamart 59 - 30

Técnicas de diseño de cubos
Dimensiones Información histórica (Negocio)
Slow Changing dimensión (SCD Nº 2)

EDUNEG Diseño de un Datamart 60 - 30

Técnicas de diseño de cubos
Dimensiones Información histórica (Negocio)
Slow Changing dimensión (SCD Nº 3)
1. Agregar una columna adicional por cada columna cuyo valor queremos
mantener en la historia.

EDUNEG Diseño de un Datamart 61 - 30

Técnicas de diseño de cubos
Dimensiones Información histórica (Negocio)
Slow Changing dimensión (SCD Nº 3)

EDUNEG Diseño de un Datamart 62 - 30

Entregables de diseño de cubos

1. Diseño de las estructuras dimensionales.

2. Transformación de los datos (Mapeo de datos).

EDUNEG Diseño de un Datamart 63 - 30

Entregables de diseño de cubos
1. Diseño de las estructuras dimensionales.
Detalla el diseño de la arquitectura de la solución y diseño lógico del modelo
dimensional.

EDUNEG Diseño de un Datamart 64 - 30

Entregables de diseño de cubos
1. Diseño de las estructuras dimensionales.

EDUNEG Diseño de un Datamart 65 - 30

Entregables de diseño de cubos
1. Diseño de las estructuras dimensionales.

EDUNEG Diseño de un Datamart 66 - 30

Entregables de diseño de cubos

2. Transformación de los datos (Mapeo de datos).

Detalla el diseño de los procesos de extracción, transformación y carga de
datos al DataMart.

EDUNEG Diseño de un Datamart 67 - 30

Entregables de diseño de cubos

2. Transformación de los datos (Mapeo de datos).

EDUNEG Diseño de un Datamart 68 - 30

SQL
Avanzado

MCP. Elmer John Pérez Espinoza

Celular: 991-691-831
Correo: perez.espinoza.elmer@gmail.com
Parte II

¿Qué es Instalar el Instalar la Crear un

Analisis Instalar Visual
Services
servidor de Extensión Proyecto
Studio
(SSAS)? SSAS SSAS SSAS

Crear una Crear un

Crear una Crear una
Crear un cubo vista de origen origen de
Jerarquía dimensión
de datos datos

Conectarse a un Conectarse Conectarse

cubo desde el
Management desde Excel a desde Power
Studio un Cubo BI a un Cubo

SQL Avanzado
SQL Server Analysis Services
Aprenderá a crear un cubo de procesamiento analítico en línea
(OLAP) con la ayuda de Microsoft SQL Server Analysis Services
(SSAS) desde un almacén de datos existente.
OLAP significa cargar datos desde un almacén de datos en una
estructura de archivos que hace que sea mucho más rápido
acceder a medidas en diferentes niveles granulares.

SQL Avanzado
¿Por qué se requiere OLAP?
OLAP es un estructura de datos que proporciona cubos
multidimensionales a partir de datos y proporciona información
útil para los tomadores de decisiones. Al diseñar un sistema
OLAP, el factor más importante son los requisitos de informes.

SQL Avanzado
¿Por qué se requiere OLAP?

SQL Avanzado
Comprender el motor de SSAS
Microsoft SQL Server lanzó Analysis Services en 2000 como una
herramienta de cubo OLAP. Esta herramienta es un servicio
maduro de tecnologías de Microsoft en BI que brinda la capacidad
de desarrollar cubos y crear dimensiones y medidas. La creación
de jerarquías (como la jerarquía de categorías de productos)
basadas en atributos de dimensiones también es posible dentro
de SSAS.

SQL Avanzado
Comprender el motor de SSAS

SQL Avanzado
Instalando Visual Studio Enterprise SQL Avanzado
Instalando Analisis Service SQL Avanzado
Creación del Proyecto de Analisis Services SQL Avanzado
Restaurar la Base de Datos del Proyecto DWH SQL Avanzado
Creación del Cubo Ventas por Internet SQL Avanzado
Consultar un cubo en SSAS SQL Avanzado
Trabajar con Dimensiones en SSAS SQL Avanzado
Agregar y Configurar Dimensiones en SSAS SQL Avanzado
Modificar Medidas en SSAS SQL Avanzado
Vista de Fuente de Datos
En las secciones anteriores, explicamos qué es la Vista de fuente
de datos ( DSV ) y cómo crear DSV. Sin embargo, a veces, hay un
requisito para cambiar el DSV. Por ejemplo, es posible que desee
agregar una columna calculada en el DSV con comandos y
funciones de SQL, puede que desee crear una relación entre dos
vistas, o puede que necesite escribir una consulta y crear una
tabla DSV basada en esa consulta. Todas estas modificaciones se
pueden hacer en el DSV, y en esta sección, veremos algunas de
ellas.

SQL Avanzado
Modificar Medidas en SSAS SQL Avanzado
Uso de una consulta con nombre SQL Avanzado
Usando Dimensiones
La Unión entre Dimensiones y grupos de medida se define en el
área de uso de dimensiones.
Existen múltiples tipos de relaciones entre un grupo de medida y
una dimensión.
En esta sección, veremos el uso de la dimensión y crearemos una
nueva conexión para un requisito comercial.

SQL Avanzado
Agregar una relación de hecho SQL Avanzado
Tipo de Relaciones
Tipo Descripción
None No hay una relación entre el grupo de medidas y la
dimensión.
Regular Esta es la relación más común, ya que muestra la
relación del esquema de inicio entre el hecho y la
dimensión en un diagrama de uno a muchos.
Referenced Se observa la relación entre un grupo de medida y
una dimensión basada en una dimensión intermedia.
Esta relación es para diagramas de copos de nieve,
lo cual no se recomienda generalmente.
SQL Avanzado
Tipo de Relaciones

Tipo Descripción
Many to many Esto se usa cuando un grupo de medida se
relaciona con una dimensión basada en una
dimensión intermedia y un grupo de medida.
Fact Esto se utiliza cuando la dimensión se crea en
base a una tabla de hechos.
Data mining Este tipo relaciona la dimensión de minería de
datos con un grupo de medida.

SQL Avanzado
Jerarquías
Hay dos tipos de jerarquías en SSAS multidimensional:
jerarquías de usuarios y jerarquías de atributos. Cada atributo
crea una jerarquía de un solo nivel que se puede usar en el
diseñador / navegador con una combinación de otros atributos
para crear una jerarquía de varios niveles. Una jerarquía de
usuarios es una jerarquía multinivel predefinida que proporciona
un acceso más fácil para el usuario final en la interfaz. Uno de los
beneficios más importantes de las jerarquías es la capacidad de
profundizar en muchas herramientas de cliente MDX como Excel,
Power Pivot y Power BI.
SQL Avanzado
Creación de una Dimensión SQL Avanzado
Expresión multidimensional
En cada negocio, enfrentará situaciones en las que algo nuevo
surgió de los requisitos comerciales que no consideró al diseñar
el almacén de datos.
Por otro lado, a veces los requisitos no se pueden cumplir en el
almacén de datos y se deben cumplir en el cubo.

SQL Avanzado
Conectando un Cubo desde el Management de SQL Server SQL Avanzado
Miembros calculados
SSAS proporciona una forma de crear miembros calculados
basados en un lenguaje de expresión llamado Expresión
multidimensional ( MDX ).
MDX es el lenguaje de consulta para SSAS; Todas las consultas
de las aplicaciones cliente se envían al servidor SSAS como una
consulta MDX, y el resultado de esa consulta se devolverá en un
formato multidimensional.

SQL Avanzado
Miembro Calculado SQL Avanzado
Conjuntos con nombre
Como ejemplo para el cálculo de los miembros, suponiendo que
desea calcular el producto del precio unitario y la cantidad del
artículo, puede crear un miembro calculado para eso.
Además, a veces puede requerir un subconjunto de un atributo de
dimensión, por ejemplo, una lista de los 10 principales clientes en
un área específica.
El conjunto con nombre en SSAS proporciona la capacidad de
crear este tipo de subconjuntos.

SQL Avanzado