En convenio con

1
 En convenio con

Business
Intelligence con
Power BI
Ing. Hector Najarro
2
 En convenio con

I. Introducción al Business Intelligence

II. Modelado Dimensional

Business III. Análisis Empresarial I

Intelligence IV. Taller I - Power BI

con V. Análisis Empresarial II

Power BI VI. Customer Intelligence

VII. Gestión de la Información

VIII. Taller II - Power BI

3
 En convenio con

II. Modelado
Dimensional

Ing. Hector Najarro

4
 En convenio con

Módulo II:
Modelado Dimensional

1. Modelado Dimensional

2. Diseño de Data
Warehouse y Data Mart
3. Laboratorio
 En convenio con

Modelado
Dimensional
El modelo de datos dimensional, conlleva
una técnica de modelado que facilita la
compresión de la base de datos, haciéndola
intuitiva para usuarios no expertos, y es
comúnmente utilizada para implementar
los Datawarehouse o DataMarts.

6
 En convenio con

Modelado
Dimensional
Esta técnica goza de una gran aceptación y,
a menudo, es elegida como la preferida
para representar datos analíticos por
cumplir simultáneamente con los siguientes
requerimientos:
Dispone y estructura los datos de manera
comprensibles para el usuario de negocio
Genera un alto rendimiento en las
búsquedas desde la capa de reporting

7
 En convenio con

1. Modelado
Dimensional
 En convenio con

1. Modelado Dimensional

Dentro del modelado de datos dimensional destacan 2 conceptos

clave: hechos y dimensiones.
Hechos: Son las métricas, normalmente valores cuantitativos
(numéricos) susceptibles de ser agregados
Ejemplo: La cantidad de ventas de coches de un concesionario, el
rendimiento en euros de una empresa, el número de estudiantes
de un colegio, etc.
Dimensiones: Son los valores cualitativos. Proporcionan
descripciones a los hechos, aportando un contexto a los mismos.
Ejemplo: Marca de coche, fecha, nombre concesionario, dirección
de la empresa, nombre del colegio, etc.
Existen 2 técnicas para llevar acabo el modelado dimensional: el
esquema de estrella y el esquema de copo de nieve.

9
 En convenio con

1.1 Modelo Estrella

Un esquema de estrella es un modelo de datos

formado por una tabla de hechos, que contiene los
datos para el análisis, rodeada de las tablas de
dimensiones.

10
 En convenio con

1.1 Modelo Estrella

Las principales ventajas del esquema de estrella son:

• Queries simples. Las uniones y cruces son más
sencillos, debido a su lógica, que los de un esquema
normalizado
• Lógica de reporting simplificada
• Mejoras en el rendimiento de las consultas
• Agregaciones más rápidas. Gracias a las queries
simplificadas
Las principales desventajas del esquema de estrella
son:
• Poco flexible. Los esquemas en estrella son
construidos para una vista de los datos en particular

11
 En convenio con

1.2 Modelo Copo de Nieve

Se representa como una tabla de hechos conectada

con dimensiones anidadas. Al normalizar por
completo las dimensiones el resultado parece un
copo de nieve.

12
 En convenio con

1.2 Modelo Copo de Nieve

Las principales ventajas del esquema de copo de

nieve son:
• Algunas herramientas de modelado de bases de
datos multidimensional OLAP se optimizan
• La normalización de los atributos reduce el
almacenamiento de datos
Las principales desventajas del esquema de copo
de nieve son:
• Queries complejas debido a la normalización
(implica un mayor número de cruces)
• Bajo rendimiento debido a la normalización

13
 En convenio con

1.3 Resumen

Estrella Copo de Nieve

14
 En convenio con

2. Diseño de
Data Warehouse
y Data Mart
 En convenio con

2. Diseño de Data
Warehouse y Data Mart

Data Warehouse:
es un sistema de almacenamiento diseñado para
contener los datos extraídos en los sistemas
transaccionales, de los sistemas operativos y de
fuentes externas.

Data Mart:
Contiene datos similares en el tiempo y temática,
es decir, son subconjuntos de un Data Warehouse
de un área específica del negocio para ayudarle a la
toma de decisiones.

16
 En convenio con

2. Diseño de Data
Warehouse y Data Mart

Se denomina inteligencia empresarial, inteligencia de

negocios o BI (del inglés Business Intelligence), al
conjunto de estrategias y aspectos relevantes
enfocados a la administración y creación de
conocimiento sobre el medio. A través del análisis de
los datos existentes en una organización o empresa.
Data Warehouse y Data Mart son herramientas de
Business Intelligence. Son buenos ejemplos de
herramientas concebidas para mejorar
significativamente la capacidad de una organización a
la hora de tomar decisiones de negocio.

17
 En convenio con

2. Diseño de Data
Warehouse y Data Mart

Un Data Mart se centra en un solo tema, mientras que

los datos de un Data Warehouse comprende datos de
todos los departamentos de la organización donde se
actualiza continuamente para eliminar datos
redundantes

El proceso de implementación un Data Warehouse

puede extenderse muchos meses e incluso años. El
proceso de implementación de Data Mart está
restringido a unos pocos meses.

Los datos almacenados en un Data Warehouse

siempre ofrecen más detalle en comparación con los
de un Data Mart.

18
 En convenio con

2. Diseño de Data
Warehouse y Data Mart

El proceso de implementación un Data Warehouse

puede extenderse muchos meses e incluso años. El
proceso de implementación de Data Mart está
restringido a unos pocos meses.

Los datos almacenados en un Data Warehouse

siempre ofrecen más detalle en comparación con los
de un Data Mart.

19
 En convenio con

2.1. Diferencias (1/2)

Criterio Data Warehouse Data Mart

Uso Ayuda a tomar una decisión estratégica. Ayuda a tomar decisiones tácticas para el negocio.

El objetivo principal de Data Warehouse es proporcionar un entorno integrado y una Utilizado principalmente en una división de negocios a nivel de
Objetivo
imagen coherente de la empresa en un momento determinado. departamento.

Diseño Complejo Sencillo

Puede o no puede usarse en un modelo dimensional. Sin embargo, puede alimentar Se construye enfocado en un modelo dimensional usando un esquema de
Modelo dimensional
modelos dimensionales. inicio.
Incluye una gran área de la corporación, por lo que se tarda mucho tiempo en Son fáciles de usar, diseñar e implementar, ya que solo puede manejar
Gestión de datos
procesarla. pequeñas cantidades de datos.
El Data Warehouse se enfoca ampliamente en todos los departamentos. Es posible Data Mart está orientado a un área de negocio y se utiliza a nivel de
Foco
que incluso pueda representar a toda la empresa. departamento.
Los datos almacenados en Data Warehouse siempre ofrecen más detalle en Los Data Marts están construidos para grupos de usuarios
Tipo de datos
comparación con data mart. particulares. Por lo tanto, los datos son cortos y limitados.

Los almacenes modernos están en su mayoría desnormalizados para proporcionar

Normalización No hay preferencia entre una estructura normalizada o desnormalizada.
consultas de datos más rápidas y un buen rendimiento de lectura

20
 En convenio con

2.1. Diferencias (2/2)

Criterio Data Warehouse Data Mart

El objetivo principal de Data Warehouse es proporcionar un entorno integrado y una
Área temática En su mayoría tienen solo un área temática, por ejemplo, cifra de ventas.
imagen coherente de la empresa en un momento determinado.
Almacenamiento de Diseñado para almacenar datos de decisiones de toda la empresa, no solo datos de Modelado dimensional y diseño de esquema en estrella empleado para
datos marketing. optimizar el rendimiento de la capa de acceso.

Principalmente incluye estructuras de datos de consolidación para

Tipo de datos La variación en el tiempo y el diseño no volátil se aplican estrictamente.
satisfacer las necesidades de informes y consultas del área temática.

Datos transaccionales agrupados alimentados directamente desde el Data

Valor de los datos Solo lectura desde el punto de vista de los usuarios finales.
Warehouse.
Data Mart contiene datos, de un departamento específico de una
Alcance Es más útil ya que puede traer información de cualquier departamento. empresa. Puede que haya Data Marts separados para ventas, finanzas,
marketing, etc. Tiene un uso limitado
Fuente Los datos provienen de muchas fuentes. Los datos provienen de muy pocas fuentes.
tamaño El tamaño del Data Warehouse puede variar de 100 GB a más de un TB. El tamaño de Data Mart es inferior a 100 GB.
Tiempo de El proceso de implementación de Data Warehouse puede extenderse de meses a El proceso de implementación de Data Mart está restringido a unos pocos
implementación años. meses.

21
 En convenio con

2.3. Pasos para construir un Data warehouse

1. Comprender el problema
Se debe realizar un diagnóstico de la
cantidad de datos que maneja la empresa
y las transformaciones digitales que se
deben implementar, se recomienda se
haga antes de crear un sistema de gestión
de datos.
Conociendo a profundidad estos dos
puntos, el data warehouse será un aliado
potente para los altos mandos.

22
 En convenio con

2.3. Pasos para construir un Data warehouse

2. Identificar la fuente de los datos

Un data warehouse extrae datos de
diversas fuentes. Se debe identificar
todos los data marts que se utilizarán
para el procesamiento de datos. Las
fuentes de datos pueden ser de cualquier
tipo: otras bases de datos (SQL/NoSQL),
aplicaciones, redes sociales, encuestas,
archivos de Excel, etc.

23
 En convenio con

2.3. Pasos para construir un Data warehouse

3. Crear el modelo de Data Warehouse

Una vez establecidos los Data Marts y
definidos los datos, se crea una base de
datos central para todos los elementos
que estarán incluidos en el Data
Warehouse. Esta base de datos central
debe ilustrar todos los objetos que irán en
el almacén de datos.

24
 En convenio con

2.3. Pasos para construir un Data warehouse

4. Seleccionar las herramientas ETL

adecuadas
Las herramientas ETL (Extracción,
Transformación y Carga) se encargan de
extraer los datos de las fuentes,
transformarlos y cargarlos al Data
Warehouse.
Es muy importante seleccionar una
herramienta ETL que tenga un manejo
sencillo y represente, de manera visual,
todas las transformaciones.

25
 En convenio con

2.3. Pasos para construir un Data warehouse

5. Emplear analítica inteligente

En esta etapa, se necesitan crear gráficos,
cuadrículas y/o tablas para visualizar los
datos y tomar las mejores decisiones.

26
 En convenio con

2.3. Pasos para construir un Data warehouse

6. Documentar
Para que un Data Warehouse sea exitoso,
necesita ser parte funcional de las
operaciones de una empresa y
evolucionar a medida que el negocio
también crezca.
Una buena documentación del desarrollo
y logros obtenidos garantizarán la
continuidad del proyecto.

27
 En convenio con

4. Laboratorio

28