SQL Avanzado - BI

SQL
Avanzado
INTELIGENCIA DE NEGOCIOS
MCP. Elmer John Pérez Espinoza

Celular: 991-691-831
perez.espinoza.elmer@gmail.com
CONTENIDO
➔ Inteligencia de Negocios.
➔ Levantamiento de información
➔ Uso de Integration Services.
➔ Uso de Analisis Services
➔ Explotación de la información
EDUNEG Análisis de datos y tendencias de inteligencia de negocios 2 - 30

REQUERIMIENTOS
➔ Instancia de SQL Server.

➔ Complemento de Integration Services.
➔ Complemento de Analisis Services
➔ Visual Studio - IDE
➔ Power BI
➔ Excel

Análisis de datos y tendencias de
inteligencia 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.

AGENDA
• ¿Qué es la inteligencia de negocios?

• Análisis de datos
• Tendencia de inteligencia de Negocios

¿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).
¿Qué es la inteligencia de negocios?
The Data Warehouse Lifecycle Toolkit

¿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.
¿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.

¿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.

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 12 - 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.

Tendencia de inteligencia de negocios
Cuadrante mágico BI Gartner 2020

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 2020.
Diseño de una Datamart
EDUNEG - Escuela de Desarrollo Universal de Negocios

OBJETIVOS

• 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.

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.

¿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
¿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
¿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

¿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

¿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:

¿Qué criterios uso para agrupar la información?:
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.

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.

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.
Atributos, jerarquías y niveles . Nacional
.. Departamento
… Provincia
…. Distrito
….. Zona
.….. Sección
..….. Empadronador
...….. Carga_de_trabajo
Atributos
. Pais Nivel 1
.. Provincia Nivel 2
… Ciudad Nivel 3
…. Barrio Nivel 4

Dimensión tiempo
Jerarquía Miembros Jerarquía

Dimensión zona geográfica Zona Geográfica Zona Geográfica

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?

Solución: crear dimensión
Existen dos (02) jerarquías: región y división en la dimensión Empleado.
Empleado.Región
▪Región
▪▪Ciudad
▪▪▪Empleado
Empleado.División
▪División
▪▪Empleado
Herramientas de diseño de cubos
• Entrevistas
• Matriz Bus
• Start Net
• Jerarquias
• Modelo dimensional

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.

Entrevistas

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.

Matrix Bus

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:

StarNet:

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

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

Modelo dimensional:

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

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.
Products
ProductID
Suppliers ProductName
Categories
SupplierID SupplierID
CategoryID
CompanyName CategoryID
CategoryName
ContactName QuantityPerUnit
Description
ContactTitle UnitPrice
Picture
Address UnitsInStock
City UnitsOnOrder
Region ReorderLevel
PostalCode Discontinued
Country Order Details Customers
Phone OrderID
CustomerID
Fax ProductID
CompanyName
HomePage UnitPrice
ContactName
Quantity
ContactTitle
Discount
Orders
Address
OrderID
City
CustomerID
Region
EmployeeID
PostalCode
OrderDate
Territories Country
EmployeeTerritories RequiredDate
TerritoryID
Phone
EmployeeID ShippedDate
TerritoryDescription
Fax
TerritoryID ShipVia
RegionID
Freight
ShipName
ShipAddress
ShipCity
CustomerCustomerDemo
ShipRegion CustomerID
Employees ShipPostalCode CustomerTypeID
EmployeeID
ShipCountry
LastName
FirstName
Title
TitleOfCourtesy
BirthDate
Region HireDate CustomerDemographics

RegionID Address CustomerTypeID
RegionDescription City Shippers CustomerDesc

ShipperID
Region
CompanyName
PostalCode
Phone
Country
EDUNEG HomePhone
Programación de Objetos 43
Extension
Tablas de dimensión

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.

Tablas de Hechos

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.
Modelo Start (Estrella)

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
Modelo Snowflake (Copo de nieve)

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)

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.

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

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.

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.

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

dimensiones Optimizar rendimiento de consultas (Negocio)
Dimensión de roles
Cuando hay varios campos que hace referencia a la misma dimensión, pero
con conceptos diferentes.

Dimensión de roles

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

Súper dimensión

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.


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.


1. Agregar una columna adicional por cada columna cuyo valor queremos
mantener en la historia.


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

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

Detalla el diseño de la arquitectura de la solución y diseño lógico del modelo
dimensional.




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


Poblando un Datamart
EDUNEG - Escuela de Desarrollo Universal de Negocios

OBJETIVOS

• Utilizar SSIS para poblar un Datamart
EDUNEG Poblando un Datamart 74 - 30

AGENDA
• Etapas de un proceso ETL

• Opciones para implementar procesos ETL
• Introducción a SQL Server Integration Services
• Implementación de ETL a través de SQL Server Integration Services.

Etapas de un proceso ETL
Los procesos que pueblan el Datamart extraen, transforman y cargan los

datos en el Datamart. Por esto se les llama procesos ETL (Extraction,
Transformation, Loading)

Extracción y carga - Mapeos de

datos
▪ Indican dónde se encuentran en
el esquema lógico fuente, los
elementos del esquema lógico
conceptual.
▪ Permiten asociar cada elemento.

Transformación

Opciones para implementar procesos ETL
SQL Server 2019 ofrece múltiples opciones para la implementación de los

procesos ETL:
▪ Transact –SQL
▪ Consultas distribuidas
▪ El utilitario BCP y la sentencia Bulk Insert
▪ SQL Server Integration Services (SSIS)

• Transact–SQL • Consultas distribuidas

• El utilitario BCP y la sentencia Bulk Insert

• SQL Server Integration Services (SSIS)

Introducción a SQL Server Integration Services
SQL Server Integration Services proporciona un mecanismo para obtener

información de múltiples fuentes, y efectuar transformaciones de alta complejidad.
Los elementos de SQL Server Integration Services:
• Administradores de datos (Connection Managers)
• Tareas (Tasks)
• Flujo de control (Control Flow)
• Flujo de datos (Data Flows)
• Paquetes (Packages)
• Contenedores (Containers)
Introducción a SQL Server Integration Services
Arquitectura SQL Server

Integration Services:

Implementación de ETL a través de SQL Server
Integration Services
▪ El asistente de importación y exportación ▪ Package Configurations
▪ SQL Server Data Tools (SSDT) y el ▪ Derived Column
diseñador de paquetes ▪ Fuzzy Lookup
▪ Paquetes: conexiones y transformación ▪ Aggregate y Sort
▪ Precedencias ▪ Merge Join
▪ Script Component ▪ Condition Split
▪ Containers
▪ Distribución del proyecto SIS
▪ Variables
▪ Programar la ejecución de un paquete
▪ Lookups
SSIS
▪ Data Conversions
▪ Data Profiling Task
Implementación de ETL a través de SQL Server Integration
Services
El asistente de importación y exportación
Destino
Origen

Ejercicio Nº 1: Utilizar Integration Services 2019 para poblar un
Datawarehouse
Realiza la importación y exportación usando el asistente.
Al finalizar el laboratorio, el alumno logrará:
• Utilizar la herramienta de importación y exportación de datos.

Services SQL Server Data Tools (SSDT) y el
diseñador de paquetes.
Explorador de
Soluciones
Herramientas
Diseñador de
Paquetes
Ventanas de
Propiedades
Administrador de conexiones

Services Paquetes: conexiones y
Flujo de Datos Data Flow Origen

transformación
Data Flow Destino
Conexiones

Ejercicio Nº 2: Asistente de importación y exportación
Crea conexiones y transformaciones en un proyecto de SQL Server Integration Services.
• Crear conexiones de origen y destino para la transferencia de datos.

Precedencias
• Definen vínculos entre contenedores y tareas, y evalúan condiciones que determinan la
secuencia y ordenen la que deben ser procesados
• Las condiciones que controlan cuando las transiciones ocurrirán son evaluadas mediante
propiedades de restricción y puede incluir:
• La salida de una ejecución del ejecutable anterior (Sucess, Failure, Completition).
• El resultado de una expresión.
• El resultado de restricciones anteriormente evaluadas.


Ejercicio Nº 3: Precedencias
Define precedencias en un proyecto de SQL Server Integration Services.
• Conocer e implementar precedencias entre los flujos de tareas y datos.

Script Component (Componente Script)
• Permite definir transformaciones personalizadas a través de código Visual Basic .Net o C#.
• Existen tres tipos de componentes de script:
• Source Components
• Destination Components
• Transformation Components


Ejercicio Nº 4: Script Component
Escribe una transformación personalizada a través del Script Component.
• Implementar componentes avanzados, escritos a través de .Net: el Script Component.

Containers (Contenedores)
• Sirven para agrupar todos los componentes de un paquete.
• Su principal función es definir el alcance, secuencia de ejecución e interacción de los
componentes de un paquete.
• Tipos de contenedores:
• Sequence Container
• For Each Loop
• For Loop

Containers(Contenedores)
• Sequence Container (contenedor de secuencias)
• Agrupa tareas relacionadas entre sí
• Se ejecutan las tareas en paralelo cuando no se contempla precedencia entre ellas.
• Sirve para:
• Permite deshabilitar grupos de tareas
• Permite administrar propiedades en varias tareas
• Proporciona un ámbito para variables usadas por un grupo de tareas
• Permite establecer un atributo de transacción


• Foreach Loop Container (Contenedor de bucles Foreach)
• Ejecuta un flujo de control repetidamente mediante un enumerador.
• Este bucle recorre elementos de una colección, la colección pueden ser desde
ficheros en un directorio hasta registros en un dataset.

• For Loop Container (Contenedor de bucles For)
• Ejecuta un flujo de control repetidamente probando una condición.
• Es un bucle al estilo de la programación normal en el que se especifica:
• Cláusula de inicialización
• Cláusula de evaluación (detiene el bucle cuando devuelve False, es por tanto una
expresión booleana)
• Cláusula de asignación (sirve para cambiar los valores y que la expresión booleana
que se evalúa pueda ir cambiando).


Variables
• Objetos temporales para almacenar valores en los paquetes.
• Las variables tienen un ámbito determinado.
• Diseñados para ser usados con otros objetos como: conexiones, tareas y
transformaciones (Script Components o Script Tasks).
• Existen dos tipos: System (solo lectura) / User (declarados en el paquete).


Variables
• Propiedades de las variables

Ejercicio Nº 5: Containers y variables
Define variables en el paquete. Uso del contenedor For Each Loop.
• Implementar Containers y variables para recorrer una lista de archivos y cargarlos a una
tabla de base de datos.

Lookups (Búsqueda)
Implementa un mecanismo útil para efectuar
transformaciones utilizando tablas de
equivalencia.
Ejemplo:
la figura muestra la utilización de una tabla de
búsqueda para convertir los códigos de
distritos de Lima en sus respectivos nombres.

Data Conversions (Conversión de datos)
Son transformaciones que efectúan conversiones de tipos de datos.
Ejemplo: Convertir cadenas de formato UNICODE a no-UNICODE
Tipos de datos :
https://msdn.microsoft.com/es-es/library/ms141036(v=sql.120).aspx
Compatibilidad conversión de tipos de datos:

https://msdn.microsoft.com/es-es/library/ms141704(v=sql.120).aspx

Ejercicio Nº 6: Data Conversión y Lookup
Utiliza las transformaciones Data Conversión y Lookup.
• Implementar Data Conversión y Lookup para permitir transformaciones de tipos de datos

y búsquedas de equivalencias.

Package Configurations
Permiten que los paquetes de SQL Server Integration Services tomen valores iniciales a
partir de orígenes externos.
Los Package Configurations permiten definir información de entrada a través de los
siguientes tipos:

Archivos de Configuración XML
Permite crear un archivo de configuración, reutilizar un archivo existente y agregarle
configuraciones nuevas, o bien reutilizar un archivo existente sobrescribiendo el contenido
actual.
Ejemplo: Se muestra la sintaxis de un archivo de configuración XML, en la cual se muestra una

configuración (False) para la propiedad Value de una variable entera llamada MyVar.
Tabla SQL Server
Deberá especificar la conexión a la base de datos de SQL Server en la que desee almacenar
las configuraciones.
Puede guardar las configuraciones en una tabla existente o crear una tabla nueva en la base
de datos especificada.
Ejemplo:
• Se muestra la instrucción CREATE TABLE predeterminada que proporciona el asistente para la configuración de paquetes.
• El nombre que asigna a la configuración, es el valor que se almacena en la columna Configuration Filter.
Ejercicio Nº 7: PackageConfigurations
Utiliza Package Configurations en el proyecto SSIS desarrollado.
• Implementar Package Configurations que permitirá almacenar una configuración para

determinar la ejecución o no de un paquete.

Derived Column (columna derivada)
Se utiliza para generar nuevas columnas, con base
en columnas existentes.
Esto se hace a través de lenguaje de expresiones
SSIS, es decir, fórmulas que se aplican a las columnas
de input para generar un nuevo valor de output.
Es útil para efectuar concatenaciones, extraer una
porción de una cadena, obtener partes de una fecha,
aplicar funciones matemáticas, entre otras.

Ejercicio Nº 8: Derived Column
Utiliza la transformación Derived Column en el proyecto SSIS desarrollado.
• Implementar Derived Column que permitirá concatenar los valores de dos columnas.

Fuzzy Lookup (Búsqueda aproximada)
▪ Obtiene información a partir de tablas de
equivalencia, pero no se necesita que la
equivalencia sea exacta.
▪ La transformación usa conexiones de SQL
Server database para crear tablas temporales
que utiliza el algoritmo fuzzy cuando efectúa
la comparación de datos.

Fuzzy Lookup (Búsqueda aproximada)
▪ La transformación agrega columnas a la tabla Lookup que son las siguientes:
▪ _Similarity: una columna que describe la similitud entre los valores input y referencia
de columnas.
▪ _Confidence: una columna que describe la calidad de la coincidencia entre los
valores input y referencia de columnas.
▪ La puntuación de similitud es la siguiente:
Puntuación Descripción
0.0 No se encontraron coincidencias
1.0 Se encontró coincidencia exacta
0.0 – 1.0 Grado de similitud, en el que un valor cercano a 1.0 indica mayor similitud.

Ejercicio Nº 9: Fuzzy Lookup
Utiliza la transformación Fuzzy Lookup en el proyecto SSIS desarrollado.
• Implementar con Fuzzy Lookup una solución de SSIS que permita identificar calidad de los
datos durante una transformación.

Aggregate y Sort (Agregado y Ordenar)
▪ Aggregate permite efectuar cálculos
agregados (sumas, máximos, mínimos).
▪ SORT permite ordenar datos. Su aplicación
es necesaria para los siguientes casos:
▪ Cuando los origen de datos no soporta
operaciones de agregación y ordenamiento
(archivos texto y Excel)
▪ Cuando se requiere agregar y ordenar datos que
provienen de operaciones previas sobre
múltiples orígenes de datos.
▪ El uso de operadores ORDER BY, GROUP BY, etc.
En una conexión SQL Server hacen que la
consulta sobre el origen de datos sea muy lenta.

Ejercicio Nº 10: Aggregate y Sort
Utiliza la transformación Aggregate y Sort en el proyecto SSIS desarrollado.
• Implementar con Aggregate y Sort una solución de SSIS que permita agrupar y ordenar
datos durante el proceso de transformación..

Merge Join(Combinación de mezcla)
▪ Permite combinar filas provenientes de
múltiples orígenes.
▪ Durante la aplicación de esta
transformación se debe cumplir las
siguientes condiciones:
▪ Las columnas que cumplen el papel de
Join Keys deben tener el mismo tipo de
datos.
▪ Las filas que ingresan a la transformación
Merge Join deben estar ordenadas con
base en los valores de las columnas que Ejemplo: pueden tenerse las siguientes filas en un archivo de texto (contiene
cumplen el papel de Join Keys. ID Cliente y las ventas) y una tabla de BD que contiene el ID Cliente y el
nombre del cliente. Se requiere unir la información en una sola tabla.

Ejercicio Nº 11: Merge Join
Utiliza la transformación Merge Join en el proyecto SSIS desarrollado.
• Implementar Merge Join en un proyecto SSIS para permitir mezclar información de

diferentes fuentes de datos durante el proceso de transformación.

Condition Split (División Condicional)
▪ Permite bifurcar un flujo de datos, con base
en condiciones lógicas.
▪ Se puede definir varios outputs cada uno de
los cuales tiene asignada una cierta
condición lógica.
Ejemplo: Al leer un archivo de despachos por provincia,

se puede hacer que las filas cuyo ID Planta del
departamento sea “Lima” se escriban en una tabla de
SQL Server Despachos Lima, y las filas correspondientes
al departamento de Trujillo se escriban en otra tabla de
SQL.
Ejercicio Nº 12: Condition Split
Utiliza la transformación Conditional Split en el proyecto SSIS desarrollado.
• Implementar Conditional Split en un proyecto SSIS para permitir bifurcar los datos
durante el proceso de transformación.

Distribución (Deployment) del proyecto SSIS
▪ Una vez terminado, los paquetes del
proyecto deben desplegarse en un servidor
de SSIS.
▪ Los paquetes pueden residir en:
▪ El sistema de archivos (File System): se graba
en un archivo ubicado en una carpeta del
sistema de archivos del servidor
▪ En la BD de sistema msdb: se almacena en la
base de datos MSDB (BD SQL Server)
▪ Luego de distribuirlos, pueden ser
ejecutados manualmente desde SSMS.

Distribución (Deployment) del proyecto SSIS
▪ El despliegue puede efectuarse de dos
maneras:
▪ Manual: copiar en el servidor el archivo del
paquete (.dtsx) y cargarlo en SSIS. Solo se
puede distribuir un paquete a la vez.
▪ Utilitario de despliegue (Deployment
Utility): es un asistente que produce un
archivo que puede ejecutarse en el
servidor. Se puede distribuir varios
paquetes a la vez.

Ejercicio Nº 13: Distribución (Deployment) del proyecto SSIS
Despliega el proyecto SSIS en forma manual.
• Implementar el proceso de despliegue de paquetes SSIS permitiendo la gestión.

Programar la ejecución de un paquete SSIS
Esta automatización se implementa a través de trabajos (jobs) del agente de SQL Server.
Este servicio debe estar iniciado para que los paquetes se ejecuten de manera automática.

Ejercicio Nº 14: Programar ejecución de paquetes SSIS
Programar la ejecución de un paquete SSIS.
• Implementar la programación de paquetes SSIS permitiendo su automatización.

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

SQL Avanzado - BI

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

SQL Avanzado - BI

Cargado por

Copyright:

Formatos disponibles

SQL

MCP. Elmer John Pérez Espinoza

EDUNEG Análisis de datos y tendencias de inteligencia de negocios 2 - 30

➔ Instancia de SQL Server.

EDUNEG Análisis de datos y tendencias de inteligencia de negocios 3 - 30

Al finalizar el capítulo, el alumno logrará:

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

EDUNEG Análisis de datos y tendencias de inteligencia de negocios 5 - 30

• ¿Qué es la inteligencia de negocios?

EDUNEG Análisis de datos y tendencias de inteligencia de negocios 6 - 30

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

EDUNEG Análisis de datos y tendencias de inteligencia de negocios 8 - 30

EDUNEG Análisis de datos y tendencias de inteligencia de negocios 10 - 30

EDUNEG Análisis de datos y tendencias de inteligencia de negocios 11 - 30

EDUNEG Análisis de datos y tendencias de inteligencia de negocios 13 - 30

EDUNEG Análisis de datos y tendencias de inteligencia de negocios 14 - 30

EDUNEG - Escuela de Desarrollo Universal de Negocios

Al finalizar el capítulo, el alumno logrará:

EDUNEG Diseño de un Datamart 17 - 30

• ¿Qué deseo medir?: Concepto de medida.

EDUNEG Diseño de un Datamart 18 - 30

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

EDUNEG Diseño de un Datamart 21 - 30

EDUNEG Diseño de un Datamart 22 - 30

EDUNEG Diseño de un Datamart 23 - 30

EDUNEG Diseño de un Datamart 24 - 30

EDUNEG Diseño de un Datamart 25 - 30

EDUNEG Diseño de un Datamart 27 - 30

Jerarquía Miembros Jerarquía

EDUNEG Diseño de un Datamart 28 - 30

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

EDUNEG Diseño de un Datamart 31 - 30

EDUNEG Diseño de un Datamart 32 - 30

EDUNEG Diseño de un Datamart 33 - 30

EDUNEG Diseño de un Datamart 34 - 30

EDUNEG Diseño de un Datamart 35 - 30

EDUNEG Diseño de un Datamart 36 - 30

EDUNEG Diseño de un Datamart 37 - 30

EDUNEG Diseño de un Datamart 38 - 30

EDUNEG Diseño de un Datamart 39 - 30

EDUNEG Diseño de un Datamart 40 - 30

EDUNEG Diseño de un Datamart 41 - 30

Region HireDate CustomerDemographics

RegionDescription City Shippers CustomerDesc

EDUNEG Diseño de un Datamart 44 - 30

EDUNEG Diseño de un Datamart 45 - 30

EDUNEG Diseño de un Datamart 46 - 30

EDUNEG Diseño de un Datamart 48 - 30

EDUNEG Diseño de un Datamart 50 - 30

EDUNEG Diseño de un Datamart 51 - 30

EDUNEG Diseño de un Datamart 52 - 30

EDUNEG Diseño de un Datamart 53 - 30

EDUNEG Diseño de un Datamart 54 - 30

EDUNEG Diseño de un Datamart 55 - 30

EDUNEG Diseño de un Datamart 56 - 30

EDUNEG Diseño de un Datamart 57 - 30

EDUNEG Diseño de un Datamart 58 - 30

EDUNEG Diseño de un Datamart 59 - 30

EDUNEG Diseño de un Datamart 60 - 30

EDUNEG Diseño de un Datamart 61 - 30

EDUNEG Diseño de un Datamart 62 - 30

EDUNEG Diseño de un Datamart 63 - 30

EDUNEG Diseño de un Datamart 64 - 30