Cómo no construir un datawarehouse

A través de TodoBI he encontrado un artículo muy interesante de Ralph Kimball (¿Algún despistado que no lo conoce?) donde detalla los 12 errores más comunes en la construcción de un datawarehouse. Se trata de un artículo excelente. Cada vez que he cometido alguno de estos errores, he tenido que rectificar al poco tiempo. No valen los atajos, hay que hacer las cosas bien desde el principio. Los doce errores más comunes en la construcción de un datawarehouse son:
           

Error 12: Incluir atributos de texto en una tabla de hechos, si se hace con la intención de filtrar o agrupar. Error 11: Abreviar las descripciones en las tablas de dimensión con la intención de reducir el espacio requerido. Error 10: Dividir las jerarquías y los niveles de las jerarquías en múltiples dimensiones. Error 9: No afrontar el tratamiento de las dimensiones lentamente cambiantes. Error 8: Crear “smart keys” para relacionar una tabla de dimensión con una tabla de hechos. Error 7: Añadir dimensiones en una tabla de hechos antes de definir su granularidad. Error 6: Crear un modelo dimensional para resolver un informe en particular. Error 5: Mezclar hechos de diferente granularidad en una misma tabla de hechos. Error 4: Olvidarse del máximo nivel de detalle en el modelo entidad-relación. Error 3: Omitir las tablas agregadas y comprimir las tablas de dimensión para afrontar los problemas de rendimiento. Error 2: No unificar los hechos entre distintas tablas de hechos Error 1: No compartir dimensiones entre diferentes tablas de hechos.

En mi vida laboral he participado en la construcción de varios datawarehouses, y he visto muchos de estos errores. Durante los próximos días, analizaré una a una estas recomendaciones de Kimball, e intentaré justificar por que son errores graves y cómo debemos evitarlos. A mis lectores menos "tekies", os pido perdón porque los próximos mensajes no los escribo pensando en vosotros. Van dirigidos al lado oscuro... :-)

Datawarehouse

El datawarehouse (DWH) es una pieza básica, fundamental e indispensable de todo sistema Business Intelligence. Tal vez alguien no comparta la anterior afirmación, y crea que se puede construir un cuadro de mando, o un sistema de reporting, a partir de un datamart o unos cubitos. Perdónales, porque no saben lo que dicen... :-) La pieza fundamental de un sistema Business Intelligence es el DWH porque todos los listados y análisis que se hagan se harán a partir de esta única base de datos. En el DWH la información está limpia, unificada y verificada, y gracias a esto todo lo que hagamos después cuadrará. Tal como decía en mi anterior mensaje, voy a analizar los 12 errores más comunes que enumera el gurú Ralph Kimball. Tal como hace él, haré la cuenta regresiva del 12 al 1, aunque intentaré hacerlo en positivo, añadiendo ejemplos y experiencias personales, y explicando las bases sobre cómo construir un datawarehouse: Error 12: Incluir atributos de texto en una tabla de hechos, si se hace con la intención de filtrar o agrupar. En un modelo dimensional se deben diferenciar claramente las tablas de hecho de las tablas de dimensiones.
 

Las tablas de hecho contienen los indicadores numéricos provenientes de los orígenes transaccionales. Las tablas de dimensión contienen los atributos (normalmente textuales) que nos permiten filtrar y agrupar los indicadores.

En ocasiones no es evidente si un dato es dimensional o si se trata de un indicador. Por ejemplo, la hora de la venta (hh:mm:ss) puede considerarse un dato mas del hecho de

o incluso "cuadradito azul" (en el caso de una instalación de BO). quejas. o una dimensión temporal muy detallada. los gigas son baratos. países. De esta manera. no. y que por lo tanto ocuparían mucho espacio en disco y las consultas serían lentas por el IO generado. Algunas aplicaciones Business Intelligence utilizan el término "dimensión" como equivalente a "jerarquía" (especialmente en bases de datos multidimensionales). Hoy en día. provincias y localidades. Si no tenemos un maestro de los miles de camiones que utilizan nuestros transpostistas.venta (como el precio. Estos campos ocuparían un espacio precioso de nuestras tablas de hechos. que pueden tener cientos de millones de registros. ponlo siempre como una dimensión. devoluciones. pero el tiempo para leerlos. Por ejemplo. ni queremos analizarlo por las características del camión. o nombres de ciudades o personas) en las tablas de hecho. agrupar o seccionar la información. O la matrícula del camión que subcontratamos para realizar los transportes. un mismo cliente puede tener pedidos. Si el “dato” es compartido entre varias tablas de hecho. ventas. por lo que muchas personas lo siguen denominando "atributo". podríamos considerar la matrícula como una especie de indicador e incluirlo en la tabla de hechos. El término "dimensión" sigue teniendo un cierta connotación técnica. "característica". . "campo". … Dimensiones Denominamos dimensiones a aquellos datos que nos permiten filtrar. o las unidades vendidas). "propiedad". En caso de duda:   Evita colocar texto largos (como comentarios. se habla de la dimensión geográfica que agrupa los diferentes niveles de continentes. regiones.

ya que se trabaja con clics de ratón y con listas de valores). y sólo cuando algún usuario lo solicita explícitamente lo añado en el sistema. En este y otros ejemplos que podríamos citar. cada código debe tener su descripción. Siempre son preferibles las descripciones. En el modelo relacional del datawarehouse las dimensiones se almacenan en las "tablas de dimensión". y debe generar unos 3 o 4 millones de registros de venta diarios. por lo que conviene que sean lo más explícitas y claras posible. Incluso debemos plantearnos la necesidad real de introducir los códigos en la capa de presentación a los usuarios. lo que nos lleva al error número 11 de nuestra serie: Error 11: Abreviar las descripciones en las tablas de dimensión con la intención de reducir el espacio requerido. . los envíos o la producción diaria. una cadena como Zara puede tener unas 5000 tiendas. Esta manera de actuar nunca me ha generado un problema. El espacio requerido por las tablas de dimensión es despreciable frente a lo que ocupan los hechos. prefiero reservar el término "dimension" para referirme a cada uno de los niveles de la jerarquía. es sorprendente lo rápido que se acostumbran los usuarios a trabajar con las descripciones y lo rápido que se olvidan de los códigos con los que han trabajado toda la vida. también las dimensiones de cliente o producto son despreciable frente a las ventas. y especialmente los nuevos empleados pueden tener dificultades para reconocerlos. Por ejemplo. Personalmente. Aunque algunos trabajadores pueden estar acostumbrados a trabajar con los códigos de familia. nadie los conoce todos.. no debemos considerar el espacio como un aspecto determinante para modelizar las dimensiones. las referencias o los códigos de proveedor.Personalmente. En particular. (una causa de esto es que con una herramienta Business Intelligence raramente se ha de teclear un código. Por lo tanto. Las dimensiones son la interfaz que tendrán los usuarios para navegar por la información. omito por defecto todos los códigos de la capa de presentación.. De hecho.

Y. son:     Jerarquía geográfica o de clientes (país del cliente/región/ciudad/cliente) Jerarquía de producto (marca/familia/producto/presentación) Jerarquía comercial (país/zona/punto de venta) Jerarquía temporal (año/trimestre/mes/día) Evidentemente. debe crearse una única tabla para . pueden existir jerarquías adicionales. es habitual la existencia de diferentes jerarquías de producto (lo que es una "pesadez" muchas veces necesaria. Una región está formada por varias provincias. que aparecen en cualquier sistema Business Intelligence.Jerarquías Las dimensiones se agrupan en jerarquías mediante relaciones uno-a-muchos. En particular. Esta manera de visualizar jerárquicamente la información resulta muy natural y cómoda para los usuarios de negocio. otro día lo comentaré…). como siempre. Una población agrupa a muchos clientes. o incluso puede haber diferentes maneras de jerarquizar una misma información. Es decir. Una provincia agrupa a muchas poblaciones. Las jerarquías típicas. Etcétera. Modelo copo de nieve: Donde se crea una tabla para cada nivel de la jerarquía En la base de datos de presentación (también llamado modelo dimensional) del DWH debe preferirse siempre el modelo en estrella. podemos cometer errores modelizando las jerarquías. Éste es el error número 10 de esta serie sobre cómo construir un datawarehouse: Error 10: Dividir las jerarquías y los niveles de las jerarquías en múltiples dimensiones Existen dos maneras principales de modelizar las jerarquías:   Modelo en estrella: Donde una única tabla contiene toda la información de la jerarquía.

Sin embargo.cada jerarquía. unificada y limpia. producto. familia. . En este otro modelo. Además. no siempre es posible tener un modelo en estrella perfecto. por desgracia. El modelo en estrella es perfecto para conseguir este objetivo. muchas herramientas BI exigirán la existencia de una tabla de FAMILIAS. las ventas están a nivel de "producto". pero los objetivos de venta se marcan a nivel de "familia". es importante destacar que además del "modelo dimensional" el DWH debe mantener un modelo normalizado de la información (llamado "modelo relacional"). Por ejemplo. la información sí que debe estar normalizada. El modelo dimensional es el que ataca nuestra herramienta de Business Intelligence. Finalmente. La misma tabla de PRODUCTOS debe tener toda la información relativa a los productos (presentación. por lo que interesa que las consultas generadas sean sencillas (con pocas tablas y pocas relaciones). Esta limitación aparece cuando diferentes "hechos" están definidos con diferente granularidad. En este caso. desaparece el problema que generan las diferentes jerarquías en que se pueden agrupar los productos. La herramienta de explotación puede requerir normalizar parte de una jerarquía en una tabla independiente. marca).

o éste puede cambiar de ciudad. o una delegación puede asignarse a un delegado diferente. estaba omitiendo un aspecto principal de estas tablas. puede corregirse la fecha de nacimiento de un cliente. ¿Cómo debe gestionarse esta información? En primer lugar. Sin embargo. si se actualiza la fecha de nacimiento de un cliente se puede asumir que ese cambio aplica a toda la historia de ese cliente. Por ejemplo. que son identificadores sin ningún significado específico para el negocio. Por lo tanto. puede observarse que Pedro era el responsable de las delegaciones de Madrid y Barcelona. Análisis de márgenes: Si queremos analizar los descuentos que aplica cada delegado. existen casos donde la información dimensional histórica es importante. etc. deberemos considerar las ventas de aquellas tiendas que han tenido asignadas a lo largo del tiempo. en este ejemplo. deberemos considerar las ventas históricas de las tiendas que actualmente tiene asignado cada delegado. deberemos modelizar la información de tal modo que seamos capaces de conocer el "delegado actual" y el "delegado/s histórico/s". La información de las dimensiones no es estática. Considera estas dos situaciones: Previsión de ventas: Para realizar una previsión de ventas para el próximo año.Dimensiones lentamente cambiantes En los anteriores comentarios de esta serie sobre cómo construir un datawarehouse. Aunque existen diferentes maneras de modelizar estos datos. ya que puede modificarse en el operacional por diferentes motivos. Por ejemplo. Sin embargo. y que sus funciones fueron . lo habitual es trabajar con las "fechas de vigencia". Por ejemplo. debe tenerse en cuenta que el tratamiento que se realizará dependerá de cada dimensión y de las necesidades del negocio. Para conseguir este objetivo se introducen las "claves subrogadas". esta sería la estructura de la tabla de DELEGACIONES en el modelo relacional: Ampliar imagen Analizando cuidadosamente los valores de esta tabla. explicaba las características de las dimensiones y las jerarquías.

Pues bien. añado la visión histórica de esa dimensión. En el modelo dimensional. este segundo punto se suele olvidar (o ignorar) en algunas implantaciones de DWH por las siguientes razones:    La "visión actual" parece suficiente. y con ello se pretende enfatizar que contiene:   Historia de los hechos: En el operacional existe registro de los "hechos" del negocio de los últimos meses o de unos pocos años. Al fin y al cabo. la tabla podría modelizarse de este modo: El sistema funcionaría de manera similar con cualquier otra dimensión que pudiese tener la jerarquía de delegaciones. El usuario no siempre entiende la diferencia entre la "visión actual" y la "visión histórica". En el modelo dimensional. sólo publico la visión actual. No nos dejemos engañar. o caeríamos de lleno en el error número 9: Error 9: No afrontar el tratamiento de las dimensiones lentamente cambiantes En cualquier definición del término datawarehouse se menciona que es un repositorio de información histórica. De entrada. Sin embargo.asumidas posteriormente por Juan y María. Personalmente. A pesar de todo esto. la gestión de dimensiones lentamente cambiantes es imprescindible. se trata de un tema complejo y que debe considerarse. y sólo cuando lo solicita explícitamente el usuario de negocio. debe mantenerse toda la evolución de los cambios dimensionales. o cualquier otra jerarquía. es lo que siempre se ha hecho en el sistema operacional. acostumbro a guardar toda la historia de las dimensiones en el modelo relacional (incluso algunos datos que inicialmente no parecen necesarios como la "fecha de nacimiento"). Y por lo tanto no sabe concretar sus necesidades reales. en el DWH se intenta que exista un histórico mucho mayor. Historia de las dimensiones: El operacional sólo suele guardar la situación actual de las dimensiones. . no parece importante (pero lo es). En el DWH. sin embargo. La gestión de cambios en las dimensiones nunca aparece en los requerimientos que motivaron el proyecto. Evidentemente. de entrada.

En la base de datos. sino el tiempo que se pierde en leerlo… Recordad que las claves subrogadas las llevaremos a las tablas de hechos. Lo mejor es crear nuestras propias claves subrogadas desde el inicio del proyecto. ¿Qué ocurriría si en el futuro se añade información de una aplicación que tiene su propio maestro de ciudades? Seguro que nos generará un problema. no debe preocuparnos el espacio que ocupa. o que siempre debería estar informada. Habitualmente. Lo mejor es crear nuestras propias claves subrogadas desde el inicio del proyecto. ¿Qué pasará cuando llegue un empleado sin DNI? ¿Qué pasará cuando se de de alta una ciudad extranjera con el código BCN? Prefiero no saberlo. Esta clave. El DWH suele alimentarse de diferentes fuentes. ¿Por qué necesitamos. cada una de ellas con sus propias claves. Cambios en las aplicaciones origen. generalmente. Preferiblemente. O el código de barras para referirse a un producto. Puede ocurrir que cambie la lógica operacional de alguna clave que hubiésemos supuesto única. aparecerán ciudades que no existían en nuestro maestro…¿Cómo lo gestionaríamos? No sé. crear unos nuevos identificadores en el sistema Business Intelligence? Por varios motivos:    Fuentes heterogéneas. De hecho. por lo que cada código es . no tiene ningún sentido específico de negocio. entonces. Son siempre de tipo numérico. Identificar una ciudad con 5 bytes. el sistema operacional ya utiliza sus propias claves. o una persona con 9 bytes es un desperdicio considerable de espacio. ocupa menos espacio un entero que una cadena. o el DNI de cada empleado puede ser la clave única de la tabla de empleados. el código BCN puede utilizarse para referirse a Barcelona. Rendimiento. por lo que es arriesgado asumir un código de alguna aplicación en particular. aunque suelen ser de tipo carácter y tienen un sentido específico para los empleados de la compañía. un entero autoincremental.Claves subrogadas En la anterior entrega de esta serie sobre cómo construir un datawarehouse ya introducía el concepto de las “claves subrogadas”. Por ejemplo. Una clave subrogada es un identificador único que se asigna a cada registro de una tabla de dimensión.

Por ejemplo. también se pueden cometer errores al generar una clave subrogada… Error 8: Crear “smart keys” para relacionar una tabla de dimension con una tabla de hechos. Conviene optimizarlo al máximo. Lo mejor es crear nuestras propias claves subrogadas desde el inicio del proyecto. Aunque en el operacional la terna país-CCAAciudad sea única. Por supuesto. En ocasiones. en el DWH debemos crear una clave subrogada formada por un solo campo entero autoincremental. nos puede parecer útil aprovechar la lógica que subyace a los elementos para generar nuestras propias claves. Recuerda: Sustituye cualquier clave física por una clave entera numerada secuencialmente desde 1 hasta N. . si queremos crear una jerarquía de ciudades.susceptible de repetirse cientos de millones de veces. nunca debemos caer en la tentación de crear una simple concatenación (y generar el código ESP-CAT-BCN para referirnos a Barcelona)… También es un error crear una clave compuesta de varios campos.

los envíos. En el siguiente diagrama. debe localizarse el origen de la información que se quiere cargar. la tabla de ventas es la tabla de hechos: Una característica importante de las tablas de hecho es el “nivel de detalle” de la información que se almacena. Una vez hecho esto. antes de crear la tabla de hechos debe entenderse perfectamente la información que se guardará. las compras.Tablas de hecho Denominamos “hechos” a los indicadores de negocio. los pedidos. Es decir. almacén. la creación de la . Antes que nada. Nada más. debe entenderse perfectamente el significado de estos indicadores. Por ejemplo. las ventas están guardadas a nivel de cliente. y debe determinarse el nivel de detalle de estos datos. Técnicamente. la creación de una tabla de hechos es una tarea con poco margen a la imaginación. Por lo tanto. son todas aquellas medidas numéricas que incluiremos en nuestro sistema Business Intelligence. o se estará cometiendo el error número 7 de esta serie sobre cómo construir un datawarehouse… Error 7: Añadir dimensiones en una tabla de hechos antes de definir su granularidad. De hecho. En el anterior ejemplo. y los indicadores. etc. son “hechos” las ventas. las reclamaciones. La tabla de hechos contiene las claves subrogadas de aquellas dimensiones que definen su nivel de detalle. producto. promoción y fecha. una tabla de hecho es la tabla central de un modelo en estrella.

. Tal y como comentaba anteriormente:La tabla de hechos contiene las claves subrogadas de aquellas dimensiones que definen su nivel de detalle. deben poder cruzarse los indicadores relativos al mismo objeto o evento del mundo real. es un error desnormalizar cualquier dimensión en la tabla de hechos. 1990) La organización temática de la información se refiere a que los datos que están cargados incluyen los indicadores relevantes de diferentes áreas de información de la compañía. Resultaría redundante e impactaría directamente en el tamaño de la tabla (y en los tiempos de respuesta). En particular. Esta organización temática de la información facilita posteriormente la construcción de informes ad-hoc. es un error grave y frecuente el error número 6 de esta serie sobre cómo construir un datawarehouse Error 6: Crear un modelo dimensional para resolver un informe en particular. Modelizar adecuadamente la estructura del sistema Business Intelligence es fundamental para que posteriormente el usuario puede generarse cualquier informe que necesite. no necesitamos poner la población o el país en la tabla de hechos. Además. y los indicadores. Nada más. DWH organizado por temas Otra de las características importantes que debe tener un DWH es estar "organizado por temas" (subject-oriented). donde la información está organizada por transacciones y procesos. Bill Inmon es considerado uno de los padres del concepto DWH. En particular. ya que permite obtener y cruzar información que se generó en procesos de negocio muy diferentes (aunque de una misma temática). integrated. time-variant and non-volatile collection of data in support of managements decision making process" (Bill Inmon. Observad que esta manera de organizar la información es muy distinta de la existente en un sistema OLTP tradicional. Y nada menos. Por ejemplo. si la información está a nivel de cliente.estructura de la tabla es inmediata. y fue el quien introdujo esta característica en su definición: "A warehouse is a subject-oriented.

Por poner algún ejemplo. Un "product manager" puede estar interesado en los totales de venta de sus productos mes a mes. cliente. la mayoría de consultas no necesitan acceder a tanto detalle. que el equipo de IT tuviese que adaptar el datawarehouse para cada informe necesario. . por lo tanto. muchas veces he visto cómo se gastan demasiados esfuerzos en definir los informes que se necesitan. existe el riesgo de que los esfuerzos se focalicen en la construcción de esos informes. y se hacen interminables reuniones con los usuarios de negocio con este objetivo. No tendría sentido. No digas que no te lo advertí :-) Tablas agregadas El datawarehouse tiene. conviene evitar que la aceptación del proyecto esté vinculada a la realización de unos informes en particular. producto y punto de venta. telecomunicaciones o banca es habitual encontrarse con datawarehouses con miles de millones de registros. si se trabaja con consultores externos. y debe tener. Al iniciar un proyecto de datawarehouse.Efectivamente. cuando lo correcto sería modelizar el DWH de tal forma que fuese viable consturir cualquier informe. las ventas estarán detalladas por fecha. Me explico: Esas reuniones son necesarias. Es un error que puede costar muy caro. Rápidamente nos daremos cuenta que estaremos trabajando con un volumen muy importante de información. Sin embargo. Si esos son los términos de tu contrato. y no conocer particularidades intrascendentes de informes determinados. Así. el modelo dimensional debe ser independiente de cualquier informe en particular. todo el detalle de información en su nivel atómico. Una de las razones que habitualmente justifica la creación de un sistema Business Intelligece es la necesidad de otorgar a los usuarios la capacidad de realizar informes ad-hoc. pero el objetivo debería ser entender los indicadores y los conceptos con los que trabajan los usuarios de negocio. en los sectores de distribución retail. En particular.

he visto este tipo de tablas (que mezclan información a diferente nivel de detalle) en sistemas operacionales. De nada sirve crear muchos agregados si estos no se utilizan. Por ejemplo. donde resulta prohibitivo calcular los totales en el momento de generación del informe. La existencia de estas tablas agregadas debe ser completamente transparente para el usuario de negocio. será sin duda una fuente de problemas e incoherencias futuras. Personalmente. desde luego. Las tablas agregadas sumarizan los indicadores de las tablas de detalle a un nivel superior. Calcular los agregados en la misma tabla de ventas es un error muy grave e injustificable. el operacional apunta el detalle y los totales en el mismo momento. Es necesario conocer las consultas habituales de los usuarios. sin necesidad de acceder a la tabla de ventas detalladas. las consultas típicas del "product manager" o del "area manager" podrían ejecutarse en pocos segundos. agrupar y sumar decenas de millones de registros. y de esta manera los listados predefinidos del host se ejecutan de manera rápida y sencilla. tanto el "area manager" como el "producto manager" trabajarán con el indicador "Ventas". De esta manera. Y. las ventas podrían precalcularse a nivel mensual. y la herramienta Business Intelligence hará el resto. Es decir. Máximo nivel de detalle . En mi opinión. Aunque puede parece adecuado en algunas situaciones. la compresión de las tablas. o por producto. lo más complicado es definir las tablas agregadas necesarias. De esta manera. Este tipo de construcciones erróneas suelen aparecer ante la falta de funcionalidad de las herramientas BI. lo que no debe hacerse es lo que indica el error 5 de esta serie sobre cómo construir un datawarehouse: Error 5: Mezclar hechos de diferente granularidad en una misma tabla de hechos. lo que obliga al técnico a crear modelos extraños. o por cliente.mientras que el "area manager" consulta habitualmente la evolución de ventas de sus zonas. o con una inversión millonaria en hardware. Incluso con el uso de índices. evidentemente. lo que repercutiría directamente en el tiempo de respuesta y en el descontento de los usuarios. Recuerda: Cada "granularidad" requiere su propia tabla de hechos. estas consultas habituales deberían leer. La solución ante estas situaciones pasa siempre para la preparación de tablas agregadas. todo esto es innecesario y contraproducente. En un entorno datawarehouse.

yo soy de los que cree firmemente que en el DWH debe estar disponible el máximo nivel de detalle de la información. Y debemos asumirlas si queremos un datawarehouse que se útil para las necesidades actuales y para las necesidades futuras. Es un área temporal donde los datos se preparan y normalizan antes de cargarse definitivamente en el DWH. cada venta. dentro del DWH se distinguen tres áreas principales:    Área de staging: Que contiene las información bruta extraída de los sistemas operacionales. Tal vez. Se debe guardar cada ticket. En este punto la información ya está limpia e integrada. Se prefiere el modelo en estrella. de entrada. Y. Modelo relacional: Es una base de datos donde la información se encuentra normalizada. Si se dispone la información detallada. y hacerlo por triplicado. No hay tablas agregadas. sí. cada transacción. cualquier consulta posterior podrá resolverse en cualquier de las agrupaciones disponibles. también debe tener todo o casi todo el detalle de información. en mi opinión. Y toda la historia posible. . Contiene todo el detalle de información. Conozco las desventajas. Ya. Modelo dimensional: Es la base de datos que utilizan las herramientas de Business Intelligence para obtener la información y hacer los informes o análisis. Soy consciente que el máximo nivel de detalle implica cargar muchos datos. y ya se han creado las claves subrogadas. En general. ¿Pero y si luego quiero verlo por grupo social? ¿O por hora de venta? ¿O si lo quiero segmentar por precio de venta? ¿O por tipo de subfamilia? Sólo si inicialmente se diseñó y cargó el datawarehouse con la información detallada podrán contestarse estas preguntas. El modelo dimensional está optimizado para conseguir un buen rendimiento. Es preferible un modelo en "copo de nieve" o incluso normalizado totalmente. puede parecer suficiente ver las ventas diarias de cada familia.Aunque existen varias opiniones al respecto. lo que requiere tiempo de carga y espacio en disco. Existen tablas agregadas. El error 4 de esta serie sobre cómo construir un datawarehouse trata este asunto: Error 4: Olvidarse del máximo nivel de detalle en el modelo entidad-relación.

Rendimiento En primer lugar. cargar todo el detalle puede parecer difícil de justificar. Todo el detalle debe propagarse hasta el modelo dimensional. Ninguno va excesivamente rápido. Todos los datawarehouse tienen un problema de rendimiento. lamento decirte que no encontrarás la respuesta en este post. Recuerda: Por lo menos carga el máximo nivel de detalle en el modelo relacional. Debemos conocer cuantas consultas se están ejecutando diariamente. Sólo de esta manera el sistema Business Intelligence superará el ataque de las consultas ad-hoc. hay que proponerlo. reconozcamos que tenemos un problema de rendimiento. ni en la staging. la falta de problemas de rendimiento suele esconder un problema mucho mayor y de más difícil solución… la falta de uso del sistema. y cuanto tiempo requiere cada consulta. Habitualmente. Sólo disponiendo de un buen DWH podrá asegurarse la continuidad del proyecto BI. esta manera de trabajar sólo la cuestionan los consultores que han intervenido en excesivos proyectos de cuadro de mando. Es más. creo que la mejor estrategia para afrontar los problemas de lentitud pasa por monitorizar continuamente el sistema. En estos casos.Efectivamente. Es habitual que las empresas soliciten un cuadro de mando sin tener antes un datawarehouse ni un sistema de reporting aceptable. ni en el modelo relacional. Si has llegado hasta esta página intentando resolver los problemas de rendimiento de tu sistema Business Intelligence. Siempre se puede mejorar. el máximo detalle no lo debemos dejar ni en el operacional. ¿Cómo voy a proponer un DWH de 500Gb si el gerente sólo quiere 4 pantallitas para hacer el seguimiento mensual de un puñado de indicadores? En mi opinión. La respuesta está en todos los demás: Modeliza correctamente. y podrás mostrarlo cuando te des cuenta de que también lo necesitas en el modelo dimensional. Personalmente. Si hacemos esto. y el sistema funcionará como debe. .

Menos del 1 % de las consultas seguían tardando más de 30 minutos. ante un problema de rendimiento.sabremos como de mal va el sistema. de RAM o de CPU. analizamos diariamente estas consultas… en ocasiones eran problemas en la manera de hacer las consultas por parte de los usuarios. falta de índices. del hardware. Afortunadamente. seguíamos teniendo problemas de rendimiento. El 5% de las consultas tardaban más de 30 minutos. Efectivamente. En el último proyecto datawarehouse que he participado. que debe serlo). debe evitarse cometer el error número 3 de esta serie sobre cómo construir un datawarehouse: Error 3: Omitir las tablas agregadas y comprimir las tablas de dimension para afrontar los problemas de rendimiento. seguirá funcionando mal después de una ampliación de discos. Para mejorar la situación. o del informático. Las tablas agregadas sólo son útiles si efectivamente se usan. Las tablas agregadas añaden complejidad al sistema. pues. las tablas agregadas proporcionan una mejora inmediata (y en muchas ocasiones espectacular) en el rendimiento (siempre y cuando la herramienta de BI sea capaz de aprovecharse de estos agregados. En primer lugar. El usuario nunca se equivoca. También debo decir que el uso de tablas agregadas tiene un coste. deben considerarse mejoras en la modelización y descartar nuevas y caras inversiones en hardware. y otras veces era un problemas de modelización. y con pequeños cambios en el modelo dimensional pudimos ofrecer una mejora significativa a los usuarios. Si el sistema no está bien modelizado. y reducen considerablemente el número de registros de la tabla detallada. y sin embargo muchos usuarios se quejaban de la lentitud del sistema. La ampliación de hardware sólo puede justificarse ante un aumento del volumen de información a gestionar y/o en el número de usuarios del sistema. y podremos fijarnos objetivos.) Hardware insuficiente (el sistema debe dimensionarse en función del volumen a información a gestionar y el número de usuarios activos) En particular. estas 3 causas de problemas de rendimiento:    Dificultad de uso de la herramienta Business Intelligence. Educando a los usuarios. lo que provoca consultas incorrectas o sin sentido por parte de los usuarios Modelización deficiente (falta de agregados. etc. hubo un momento en el que 85 % de las consultas tardaban menos de 1 minuto. porque lo contrario sería señal de que dejaron de utilizar el sistema :-) Los problemas siempre son del software. ya que son nuevos elementos que deberán mantenerse y actualizarse indefinidamente. Unificar los hechos . Distingo.

en este ejemplo. la gestión de estos dos negocios la realizarán personas diferentes de diferentes departamentos. Sin embargo. no se trata sólo de juntar todos estos datos. cualquier empresa tiene múltiples sistemas operacionales. Pues bien. Para realizar esta unificación. 1990) Efectivamente. donde la dimensión "tipo de venta" permitiese diferenciar las ventas al mayor de las ventas retail. Uno de los objetivos del DWH es unificar toda esa información dispersa en un único repositorio. y cada uno de ellos tendrá sus sistemas informáticos con diferencias significativas entre ellos. porque sin duda existirán usuarios que querrán conocer la "facturación". time-variant and non-volatile collection of data in support of managements decision making process (Bill Inmon. uno de los retos de la creación del DWH sería la unificación de estos dos negocios. cada uno de ellos con sus propios maestros y su propia información. las dos tablas de hechos deberán compartir las mismas dimensiones. A warehouse is a subject-oriented. como el autor de este blog de Business Intelligence en español) se señala que un DWH es un repositorio donde la información corporativa se encuentra "integrada". integrarlos y conformarlos. Por ejemplo. es decir. el objetivo es unificarlos. una empresa de distribución puede tener dos canales de ventas a través de los cuales vende los mismos productos (venta al mayor y venta retail). Es muy diferente el negocio minorista del negocio mayorista. dar la misma forma y el mismo significado a dimensiones y hechos aparentemente distintos (en inglés dicen "conform information"). Habitualmente.En la definición de datawarehouse de Bill Inmon (y en todas las definiciones posteriores de cualquier menda aficionado al BI. y deberán definirse con precisión los términos de cada negocio para que resulten agregables entre sí… Incluso. podría ser recomendable unificar los dos hechos en una misma tabla de hechos. integrated. A esta unificación se refiere el penúltimo error de esta serie sobre cómo construir un datawarehouse: . y la facturación evidentemente incluye las ventas al mayor y al ventas retail.

pero es la realidad de todas las empresas. Ahora hablaremos de unificar las dimensiones. la aplicación de recursos humanos puede utilizar los códigos "M" y "F" para indicar el sexo de los empleados. Si se quiere calcular el cociente de ventas sobre compras. olvidarnos de aquellos productos que sólo se venden por Internet o que forman parte de un negocio secundario de la compañía. Si se quiere sumar o dividir la información de distintos hechos. estos deben tener la misma forma. Una función importante del DWH es la unificación de estas aplicaciones en unos maestros únicos.Error 2: No unificar los hechos entre distintas tablas de hechos Tal como comentaba. . Es sólo un ejemplo tonto. Incluso puede haber diferencias entre los códigos de las tiendas y productos que utilizan las distintas aplicaciones o módulos del ERP. No es más importante una cosa que la otra. Otro ejemplo de "conformar" adecuadamente los hechos sería aplicar los mismos criterios al cargar las compras y las ventas. No debemos. por ejemplo. estos deben tener la misma forma y deben haberse cargado aplicando los mismos criterios. deberemos asegurarnos que en los dos indicadores se están considerando los mismos productos. Sabemos que es normal que dentro de una compañía convivan muchas aplicaciones informáticas. Deben tener dimensiones compartidas que permitan la comparación y/o agregación entre sí. Por ejemplo. deben incluirse también en las compras (aunque provengan de fuentes distintas). Las dos son imprescindibles. Unificar las dimensiones En la anterior entrada de esta serie sobre cómo construir un datawarehouse se describía la importancia de unificar los hechos. cada una de ellas con sus propios maestros. Si estos productos se incluyen en las ventas. mientras que la aplicación de CRM puede estar utilizando los códigos "H" y "M". independientemente de que los hechos se modelicen en una o varias tablas de hechos.

se refiere precisamente a este aspecto de la modelización: Error 1: No compartir dimensiones entre diferentes tablas de hechos. y podrá añadirse nueva información al sistema Business Intelligence de manera paulatina y harmoniosa. y asignarles una única clave subrogada. o cruzar información de distintos orígenes. Ni el nombre y los apellidos del cliente. Si no se realiza correctamente. el mantenimiento del sistema será más sencillo. es el maestro de clientes. se pueden cargar los diferentes maestros tal cual llegan de los distintos operacionales. Efectivamente.En el DWH. ni el email. por falta de tiempo y recursos. o un carnet de afiliación que solicita el cliente en la tienda. ni siquiera el DNI son métodos fiables para detectar una misma persona en diferentes aplicaciones. el datawarehouse perderá mucha de su utilidad y sentido. y muy problemático. evidentemente. Y un solo maestro de tiendas. debe existir un solo maestro de género. Y un solo maestro de productos. Si se realiza correctamente. Normalmente. para realizar una identificación fiable resulta necesario modificar las aplicaciones orígen. Para identificar adecuadamente un cliente debe utilizarse una combinación de todos los anteriores e incluso puede ser necesaria la intervención manual. Es un error muy grave. En el proceso de carga del datawarehouse. para realizar el "matching" cuanto antes. Un caso especial. . daremos mucha potencia y funcionalidad a los usuarios de negocio. Las dimensiones compartidas entre diferentes hechos permiten navegar por la información. y no suele considerarse una responsabilidad del modelizador del DWH. deben identificarse los códigos equivalentes. En todos los demás casos. Existen herramientas y compañías especializadas en esta tarea. ni la dirección. Y un solo maestro de cualquier cosa. el equipo del DWH debe estar obsesionado por entender y unificar todos los maestros de la compañía. o una llamada al departamento de reclamaciones… Es importante identificar las personas entre distintos aplicativos. Se puede captar información de los clientes a partir de un formulario en la página web. el más grave según Raplh Kimbal. El primer error.

.Si no se realiza correctamente. el datawarehouse perderá mucha de su utilidad y sentido.

Sign up to vote on this title
UsefulNot useful