De datos crudos a modelo dimensional listo

Curso de Data Warehousing y Modelado OLAP

Contenido del curso

No sé dónde empezar

Introducción a BI y Data Warehouse

Modelos dimensionales

ETL para inserción en Data Warehouse

Cierre

26
De datos crudos a modelo dimensional listo
Viendo ahora

Tomar examen

Cursos Empresas Blog Live Conf Eventos Precios

0:001:18

De datos crudos a modelo dimensional listo

Curso de Data Warehousing y Modelado OLAP

Clase 26 de 26

Clase 26 / 26

Recursos

Llegar al final de un proyecto de modelado dimensional se siente distinto cuando tú mismo recorriste cada paso: desde entender el negocio hasta dejar los datos listos para decidir. Aquí repasamos qué se logró, qué herramientas entran en juego y cómo convertir ese aprendizaje en un certificado.

¿Qué se logra al terminar un proyecto de modelado dimensional?

El recorrido completo conecta preguntas de negocio con datos accionables. No se trata solo de mover tablas, sino de traducir lo que la empresa necesita saber en una estructura que responda con claridad.

En el proceso pasaste por varias etapas que vale la pena nombrar con su concepto exacto:

Identificación de necesidades y preguntas de negocio, el punto de partida que define qué vale la pena medir.
Definición de dimensiones y hechos, donde las dimensiones son las perspectivas (tiempo, producto, cliente) y los hechos son las métricas medibles.
Aplicación de reglas de negocio y transformaciones, es decir, la lógica que limpia y adapta los datos crudos antes de cargarlos.
Carga en una base de datos dimensional, la estructura optimizada para análisis y consultas rápidas.

¿Qué es un modelo dimensional? Es una forma de organizar los datos en hechos (métricas numéricas) y dimensiones (contexto), pensada para que el negocio consulte información de forma rápida y desde múltiples ángulos.

¿Por qué importa transformar los datos antes de cargarlos?

Los datos crudos casi nunca llegan listos. Durante el proyecto aparecieron casos donde tocó transformar valores, ajustar formatos y aplicar reglas para que la información tuviera sentido dentro del modelo.

Esa etapa de transformación es la que separa un reporte confiable de uno que confunde. Si los datos no se ajustan a las reglas del negocio, las gráficas posteriores van a mentir, aunque se vean bonitas.

¿Qué son las reglas de negocio en un proyecto de datos? Son los criterios propios de la empresa que definen cómo deben interpretarse, calcularse o filtrarse los datos. Por ejemplo, qué se considera una venta válida o cómo se agrupan los clientes activos.

¿Con qué herramientas puedo visualizar los datos del modelo?

Una vez los datos están en la base de datos dimensional, llega la parte visual. Y aquí tienes varias opciones según el contexto y el presupuesto de tu equipo.

Entre las herramientas que puedes usar para construir gráficas y tableros de decisión están:

Power BI, muy usada en entornos corporativos con stack Microsoft.
Superset, alternativa open source potente para equipos técnicos.
MicroStrategy, orientada a empresas con necesidades robustas de BI.
Tableau, popular por su facilidad para crear visualizaciones interactivas.

Cada una conecta con tu modelo y te permite explorar los hechos a través de las dimensiones que definiste. La elección depende de tu equipo, no de la moda.

¿Cómo obtengo el certificado del curso?

El proyecto que construiste no es solo práctica: es la llave para certificarte. Compartirlo con la comunidad y documentar tu proceso forma parte del cierre.

Te invito a publicar en los comentarios qué aprendiste, qué no sabías antes y qué conceptos ahora manejas. Compartir tu proyecto también abre la puerta a feedback de otros estudiantes y a mostrar tu trabajo a futuros equipos.

Si quieres seguir el contenido del profesor Edison Yepes, puedes encontrarlo en LinkedIn y Twitter como Edison Yepes. Y nos vemos en un próximo curso para seguir aprendiendo juntos. ¿Cuál fue la parte que más te retó del proyecto?

Introducción a BI y Data Warehouse

Qué es Business Intelligence y Data Warehousing

Niveles de analítica y jerarquía de datos

Qué son data warehouse, data mart y dimensiones

OLTP vs OLAP: diferencias clave

Inmon, Kimball y Hefesto en BI

Modelos dimensionales

Data Warehouse, Data Lake y Lakehouse

Modelo estrella vs copo de nieve en datos

Tipos de dimensiones lentamente cambiantes

Dimensión tipo 1: sobrescribir sin guardar historia

Dimensión tipo 2

Dimensión tipo 3: historia en columnas

Tabla de hechos (fact)

Configuración de herramientas para Data Warehouse y ETL

Cómo extraer dimensiones de preguntas de negocio

Diseño de tablas en un modelo dimensional

ETL para inserción en Data Warehouse

Documento de mapeo en ETL para data warehouse

Creando tablas dimensionales en Redshift

Extracción: querys en SQL

Cruce de fuentes en Pentaho con Stream Lookup

Transformación ETL con Pentaho paso a paso

Carga de datos transformados a Redshift con Pentaho

Cómo cargar la tabla de hechos con Pentaho

Cómo calcular MaxID y MaxDate en Pentaho

Orquestar ETL en Pentaho: job

Solución ETL con dimensiones en paralelo en Redshift

Cierre

De datos crudos a modelo dimensional listo

De datos crudos a modelo dimensional listo

Progreso del curso

Introducción a BI y Data Warehouse

Modelos dimensionales

ETL para inserción en Data Warehouse

Cierre

Recursos

Recursos