InicioSobre míProyectosCómo trabajoContacto
03Data modelling

ModelarEl modelo se decide antes de abrir Power BI.

Es el paso que nadie ve y del que depende todo lo que sí se ve. Aquí decido qué representa cada fila, qué forma tienen las tablas y cómo se calcula cada número.

SQLBigQueryStar schema
00Qué es modelar

Modelar es ordenar los datospara que cada pregunta tenga una sola respuesta.

El problema

✗Preguntan si cumplimos el budget. La tabla dice 20 %.

✓Vendimos $8.000 de $10.000: es 80 %. La tabla miente.

↓ Primero: ¿qué es cada fila?

Grain

✗El budget mensual se repite en cada fila.

✓Cada fila es una línea de boleta. El budget sale de la tabla.

↓ Lo que queda se separa en dos.

Fact table

✗Números y descripciones, todo junto.

✓Lo que pasó queda aquí: cantidad y monto.

↓ Falta el contexto de cada venta.

Dimension tables

✗«Centro» y «Café» se repiten en miles de filas.

✓Cada valor, una sola vez: cuándo, dónde, qué y quién.

↓ Ahora hay que unirlas.

Keys y relationships

✗Las tablas no se hablan, y el budget sigue en $40.000.

✓Una key las une. El budget llega una sola vez: $10.000.

↓ Solo falta el cálculo.

Measures

✗El 20 % estaba guardado en la tabla.

✓La measure calcula con lo que filtras: $8.000 ÷ $10.000 = 80 %.

✓ Listo: una sola respuesta.
«¿Cumplimos el budget de octubre?»
Ventas$8.000
÷
Budget$40.000
=
20 %
00Por qué importa

Todos miran las flores.El modelo es el tronco.

Mismos datos, mismo dashboard. Lo único que cambia es el modelo.

Cuando…
1Preguntas si cumpliste
2Filtras por tienda
3Abres el report
4Piden un cambio
5Le preguntas a Copilot
6Se va quien lo armó
✗Sin modelo
20 %El budget se sumó 4 veces
Se rompeCada visual filtra distinto
14 sColumnas de sobra
DíasSe rompen los reports
InventaNo entiende las tablas
Nadie sigueSolo esa persona lo entendía
✓Con modelo
80 %Una sola respuesta
FuncionaFiltra todos los visuals
1 sSolo lo necesario
MinutosSe cambia en un lugar
RespondeLee el modelo
Otro sigueSe entiende sin explicación
00Qué hago y qué no

Lo que no hago,y lo que sí.

1Por dónde parto
✗No lo hago
Gráfico→Parche→Parche

Por los visuals, y parchar

✓Lo hago
Decisión→Modelo→Gráfico

Por la decisión

2El grain
✗No lo hago
3-oct$8.500
oct$40.000

Mezclar grains

✓Lo hago
1041Café$5.000
1041Medialuna$1.500

Una línea, y lo pruebo

3El schema
✗No lo hago

Data Vault para un Excel

✓Lo hago

Star schema

4Los ratios
✗No lo hago
AVERAGE(Margin %)25 %

Sumar o promediar porcentajes

✓Lo hago
DIVIDE(Margen, Venta)13 %

Measures con DIVIDE

5Las transformaciones
✗No lo hago
1 Cambiar tipo2 Quitar filas… 38 pasos

En Power Query, paso a paso

✓Lo hago
SELECT … FROM stagingEn la fuente

En la fuente, con SQL

00Las seis preguntas

Seis preguntasdeciden el modelo.

Haz clic, o baja para decir «Sí». El mapa muestra dónde estás, y puedes volver a cualquier punto.

Hay 16 modelos posibles.Este es el tuyo. Toca un punto para volver.
1/6Esto decide: Modelo

¿La pregunta se va a repetir?

¿O la piden una sola vez?

2/6Esto decide: Data quality

¿Los datos pasan el data quality?

Primary key · referential integrity · range checks · reconciliation

3/6Esto decide: Dónde vive

¿Hay warehouse?

BigQuery, por ejemplo

4/6Esto decide: Schema

¿Cuántos business processes hay?

Vender, reponer, comprar, cobrar

5/6Esto decide: Dimensions

¿Todo está al mismo grain?

Budget mensual contra ventas diarias

6/6Esto decide: Measures

¿Todas las columnas son additive?

¿Se pueden sumar sin mentir?

Aquí termina esta rama

Ad-hoc query

Un SQL en BigQuery y listo. No armo un modelo para algo que no se repite.

Aquí termina esta rama

Vuelvo a Revisar

No construyo sobre datos que no pasan. Lo arreglo en la fuente y le aviso al dueño del dato.

Tu caminoToca el mapa para volver
dim_datedim_productdim_storedim_customerdim_monthfct_stockfct_salesSUMDIVIDE · LASTNONBLANK
SELECT store, SUM(amount) AS sales
FROM stg_sales
GROUP BY 1;
storesales
Centro$8.000
Norte$6.200

La respuesta, y se cierra. No queda nada que mantener.

Qué no calzócompletion_pct llega a 340 %

A qué afectaEl cumplimiento del budget

Qué necesitoQue el dueño del dato lo corrija en la fuente

Ver cómo reviso →
  • primary key
  • referential integrity
  • range checks
  • reconciliation

    00El grain

    Qué representa una filaes la primera decisión.

    De lo fino se puede subir; de lo grueso no se puede bajar.

    ¿Qué proyecto tienes?

    Lo que se vende junto solo se ve dentro de cada boleta.

    Cada línea trae su producto y su costo.

    Nadie mira la boleta, y carga mucho más rápido.

    Se planifica por día y por tienda: ese es el grano.

    El budget solo existe por mes. Va en su propia fact table.

    Una línea de boleta✓Usa esta
    receiptproductamount
    1041Café$5.000
    1041Medialuna$1.500
    1042Café$2.500
    1.200.000 filas al año

    ✓Qué se vende junto y el margen de cada producto

    ✗Carga lenta con años de historia

    Un día por tienda✓Usa esta
    daystoreamount
    3-octCentro$8.500
    3-octNorte$6.200
    4-octCentro$9.100
    11.000 filas al año

    ✓Qué día y qué tienda vendió más, y rápido

    ✗Qué se vendió en cada boleta

    Un mes por tienda✓Usa esta
    monthstorebudget
    octCentro$10.000
    octNorte$9.000
    novCentro$11.000
    360 filas al año

    ✓Budget contra real, mes a mes

    ✗Cualquier cosa por día

    00El schema

    Uso star schema.Lo demás, solo con un motivo.

    Las conozco todas. Uso muy pocas, y está bien saber por qué.

    ✓Lo que uso
    Excepciones, solo con motivo
    Para otro tipo de sistema: no las uso
    dim_datedim_productdim_storedim_customerfct_sales
    Qué tan común en BI
    ✓La usoPor defecto

    Star schema

    Qué es

    Una fact table al centro y sus dimension tables alrededor.

    Se usa en

    BI y Power BI. Lo recomiendan Microsoft y Kimball.

    No se usa en

    Sistemas que registran operaciones.

    dim_datedim_productdim_adim_bfct_salesfct_stock
    Qué tan común en BI
    ✓La usoCon varios procesos

    Galaxy schema

    Qué es

    Varias fact tables que comparten dimensions.

    Se usa en

    Comparar procesos: ventas contra stock o budget.

    No se usa en

    Proyectos con un solo proceso.

    dim_datedim_storedim_productdim_categorydim_familydim_brandfct_sales
    Qué tan común en BI
    !ExcepciónSolo con un motivo

    Snowflake schema

    Qué es

    Una star schema con dimensions partidas en más tablas.

    Se usa en

    Warehouses grandes, o una dimension compartida a otro grain.

    No se usa en

    Power BI, si es solo para «ordenar»: más joins y más lento.

    one_big_tabledate, store, product, qty, amount…
    Qué tan común en BI
    !ExcepciónExports y análisis puntuales

    OBT · One Big Table

    Qué es

    Todo en una sola tabla ancha, sin joins.

    Se usa en

    SQL directo, data science y exports. Rinde bien en BigQuery.

    No se usa en

    La entrega final en Power BI.

    t1t2t3t4t5t6t7t8t9
    Qué tan común en BI
    ×No la usoLa sé leer

    3NF

    Qué es

    Tablas normalizadas, sin datos repetidos.

    Se usa en

    Sistemas transaccionales (OLTP): cajas, ERP, CRM.

    No se usa en

    Reportar directo sobre ella.

    hubhublinksatsatsatsat
    Qué tan común en BI
    ×No la usoLa conozco

    Data Vault

    Qué es

    Hubs, links y satellites para guardar toda la historia.

    Se usa en

    Grandes empresas: muchas fuentes, auditoría y un equipo de data engineering.

    No se usa en

    Pymes o pocas fuentes.

    Qué tan común en BI
    ×No la usoLa conozco

    Graph

    Qué es

    Nodos y relaciones, para preguntas de varios saltos.

    Se usa en

    Fraude, redes y recomendaciones.

    No se usa en

    Lo que se resuelve con dos joins.

    00Dónde vive

    La misma venta,en seis paradas.

    El dato viaja desde el sistema hasta tu pantalla, y cambia de forma en cada parada. Yo trabajo al final del camino.

    Otro equipoA veces yoMi zona
    Así se ve la venta aquíid_vta: 1041
    fec: "03/10/26"
    prod: " café "
    monto: "$ 5.000"
    Qué pasa aquí

    Donde nace la venta: la caja, el ERP o el CRM. No lo diseño: aprendo a leerlo.

    Forma3NF
    Quién lo haceSoftware engineering
    Así se ve la venta aquíid_vta: 1041
    fec: "03/10/26"
    prod: " café "
    _loaded_at: 04-oct 02:00
    Qué pasa aquí

    Una copia tal cual, con su fecha de carga. Si algo sale mal, se vuelve aquí.

    FormaSin modelo
    Quién lo haceData engineering
    Así se ve la venta aquísale_id: 1041
    date: 2026-10-03
    product: CAFÉ
    amount: 5000
    Qué pasa aquí

    Limpia y une las fuentes. Aquí vive la fase de Revisar.

    Forma3NF o Data Vault
    Quién lo haceData engineering
    Así se ve la venta aquífct_sales
    date_key: 1 · store_key: 1
    prod_key: 1
    amount: 5000
    Qué pasa aquí

    Lista para preguntas de negocio: fact y dimension tables.

    FormaStar o galaxy schema
    Quién lo haceAnalytics engineer, o yo
    Así se ve la venta aquíSales =
    SUM(fct_sales[amount])

    Budget % = DIVIDE(…)
    Qué pasa aquí

    Power BI: relationships, measures, RLS y nombres que leen igual las personas y la IA.

    FormaStar schema
    Quién lo haceYo
    Así se ve la venta aquíVentas$8.00080 % del budget
    Qué pasa aquí

    Lo que ves: visuals, un título con la conclusión y una decisión. Si le preguntas a una IA, responde con las mismas measures.

    Forma—
    Quién lo haceYo
    00Errores comunes

    Seis errores comunesy cómo se arreglan.

    Excel sucio

    Pasos en Power Query

    SQL en staging

    Queda versionado, corre solo y todos los reports lo aprovechan.
    Un porcentaje

    Columna guardada

    Measure con DIVIDE

    En un modelo real esa columna pesaba 16 %. Como measure pesa cero.
    Un filtro que no llega

    Bi-directional

    One-to-many

    Bi-directional abre caminos ambiguos y hace todo más lento.
    Cruzar ventas y stock

    JOIN entre facts

    Conformed dimensions

    Las facts se cruzan por sus dimensions. Si no, se duplican filas.
    El calendario

    Auto date/time

    dim_date marcada

    Crea una tabla oculta por cada fecha. Solo 10 de 40 modelos lo apagaron.
    El nombre

    total_monthly_rev

    «Revenue»

    Lo lee el negocio, y también Copilot. Solo 5 de 40 modelos tenían descriptions.
    00Lo que me piden

    Lo que me pideny cómo lo resuelvo.

    Primero lo más frecuente. Toca un pedido.

    Lo que más me piden
    Seguido
    Menos, pero pasa

    Mido antes de tocar nada, y corto lo que pesa.

    DAX StudioPerformance Analyzer

    !Mirar primero keys y calculated columns.

    Dos fact tables, con el mes como shrunken dimension.

    SQLModel view

    !Que un filtro de día no toque el budget.

    RLS en la dimension: entra y ve lo suyo, sin filtrar.

    Modeling › Manage roles

    !Solo pasa por relationships activas.

    Un script lo carga a BigQuery y lo valida.

    PythonSQL en staging

    !Si cambian las columnas, avisa solo.

    Periodic snapshot y una measure semi-additive.

    SQLLASTNONBLANKVALUE

    !Nunca sumar saldos entre meses.

    Role-playing dimension: una dim_date por rol.

    Views en SQL

    !Renombrar columnas: «Ship year».

    SCD Type 2 en el warehouse: cada cambio, una fila.

    dbt snapshots

    !Se resuelve en la fuente, con surrogate key.

    Bridge table entre clientes y cuentas.

    SQLModel view

    !Los subtotales no suman el total.

    Ordeno el modelo y agrego descriptions.

    Home › Prep data for AI

    !Sin buen modelo, no hay buena respuesta.

    00Cómo sé que terminé

    Otra persona lo entiende sin mí.Y los totales calzan.

    Modelar termina cuando cualquiera abre el modelo y llega al mismo número.

    Termino cuando…
    1. ✓
      Los totales calzan con la fuenteVenta neta: 412 en el modelo y 412 en contabilidad.
    2. ✓
      Un grain por fact tableUna línea de boleta. El budget, en su propia tabla.
    3. ✓
      Star schema, one-to-manyLos filtros viajan en un solo sentido.
    4. ✓
      Cada measure, con nombre y descripciónLa leen las personas. Y también la IA.
    dim_datedim_productdim_storedim_customerfct_sales

    Con el modelo listo, se analiza. Sigue Analizar.