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.
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.
Grain
✗El budget mensual se repite en cada fila.
✓Cada fila es una línea de boleta. El budget sale de la tabla.
Fact table
✗Números y descripciones, todo junto.
✓Lo que pasó queda aquí: cantidad y monto.
Dimension tables
✗«Centro» y «Café» se repiten en miles de filas.
✓Cada valor, una sola vez: cuándo, dónde, qué y quién.
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.
Measures
✗El 20 % estaba guardado en la tabla.
✓La measure calcula con lo que filtras: $8.000 ÷ $10.000 = 80 %.
Todos miran las flores.El modelo es el tronco.
Mismos datos, mismo dashboard. Lo único que cambia es el modelo.
Lo que no hago,y lo que sí.
Por los visuals, y parchar
Por la decisión
| 3-oct | $8.500 |
| oct | $40.000 |
Mezclar grains
| 1041 | Café | $5.000 |
| 1041 | Medialuna | $1.500 |
Una línea, y lo pruebo
Data Vault para un Excel
Star schema
Sumar o promediar porcentajes
Measures con DIVIDE
En Power Query, paso a paso
En la fuente, con SQL
Seis preguntasdeciden el modelo.
Haz clic, o baja para decir «Sí». El mapa muestra dónde estás, y puedes volver a cualquier punto.
¿La pregunta se va a repetir?
¿O la piden una sola vez?
¿Los datos pasan el data quality?
Primary key · referential integrity · range checks · reconciliation
¿Hay warehouse?
BigQuery, por ejemplo
¿Cuántos business processes hay?
Vender, reponer, comprar, cobrar
¿Todo está al mismo grain?
Budget mensual contra ventas diarias
¿Todas las columnas son additive?
¿Se pueden sumar sin mentir?
Ad-hoc query
Un SQL en BigQuery y listo. No armo un modelo para algo que no se repite.
Vuelvo a Revisar
No construyo sobre datos que no pasan. Lo arreglo en la fuente y le aviso al dueño del dato.
- Aquí termina la rama: el resto de las preguntas ya no hace falta.
SELECT store, SUM(amount) AS sales FROM stg_sales GROUP BY 1;
| store | sales |
|---|---|
| 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
- primary key
- referential integrity
- range checks
- reconciliation
Qué representa una filaes la primera decisión.
De lo fino se puede subir; de lo grueso no se puede bajar.
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.
| receipt | product | amount |
|---|---|---|
| 1041 | Café | $5.000 |
| 1041 | Medialuna | $1.500 |
| 1042 | Café | $2.500 |
✓Qué se vende junto y el margen de cada producto
✗Carga lenta con años de historia
| day | store | amount |
|---|---|---|
| 3-oct | Centro | $8.500 |
| 3-oct | Norte | $6.200 |
| 4-oct | Centro | $9.100 |
✓Qué día y qué tienda vendió más, y rápido
✗Qué se vendió en cada boleta
| month | store | budget |
|---|---|---|
| oct | Centro | $10.000 |
| oct | Norte | $9.000 |
| nov | Centro | $11.000 |
✓Budget contra real, mes a mes
✗Cualquier cosa por día
Uso star schema.Lo demás, solo con un motivo.
Las conozco todas. Uso muy pocas, y está bien saber por qué.
Star schema
Una fact table al centro y sus dimension tables alrededor.
BI y Power BI. Lo recomiendan Microsoft y Kimball.
Sistemas que registran operaciones.
Galaxy schema
Varias fact tables que comparten dimensions.
Comparar procesos: ventas contra stock o budget.
Proyectos con un solo proceso.
Snowflake schema
Una star schema con dimensions partidas en más tablas.
Warehouses grandes, o una dimension compartida a otro grain.
Power BI, si es solo para «ordenar»: más joins y más lento.
OBT · One Big Table
Todo en una sola tabla ancha, sin joins.
SQL directo, data science y exports. Rinde bien en BigQuery.
La entrega final en Power BI.
3NF
Tablas normalizadas, sin datos repetidos.
Sistemas transaccionales (OLTP): cajas, ERP, CRM.
Reportar directo sobre ella.
Data Vault
Hubs, links y satellites para guardar toda la historia.
Grandes empresas: muchas fuentes, auditoría y un equipo de data engineering.
Pymes o pocas fuentes.
Graph
Nodos y relaciones, para preguntas de varios saltos.
Fraude, redes y recomendaciones.
Lo que se resuelve con dos joins.
La misma venta,en seis paradas.
El dato viaja desde el sistema hasta tu pantalla, y cambia de forma en cada parada. Yo trabajo al final del camino.
id_vta: 1041
fec: "03/10/26"
prod: " café "
monto: "$ 5.000"Donde nace la venta: la caja, el ERP o el CRM. No lo diseño: aprendo a leerlo.
id_vta: 1041
fec: "03/10/26"
prod: " café "
_loaded_at: 04-oct 02:00Una copia tal cual, con su fecha de carga. Si algo sale mal, se vuelve aquí.
sale_id: 1041
date: 2026-10-03
product: CAFÉ
amount: 5000Limpia y une las fuentes. Aquí vive la fase de Revisar.
fct_sales
date_key: 1 · store_key: 1
prod_key: 1
amount: 5000Lista para preguntas de negocio: fact y dimension tables.
Sales =
SUM(fct_sales[amount])
Budget % = DIVIDE(…)Power BI: relationships, measures, RLS y nombres que leen igual las personas y la IA.
Lo que ves: visuals, un título con la conclusión y una decisión. Si le preguntas a una IA, responde con las mismas measures.
Seis errores comunesy cómo se arreglan.
Pasos en Power Query
SQL en staging
Columna guardada
Measure con DIVIDE
Bi-directional
One-to-many
JOIN entre facts
Conformed dimensions
Auto date/time
dim_date marcada
total_monthly_rev
«Revenue»
Lo que me pideny cómo lo resuelvo.
Primero lo más frecuente. Toca un pedido.
Mido antes de tocar nada, y corto lo que pesa.
!Mirar primero keys y calculated columns.
Dos fact tables, con el mes como shrunken dimension.
!Que un filtro de día no toque el budget.
RLS en la dimension: entra y ve lo suyo, sin filtrar.
!Solo pasa por relationships activas.
Un script lo carga a BigQuery y lo valida.
!Si cambian las columnas, avisa solo.
Periodic snapshot y una measure semi-additive.
!Nunca sumar saldos entre meses.
Role-playing dimension: una dim_date por rol.
!Renombrar columnas: «Ship year».
SCD Type 2 en el warehouse: cada cambio, una fila.
!Se resuelve en la fuente, con surrogate key.
Bridge table entre clientes y cuentas.
!Los subtotales no suman el total.
Ordeno el modelo y agrego descriptions.
!Sin buen modelo, no hay buena respuesta.
Otra persona lo entiende sin mí.Y los totales calzan.
Modelar termina cuando cualquiera abre el modelo y llega al mismo número.
- ✓Los totales calzan con la fuenteVenta neta: 412 en el modelo y 412 en contabilidad.
- ✓Un grain por fact tableUna línea de boleta. El budget, en su propia tabla.
- ✓Star schema, one-to-manyLos filtros viajan en un solo sentido.
- ✓Cada measure, con nombre y descripciónLa leen las personas. Y también la IA.
Con el modelo listo, se analiza. Sigue Analizar.





