Modelado Dimensional de Datos

Diseñar tablas de hechos y dimensiones que hacen que el análisis de negocio sea rápido e intuitivo.

ÁreaIngeniería y Arquitectura de Datos
DificultadIntermedio
Tiempo de aprendizaje3-4 semanas

¿Qué puedes lograr dominando este tema?

  • Diseñar esquemas estrella o copo de nieve que faciliten el análisis de negocio
  • Separar correctamente 'hechos' (métricas) de 'dimensiones' (contexto descriptivo)
  • Optimizar un modelo de datos para que las consultas analíticas sean simples y rápidas

Descripción

El modelado dimensional organiza los datos de un data warehouse en tablas de hechos (las métricas que se miden, como ventas) y tablas de dimensión (el contexto que las describe, como producto, cliente, tiempo), facilitando enormemente que analistas de negocio construyan reportes sin necesitar joins complejos.

Casos de uso

  • Diseño de esquemas para data warehouses empresariales
  • Preparación de datos para herramientas de BI como Tableau o Power BI
  • Optimización de consultas analíticas recurrentes
  • Estandarización de métricas de negocio entre equipos

Ejemplo práctico

Ejemplo prácticopython
-- Tabla de hechos
CREATE TABLE hechos_ventas (
    fecha_id INT, producto_id INT, cliente_id INT,
    monto NUMERIC, unidades INT
);
-- Tabla de dimensión
CREATE TABLE dim_producto (producto_id INT, nombre TEXT, categoria TEXT);

Ventajas y limitaciones

Ventajas

  • Simplifica drásticamente las consultas analíticas para usuarios de negocio
  • Metodología madura y bien documentada (Kimball) desde hace décadas
  • Mejora el rendimiento de las herramientas de BI que consumen el warehouse

Limitaciones

  • Requiere disciplina de diseño y mantenimiento a medida que el negocio evoluciona
  • Menos natural para datos semi-estructurados o de alta variabilidad

Herramientas relacionadas

Librerías y plataformas más comunes para practicar este tema.

  • dbt
  • Snowflake
  • PostgreSQL

Temas relacionados

Fichas de herramientas