{"id":430,"date":"2020-02-20T15:49:19","date_gmt":"2020-02-20T14:49:19","guid":{"rendered":"https:\/\/trainingpowerbi.wordpress.com\/2018\/02\/14\/desnormalizando-consultas-de-forma-eficiente-2\/"},"modified":"2020-02-21T12:09:20","modified_gmt":"2020-02-21T11:09:20","slug":"desnormalizando-consultas-de-forma-eficiente-2","status":"publish","type":"post","link":"https:\/\/bicontrolling.com\/index.php\/2020\/02\/20\/desnormalizando-consultas-de-forma-eficiente-2\/","title":{"rendered":"Desnormalizando dimensiones de forma eficiente"},"content":{"rendered":"

Como vimos en una entrada anterior, cuando dise\u00f1amos un modelo de datos anal\u00edtico, el enfoque principal debe situarse en lograr un dise\u00f1o que favorezca la simplicidad en la exploraci\u00f3n y agregaci\u00f3n de los datos<\/strong>, a la vez que en obtener un rendimiento \u00f3ptimo en la realizaci\u00f3n de consultas.<\/strong><\/p>\n

Las estructuras altamente normalizadas, con dimensiones organizadas en esquemas de copo de nieve<\/em> que principalmente nos encontraremos en los sistemas de procesamiento de transacciones, no ser\u00e1n adecuadas para satisfacer las necesidades anal\u00edticas de la empresa teniendo la comprensibilidad del modelo por parte de los usuarios y la velocidad de consulta como objetivos principales. El hecho de disponer de m\u00e1s de una tabla por cada dimensi\u00f3n<\/strong> de la tabla de hechos de un proceso de negocio implica tener que realizar c\u00f3digo m\u00e1s complejo para realizar una consulta que a su vez se ejecutar\u00e1 en un tiempo mayor, debido en parte al mayor n\u00famero de relaciones.<\/p>\n

<\/p>\n

Por ello, uno de los primeros pasos a seguir al dise\u00f1ar un modelo de datos anal\u00edtico corresponde a la desnormalizaci\u00f3n de los atributos<\/strong> que se encuentran alojados en los niveles superiores de las jerarqu\u00edas dimensionales, de manera que cada tabla de b\u00fasqueda refleje una dimensi\u00f3n con todos sus atributos correspondientes.<\/p>\n

La manera simple de abordar este proceso consiste en utilizar la interfaz gr\u00e1fica del editor de consultas<\/strong> de Power BI<\/em>. Utilizando la base de datos de ejemplo Adventure Works, <\/em>lo que queremos es desnormalizar los atributos de las tablas de ‘Categor\u00eda de producto’ y ‘Subcategor\u00eda de producto’, de forma que una sola tabla contenga todos los atributos correspondientes a la dimensi\u00f3n ‘Producto’, claramente una de las dimensiones m\u00e1s importantes y donde un buen conjunto de atributos descriptivos se traducir\u00e1 en una gran capacidad anal\u00edtica al alcance de los usuarios de negocio:
\n\"\"<\/a><\/p>\n

Para ello, desde el editor de consultas combinamos las tablas ‘Producto’ y ‘Subcategor\u00eda’:<\/p>\n

\"\"<\/a><\/p>\n

Como mediante este proceso solo podemos combinar 2 consultas a la vez, tenemos que realizar la operaci\u00f3n una vez m\u00e1s para combinar tambi\u00e9n la tabla ‘Categor\u00eda’:
\n\"\"<\/a><\/p>\n

Posteriormente, tenemos que borrar los atributos que no nos interese mantener, como las claves primarias que relacionan las consultas combinadas. Una vez realizado este proceso tendremos el resultado deseado, es decir, una \u00fanica consulta con todos los atributos correspondientes a la dimensi\u00f3n ‘Producto’:
\n\"\"<\/a><\/p>\n

Aunque este proceso es muy sencillo y aparentemente directo, es relativamente ineficiente<\/strong>, ya que todas las consultas involucradas deben actualizarse cada vez que las ponemos al d\u00eda, independientemente de que no tengan ning\u00fan valor anal\u00edtico como consultas independientes y no las carguemos al modelo de datos.<\/p>\n

Una mejor forma de desnormalizar las dimensiones consiste en, mediante un solo conjunto de ordenes en M<\/strong>, seleccionar \u00fanicamente los campos que nos interesen de cada tabla (en vez de importar todos y posteriormente eliminar los que no queremos) y combinarlos de forma que tengamos en una sola consulta todos los atributos de la dimensi\u00f3n ‘Producto’. El siguiente c\u00f3digo realiza los mismos pasos que hemos elaborado de forma manual a trav\u00e9s del interfaz gr\u00e1fico de Power Query, <\/em>pero de una manera m\u00e1s r\u00e1pida y eficiente:<\/p>\n

let\nSource = Sql.Database(\"explocal9988\", \"AdventureWorksDW\"),\nDimProducto = Source{[Name=\"DimProducto\"]}[Data],\nDimProducto.Final = Table.SelectColumns (DimProducto,\n{\"CProducto\",\n\"NProducto\",\n\"Fabricante\",\n\"Marca\",\n\"Color\",\n\"CostoUnitario\",\n\"PrecioUnitario\" } ),\n\nDimSubcategoria = Source{[Name=\"DimSubcategoria\"]}[Data],\nDimSubcategoria.Final = Table.SelectColumns ( DimSubcategoria,\n{\"NSubcategoria\",\n\"CSubcategoria\",\n\"CCategoria\"}),\n\nDimCategoria = Source{[Name=\"DimCategoria\"]}[Data],\nDimCategoria.Final = Table.SelectColumns ( DimCategoria,\n{\"NCategoria\",\n\"CCategoria\"}),\n\n\nProductoYSubcategoria = Table.Join(DimProducto.Final, \"CSubcategoria\", DimSubcategoria.Final, \"CSubcategoria\" ),\n\n\nProducto = Table.Join( ProductoYSubcategoria, \"CCategoria\", DimCategoria.Final, \"CCategoria\" ),\n\n\nProducto.Final = Table.SelectColumns (Producto, {\n\"CProducto\",\n\"NProducto\",\n\"NCategoria\",\n\"NSubcategoria\",\n\"Color\",\n\"Marca\" } )\n\nin\nProducto.Final<\/pre>\n","protected":false},"excerpt":{"rendered":"
Como vimos en una entrada anterior, cuando dise\u00f1amos un modelo de datos anal\u00edtico, el enfoque principal debe situarse en lograr un dise\u00f1o que favorezca la simplicidad en la exploraci\u00f3n y agregaci\u00f3n de los datos, a la vez que en obtener un rendimiento \u00f3ptimo en la realizaci\u00f3n de consultas. Las estructuras altamente normalizadas, con dimensiones organizadas […]<\/p>\n","protected":false},"author":2,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_feature_clip_id":0,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_post_was_ever_published":false},"categories":[2,6],"tags":[27,10,29,12,14,18,30],"post_series":[],"class_list":["post-430","post","type-post","status-publish","format-standard","hentry","category-arquitectura-de-datos","category-m-power-query","tag-bi","tag-editor-de-consultas","tag-etl","tag-m","tag-power-bi","tag-power-query","tag-sql"],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t\n\t\n\t\n\t\n\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t