[11]Data Warehouse y modelado dimensional
Diseña estructuras analíticas: esquema estrella, hechos, dimensiones, SCD, patrones de carga ETL/ELT y métricas de negocio reales.
¿Por qué no podemos analizar directo en la base de la app? OLTP vs OLAP
Descubre por qué las bases de datos transaccionales no sirven para análisis y cómo nació la idea del Data Warehouse.
Hechos y dimensiones: separar "qué pasó" de "quién/dónde/cuándo"
Aprende la distinción fundamental del modelado dimensional: tablas de hechos (métricas) y tablas de dimensiones (contexto).
El esquema estrella: diseñando tu primera estructura analítica
Construye un esquema estrella completo con una fact table central y dimensiones conectadas. El patrón más usado en Data Warehousing.
Granularidad: la decisión más importante del modelado
Entiende por qué elegir el nivel de detalle correcto define el éxito o fracaso de todo tu warehouse.
Slowly Changing Dimensions: cuando el mundo cambia
Aprende a manejar cambios en las dimensiones: qué pasa cuando un cliente cambia de país o un producto cambia de categoría.
ETL vs ELT: cómo llegan los datos al warehouse
Patrones de carga de datos: staging areas, transformación, carga incremental vs full refresh, e idempotencia.
Métricas y KPIs: diseñar facts que respondan preguntas de negocio
Métricas aditivas, semi-aditivas y no aditivas. Fact tables transaccionales, snapshot y accumulating. El arte de que el negocio se auto-sirva.
Data Vault 2.0 y alternativas al esquema estrella
Contexto sobre Data Vault, One Big Table y modelado moderno. Cuándo Kimball no es suficiente y qué opciones tienes.
Proyecto: diseñar el warehouse completo de un e-commerce
Aplica todo lo aprendido: diseña el modelo dimensional, ETL, métricas y SCD para "TechMart", una tienda online ficticia.