Crear un Data Warehouse

1. Las principales características

Un Data Warehouse tiene cuatro características clave que lo convierten en una potente herramienta de análisis y toma de decisiones:

1. Arquitectura Single Tier

La arquitectura Single Tier o One Tier, también conocida como arquitectura de un solo nivel, representa la configuración más básica de un Data Warehouse. Este enfoque simplista reúne todos los componentes esenciales -almacenamiento, procesamiento y presentación de datos- en un único sistema o servidor. Aunque esta configuración puede parecer atractiva por su aparente sencillez, tiene importantes limitaciones que la convierten en una opción subóptima para la mayoría de los proyectos analíticos modernos.

En esta configuración, los datos se extraen directamente de sus fuentes originales y se copian tal cual en el Data Warehouse, sin pasar por ninguna etapa intermedia de transformación u optimización. Este enfoque «en bruto» significa que los datos no se preparan específicamente para las necesidades analíticas, lo que puede complicar su posterior explotación. Las herramientas de Business Intelligence se conectan directamente a este Data Warehouse centralizado para generar informes y paneles de control. Esta conexión directa, aunque sencilla de configurar, puede crear una carga de trabajo considerable en el sistema único, sobre todo cuando se ejecutan consultas complejas o se generan visualizaciones elaboradas.

A pesar de sus inconvenientes, la arquitectura One Tier tiene ciertas ventajas que pueden hacerla atractiva en contextos específicos. Su sencillez de implantación es innegable: con todos los componentes en un único sistema, la instalación y configuración iniciales son relativamente sencillas. Este enfoque también puede dar lugar a costes iniciales más bajos, ya que el uso de un único servidor limita la inversión en hardware y software al inicio del proyecto. Para las organizaciones pequeñas o los proyectos de tamaño modesto, la centralización también puede simplificar el mantenimiento y la administración del sistema, ofreciendo una facilidad de gestión significativa.

Sin embargo, las limitaciones de esta arquitectura se ponen rápidamente de manifiesto a medida que los requisitos analíticos se hacen más complejos. La falta de separación de funciones crea un cuello de botella...

1. Metodología de diseño Inmon

La metodología Inmon, también conocida como enfoque top-down, es una estrategia de diseño de Data Warehouse que aboga por una visión holística e integrada de los datos corporativos. Desarrollada por Bill Inmon, considerado el «padre del data warehousing», este enfoque se caracteriza por su voluntad de crear una única fuente de verdad para toda la organización.

En el corazón de la metodología de Inmon se encuentra el concepto de Enterprise Data Warehouse (EDWH), un repositorio centralizado que agrega y normaliza los datos de todos los sistemas operativos de la empresa. El EDWH se diseña de acuerdo con un modelo de datos de empresa estandarizado, generalmente hasta la tercera forma normal (3NF), que garantiza una estructura coherente y minimiza la redundancia de datos.

A partir de este EDWH, se derivan Data Marts temáticos para satisfacer las necesidades específicas de los distintos departamentos o áreas de actividad. Estos Data Marts se consideran subconjuntos del Data Warehouse central, lo que garantiza la coherencia general de los datos en toda la organización.

Una de las principales ventajas de la metodología Inmon es su capacidad para proporcionar una visión unificada y coherente de los datos de la empresa. Este enfoque facilita enormemente la toma de decisiones estratégicas al proporcionar una comprensión exhaustiva y fiable de las actividades de la organización. Además, la normalización de los datos en el EDWH permite una gestión eficaz de las actualizaciones y modificaciones, al tiempo que optimiza el espacio de almacenamiento.

Sin embargo, la aplicación de la metodología de Inmon puede resultar compleja y costosa, sobre todo para organizaciones de tamaño medio o proyectos que deban ponerse en marcha rápidamente. El tiempo y los recursos necesarios para definir un modelo completo de datos empresariales e implantar un EDWH a gran escala pueden ser considerables. Además, este enfoque requiere un profundo conocimiento de los procesos de negocio de la empresa desde el inicio del proyecto, lo que puede limitar su flexibilidad ante los rápidos cambios organizativos.

La metodología de Inmon es especialmente adecuada para grandes organizaciones con necesidades...

1. Las tablas de hechos (fact tables)

Las tablas de hechos son el corazón de la modelización dimensional y contienen las medidas cuantitativas generadas por los sistemas operativos de la empresa. Estas medidas son esenciales para el análisis y la toma de decisiones, ya que permiten crear agregaciones y responder a preguntas clave sobre el rendimiento de la empresa.

Las tablas de hechos se identifican generalmente mediante una clave primaria compuesta, formada por la combinación de las claves externas de las tablas de dimensiones asociadas. Esta clave compuesta garantiza la unicidad de cada registro de la tabla de hechos y permite vincular las medidas a las dimensiones correspondientes.

Tipos de columnas de datos:

Tipos de tablas de hechos:

1. Star Schema (esquema en estrella)

El Star Schema es el esquema más utilizado en la modelización dimensional. Su estructura sencilla e intuitiva facilita la organización de los datos en el Data Warehouse. Consta de una tabla de hechos central, rodeada de tablas de dimensiones vinculadas a ella mediante claves externas.

Esta forma de construir su base tiene varias ventajas:

Sin embargo, esta estructura no está exenta de posibles problemas:

2. Snowflake Schema (esquema de copo de nieve)

El Snowflake Schema es una extensión del Star Schema que normaliza las tablas de dimensiones en tercera forma normal (3NF). Esto significa que los atributos de las dimensiones se descomponen en varias...

1. Requisitos previos

Lo primero que hay que hacer para crear este datawarehouse es instalar PostgreSQL y crear una base de datos en blanco. En el momento de escribir este libro, la última versión de PostgreSQL es la 17, que es la que utilizaremos en este proyecto.

Llevaremos a cabo las siguientes acciones:

sudo apt-get -y install postgresql-17 

postgres=# CREATE USER user WITH PASSWORD 'contraseña'; 

postgres=# CREATE DATABASE projet OWNER user; 

postgres=# \l  
  
  Name    |  Owner   | Encoding |   Collate   |    Ctype    |  
Access privileges     
-----------+----------+----------+-------------+-------------+ 
-----------------------  
postgres  | postgres | UTF8     | fr_FR.UTF-8 | fr_FR.UTF-8 |   
projet    | user     | UTF8     | fr_FR.UTF-8 | fr_FR.UTF-8 |   
template0 | postgres | UTF8     | fr_FR.UTF-8 | fr_FR.UTF-8 |  
=c/postgres          +  
          |          |          |             |        ...