UD6 · Inteligencia de negocio y analítica avanzada | MP03 · Explotación de servicios de datos y analítica

UD6 · Inteligencia de negocio y analítica avanzada

MP03 — Explotación de servicios de datos y analítica
Apuntes de IA y Datos

Apuntes de IA y Datos
UD6 · Inteligencia de negocio y analítica avanzada | MP03 · Explotación de servicios de datos y analítica

Objetivos de la unidad

Al finalizar esta unidad el alumnado será capaz de:

  • Conectar fuentes de datos estructuradas, semiestructuradas y servicios de datos a la plataforma de BI.
  • Preparar, depurar e integrar datos aplicando modelado dimensional.
  • Configurar indicadores, métricas, dimensiones y medidas en un modelo analítico.
  • Construir informes, visualizaciones y cuadros de mando interactivos.
  • Publicar productos de información con control de acceso por roles y actualización programada.
  • Validar la calidad de los datos y aplicar principios de gobierno del dato y privacidad.

Resultado de aprendizaje: Explota servicios de inteligencia de negocio y analítica, generando productos de información reutilizables.

Apuntes de IA y Datos
UD6 · Inteligencia de negocio y analítica avanzada | MP03 · Explotación de servicios de datos y analítica

Contexto: la cadena de valor de BI

Desde el dato hasta la decisión

[Fuentes de datos]
    Bases de datos, APIs, ERP, CRM, ficheros
        |
        v
[ETL / ELT]
    Extracción, transformación, carga (dbt, Azure Data Factory, Fivetran)
        |
        v
[Data Warehouse / Data Lakehouse]
    Modelo dimensional (tablas de hechos y dimensiones)
        |
        v
[Capa semántica]
    Métricas, KPIs, jerarquías (Power BI Dataset, Looker LookML)
        |
        v
[Visualización y cuadro de mando]
    Informes, dashboards, alertas (Power BI, Looker, Tableau)
        |
        v
[Usuario de negocio]
    Toma de decisiones basada en datos
Apuntes de IA y Datos
UD6 · Inteligencia de negocio y analítica avanzada | MP03 · Explotación de servicios de datos y analítica

Conexión de fuentes de datos

Tipos de fuentes y conectores

Tipo Ejemplos Conector habitual
Estructuradas relacionales SQL Server, PostgreSQL, MySQL, Oracle JDBC/ODBC, conector nativo
Data Warehouse Snowflake, BigQuery, Azure Synapse, Redshift Conector nativo del proveedor
Semiestructuradas MongoDB, Cosmos DB, Elasticsearch API o conector específico
Servicios SaaS Salesforce, Google Analytics, Shopify, SAP Conector certificado (Power BI, Fivetran)
Ficheros Excel, CSV, Parquet, JSON Import directo o Data Lake
APIs REST Cualquier fuente con API Power Query / dbt / Airbyte

Configuración de la conexión

Para cada fuente hay que documentar: cadena de conexión, credenciales (almacenadas en un Key Vault, nunca en el código), permisos mínimos de lectura, formato de los datos y frecuencia de actualización.

Apuntes de IA y Datos
UD6 · Inteligencia de negocio y analítica avanzada | MP03 · Explotación de servicios de datos y analítica

Conexión de fuentes — Credenciales y seguridad

Gestión segura de credenciales

Nunca se almacenan contraseñas o API keys en el código fuente ni en los ficheros de configuración en texto plano.

Método Descripción Herramienta
Key Vault Almacén cifrado de secretos en la nube Azure Key Vault, AWS Secrets Manager, GCP Secret Manager
Variables de entorno Inyectadas en tiempo de ejecución .env + python-dotenv (solo desarrollo)
Identidad administrada Sin contraseña; autenticación por identidad del servicio Managed Identity (Azure), Service Account (GCP)
OAuth 2.0 Flujo de autorización para servicios SaaS Conexiones certificadas en Power BI, Looker

Permisos mínimos en la fuente

La cuenta de servicio de BI debe tener solo permisos de lectura sobre las tablas o vistas necesarias. Nunca permisos de escritura o administración.

Apuntes de IA y Datos
UD6 · Inteligencia de negocio y analítica avanzada | MP03 · Explotación de servicios de datos y analítica

Preparación de datos — Depuración y transformación

Problemas frecuentes y cómo tratarlos

Problema Técnica de resolución
Valores nulos en dimensiones Sustituir por "Sin dato" o "No aplica"; no dejar NULL
Duplicados por clave de negocio Aplicar DISTINCT o GROUP BY; investigar la causa raíz
Formatos de fecha inconsistentes Estandarizar a ISO 8601 (YYYY-MM-DD)
Codificaciones distintas de la misma entidad Tabla de mapeo (p. ej., "Madrid" / "MADRID" / "28001")
Tipos de datos incorrectos Castear en la capa de transformación (dbt, Power Query)
Datos de distintos sistemas con granularidades distintas Agregar a la granularidad común antes de integrar

Herramientas de transformación

  • dbt (data build tool): transformaciones SQL versionadas en el data warehouse.
  • Power Query (M): transformaciones en Power BI Desktop.
  • Azure Data Factory / Google Dataflow: ETL visual para grandes volúmenes.
  • Spark (PySpark): transformaciones distribuidas para datos masivos.
Apuntes de IA y Datos
UD6 · Inteligencia de negocio y analítica avanzada | MP03 · Explotación de servicios de datos y analítica

Modelado dimensional

El modelado dimensional organiza los datos en un esquema optimizado para consultas analíticas.

Esquema en estrella

         [DIM_Fecha]
              |
[DIM_Producto] -- [FCT_Ventas] -- [DIM_Cliente]
              |
         [DIM_Tienda]

Conceptos clave

Concepto Descripción Ejemplo
Tabla de hechos Métricas numéricas del negocio FCT_Ventas: importe, unidades, descuento
Dimensión Contexto para analizar los hechos DIM_Producto: nombre, categoría, marca
Medida Cálculo sobre los hechos Suma de ventas, margen medio
Granularidad Nivel de detalle de cada fila de hechos Una fila por línea de pedido
Surrogate key Clave artificial de la dimensión id_producto (entero secuencial)
Apuntes de IA y Datos
UD6 · Inteligencia de negocio y analítica avanzada | MP03 · Explotación de servicios de datos y analítica

Configuración de indicadores y métricas

KPIs (Key Performance Indicators)

Un KPI es una métrica que mide el avance hacia un objetivo estratégico.

Atributos de un KPI bien definido

Atributo Descripción Ejemplo
Nombre Nombre unívoco y descriptivo Tasa de abandono de carrito
Fórmula Cálculo exacto documentado Pedidos abandonados / Pedidos iniciados × 100
Unidad Porcentaje, euros, unidades, días %
Frecuencia de cálculo Cuándo se actualiza Diaria
Responsable Quién es el dueño del indicador Director de eCommerce
Umbral Valor que dispara una alerta > 70%
Fuente De dónde vienen los datos Sistema de gestión de pedidos
Apuntes de IA y Datos
UD6 · Inteligencia de negocio y analítica avanzada | MP03 · Explotación de servicios de datos y analítica

Dimensiones, medidas y jerarquías

Dimensiones y sus jerarquías

Una dimensión puede organizarse en jerarquías que permiten el drill-down.

Dimensión Jerarquía Niveles
Fecha Año > Trimestre > Mes > Semana > Día 5 niveles
Geografía País > Comunidad > Provincia > Municipio 4 niveles
Producto Familia > Categoría > Subcategoría > SKU 4 niveles
Organización División > Departamento > Equipo 3 niveles

Medidas calculadas (DAX / LookML / SQL)

-- Ejemplo DAX (Power BI)
Tasa_Conversion :=
    DIVIDE(
        COUNTROWS(FILTER('FCT_Pedidos', 'FCT_Pedidos'[estado] = "COMPLETADO")),
        COUNTROWS('FCT_Pedidos')
    )
Apuntes de IA y Datos
UD6 · Inteligencia de negocio y analítica avanzada | MP03 · Explotación de servicios de datos y analítica

Informes, visualizaciones y cuadros de mando

Tipos de visualización y cuándo usarlas

Tipo de gráfico Uso adecuado Ejemplo
Línea temporal Evolución de métricas en el tiempo Ventas por mes del último año
Barras Comparación entre categorías Ventas por región
Barras apiladas Composición dentro de una categoría Mix de canales de venta
Mapa Distribución geográfica Tiendas por provincia con ventas
Dispersión Correlación entre dos métricas Precio vs. margen por producto
Treemap Proporciones jerárquicas Cuota de mercado por categoría
KPI card Valor puntual con variación vs. objetivo Ventas hoy vs. objetivo del mes
Tabla / Matriz Detalle numérico para análisis Ventas por producto y región
Apuntes de IA y Datos
UD6 · Inteligencia de negocio y analítica avanzada | MP03 · Explotación de servicios de datos y analítica

Diseño de cuadros de mando efectivos

Principios de diseño

  • Una pantalla, un objetivo: cada dashboard responde a una pregunta de negocio específica.
  • Jerarquía visual: la métrica más importante, más grande y en la parte superior izquierda.
  • Menos es más: no más de 5-7 elementos por página; evitar el "ruido visual".
  • Consistencia: mismos colores para las mismas categorías en todo el informe.
  • Segmentadores (slicers): permitir al usuario filtrar por fecha, región, producto, etc.
  • Drill-through: navegación de lo general a lo detallado sin abandonar el informe.

Alertas automáticas

Configurar alertas que notifican al responsable cuando un KPI supera o baja del umbral definido (Power BI Service Alerts, Looker Alerts, Grafana Alerting).

Apuntes de IA y Datos
UD6 · Inteligencia de negocio y analítica avanzada | MP03 · Explotación de servicios de datos y analítica

Publicación y control de acceso

Espacios de trabajo y roles

Rol Permisos Caso de uso
Administrador Gestionar el workspace, cambiar roles Líder de BI
Miembro Publicar, editar, eliminar contenido Analista de datos
Colaborador Publicar contenido; no gestionar el workspace Desarrollador de informes
Espectador Solo ver informes publicados Usuario de negocio

Seguridad a nivel de fila (RLS)

La seguridad a nivel de fila (Row-Level Security) restringe qué datos ve cada usuario dentro del mismo informe.

-- RLS: cada comercial solo ve sus propias ventas
[comercial_email] = USERPRINCIPALNAME()
Apuntes de IA y Datos
UD6 · Inteligencia de negocio y analítica avanzada | MP03 · Explotación de servicios de datos y analítica

Actualización programada y trazabilidad

Actualización programada de datos

Frecuencia Caso de uso típico Herramienta
En tiempo real KPIs operativos (llamadas, transacciones) DirectQuery, Push dataset
Cada hora Métricas de eCommerce o producción Scheduled refresh (1h)
Diaria Informes de ventas, facturación Scheduled refresh (madrugada)
Semanal / Mensual Informes de gestión Refresh manual o programado

Trazabilidad de uso

  • Audit log: registro de quién accede a qué informe y cuándo.
  • Linaje de datos (data lineage): trazabilidad desde el dato origen hasta el KPI publicado.
  • Log de actualizaciones: historial de cuándo se han actualizado los datos y si hubo errores.
Apuntes de IA y Datos
UD6 · Inteligencia de negocio y analítica avanzada | MP03 · Explotación de servicios de datos y analítica

Validación de calidad y coherencia

Regla de los tres frentes

Antes de publicar cualquier informe, validar los datos en tres frentes:

  1. Fuente de referencia: comparar el total del informe con el total de la fuente (ERP, base de datos de operaciones).
  2. Informe anterior: comparar con la versión publicada del mes/semana anterior para detectar regresiones.
  3. Juicio de negocio: hacer que un usuario experto revise los datos antes de la publicación.

Controles de calidad automáticos

Control Descripción Herramienta
Test de totales Verificar que la suma de hechos coincide con la fuente dbt test, Great Expectations
Test de unicidad Verificar que no hay duplicados en claves de negocio dbt unique test
Test de rango Verificar que los valores están en rangos esperados dbt accepted_values
Test de integridad referencial Verificar que todas las claves foráneas existen dbt relationships test
Apuntes de IA y Datos
UD6 · Inteligencia de negocio y analítica avanzada | MP03 · Explotación de servicios de datos y analítica

Gobierno del dato, privacidad y seguridad

Gobierno del dato en BI

Principio Descripción
Propiedad del dato Cada dataset tiene un responsable (data owner) identificado
Glosario de negocio Definición única y acordada de cada métrica y KPI
Catálogo de datos Inventario de todos los datasets y su descripción
Control de versiones Los modelos de datos y las transformaciones están versionados (dbt + git)

Minimización y anonimización en BI

  • Los informes de BI no deben exponer datos personales individuales salvo que sea estrictamente necesario y con base legal.
  • Agregar los datos al nivel de grupo o segmento antes de publicar.
  • Si se publican datos individuales (p. ej., rendimiento por empleado), aplicar RLS estricta y documentar en el registro de actividades de tratamiento.
Apuntes de IA y Datos
UD6 · Inteligencia de negocio y analítica avanzada | MP03 · Explotación de servicios de datos y analítica

Actividad práctica — UD6

"Cuadro de mando de ventas y margen para una cadena de distribución"

Escenario: La empresa DistribuTodo S.A. (150 tiendas en España) quiere un cuadro de mando mensual de ventas y margen comercial. Las fuentes son: ERP Oracle (ventas, devoluciones, costes), CRM Salesforce (campañas, clientes), y un fichero Excel de presupuesto anual.

Tareas:

  1. Conectar las tres fuentes en Power BI (o Looker Studio). Almacenar credenciales en Azure Key Vault.
  2. Construir el modelo dimensional: FCT_Ventas, DIM_Fecha, DIM_Tienda, DIM_Producto, DIM_Cliente.
  3. Definir 5 KPIs: Ventas brutas, Devoluciones (%), Margen bruto (%), Ventas vs. Presupuesto (%), Ticket medio.
  4. Crear un cuadro de mando con: tarjetas de KPIs, gráfico de tendencia mensual, mapa por provincia, tabla top-10 productos, segmentadores de Fecha/Región/Familia de producto.
  5. Configurar RLS: cada director regional ve solo sus tiendas. Publicar con roles Espectador para directores y Miembro para analistas.
  6. Ejecutar el plan de validación (3 frentes). Documentar las incidencias encontradas.

Entregable: Informe Power BI publicado + documento de validación + registro de fuentes y credenciales.

Apuntes de IA y Datos
UD6 · Inteligencia de negocio y analítica avanzada | MP03 · Explotación de servicios de datos y analítica

Puntos clave — UD6

  • La cadena de valor de BI va desde las fuentes de datos hasta la toma de decisiones, pasando por ETL, Data Warehouse, capa semántica y visualización.
  • Las credenciales de conexión nunca van en el código; se almacenan en Key Vault o identidades administradas.
  • La preparación de datos incluye depuración, transformación, integración y modelado dimensional (esquema en estrella).
  • Un KPI debe tener nombre, fórmula documentada, unidad, responsable, umbral y fuente definidos.
  • Las visualizaciones se eligen según el tipo de análisis: evolución temporal, comparación, composición, distribución geográfica.
  • La publicación requiere configurar roles (RBAC), RLS para seguridad a nivel de fila y actualización programada.
  • La validación de calidad sigue la regla de los tres frentes: fuente de referencia, informe anterior y juicio de negocio.
Apuntes de IA y Datos
UD6 · Inteligencia de negocio y analítica avanzada | MP03 · Explotación de servicios de datos y analítica

Criterios de evaluación — UD6

Criterio Indicador de logro
Conecta fuentes Configura conexiones a las fuentes requeridas con credenciales seguras y permisos mínimos
Prepara los datos Aplica depuración, transformación, integración y modelado dimensional
Configura indicadores Define KPIs con fórmula, unidad, responsable, umbral y fuente documentados
Crea visualizaciones Construye un cuadro de mando con los tipos de gráfico apropiados y principios de diseño
Publica con control de acceso Configura roles RBAC y RLS antes de publicar; documenta los permisos
Programa la actualización Configura la frecuencia de actualización adecuada al caso de uso
Valida la calidad Ejecuta el plan de validación en los tres frentes y documenta las incidencias
Aplica gobierno del dato Documenta propietario, glosario y linaje para todos los datasets publicados
Apuntes de IA y Datos
UD6 · Inteligencia de negocio y analítica avanzada | MP03 · Explotación de servicios de datos y analítica

← Volver a MP03

Apuntes de IA y Datos
UD6 · Inteligencia de negocio y analítica avanzada | MP03 · Explotación de servicios de datos y analítica

← UD5 · Procesamiento de lenguaje nat…  ·  Volver al módulo  ·  UD7 · Gestión integral: seguridad,… →

Apuntes de IA y Datos

nav-slide