Dominar Power Query: transformar datos planos en un esquema en estrella

By Mirko Peters · 2026-08-12 · Updated 2026-08-29

Automatically translated with AI from the original post. Read the English original

Titelbild: Mastering Power Query: Transforming Flat Data into a Star Schema

¡Bienvenido de nuevo al blog complementario del podcast! En el artículo de hoy profundizamos en la mecánica técnica del modelado de datos. Si alguna vez has heredado un volcado de datos masivo y plano de un sistema empresarial, donde cada transacción repite nombres de clientes, categorías de productos y ubicaciones geográficas un millón de veces, sabes lo que supone para tus informes. El rendimiento lento, las fórmulas DAX confusas y los archivos sobredimensionados son solo la punta del iceberg. Afortunadamente, existe un patrón arquitectónico probado en el que confían los desarrolladores profesionales de BI para resolver exactamente este problema: el esquema en estrella.

En esta guía completa veremos cómo tomar una exportación de tabla única y desordenada, y usar Power Query para dividirla en una tabla de hechos central limpia y en tablas de dimensiones eficientes y de alto rendimiento. Por el camino, repasaremos la planificación estratégica, las buenas prácticas de limpieza de datos, la generación de claves sustitutas y las técnicas de optimización del modelo que harán que tus informes de Power BI sean increíblemente rápidos.

Introducción a Power Query y a los fundamentos del esquema en estrella

Cuando creas soluciones en Microsoft Power BI, la estructura de datos subyacente determina todo lo que viene después. Un esquema en estrella es una técnica de modelado de datos madura y muy optimizada, en la que las métricas de negocio se almacenan en una tabla de hechos central, mientras que los atributos descriptivos de las entidades de negocio residen en las tablas de dimensiones que la rodean. Visualizado en un diagrama, este diseño adopta la forma de una estrella. La mayoría de los desarrolladores de BI eligen este método porque da lugar a una solución de inteligencia de negocios excepcionalmente fácil de mantener y escalar.

Los estudios demuestran sistemáticamente que adoptar este patrón de diseño aporta enormes beneficios. De hecho, alrededor del 80% de los usuarios de Power BI que crean modelos en estrella informan de un mejor rendimiento y una mayor eficiencia en el análisis, en comparación con los enfoques de tabla plana. Por el contrario, prescindir del esquema en estrella introduce fricciones graves en el ciclo de desarrollo:

Consultas lentas causadas por una gran redundancia y duplicación de datos.
Fórmulas DAX complicadas por relaciones entre tablas ambiguas o inexistentes.
Dificultades de mantenimiento y cuellos de botella al escalar cuando llegan nuevos datos de negocio.

Para entender a fondo cómo reestructurar tus datos, veamos los pasos fundamentales que hay que seguir antes de tocar una sola línea de código de transformación.

Planificar tu esquema en estrella

Antes de empezar a escribir pasos de transformación en Power BI, necesitas un plan claro e intencionado para tu esquema en estrella. Una planificación cuidadosa te ayuda a evitar confusiones, acelera tus informes y hace que tu modelo sea mucho más fácil de mantener. Como desarrollador de BI, siempre debes auditar tus orígenes de datos y diseñar el esquema antes de importar volcados de datos sin procesar en Power BI Desktop.

Analizar los orígenes de datos e identificar las tablas clave

Empieza tu recorrido arquitectónico revisando detenidamente tus orígenes de datos sin procesar. Busca tablas o archivos planos que contengan eventos de negocio numéricos, como transacciones de ventas, clics web o movimientos de inventario. Estos acabarán convirtiéndose en tu tabla de hechos central. A continuación, busca columnas que describan entidades de negocio, como nombres de clientes, descripciones de productos, listados de empleados o fechas del calendario. Serán la base de tus tablas de dimensiones.

Consejo: usa siempre claves enteras numéricas para las uniones entre tablas. Las claves numéricas aceleran las consultas del motor VertiPaq y hacen que las relaciones sean mucho más fiables que la coincidencia basada en texto.

Una vez identificadas las tablas, dibuja un diagrama entidad-relación. Asegúrate de que tu tabla de hechos central se conecte directamente con cada una de sus tablas de dimensiones y evita por completo conectar dos tablas de hechos entre sí. Mantener tu modelo a un solo salto entre hechos y dimensiones evita la ambigüedad de los filtros y deja tu modelo semántico limpio.

Importar y limpiar datos con Power Query

Importar tus datos en Power BI sienta las bases de un esquema en estrella fiable. Necesitas conectarte a tus orígenes de datos, limpiar y transformar la información entrante y cargar tus tablas con cuidado. Power Query actúa como tu principal banco de trabajo para preparar datos, y te permite dar forma y refinar la información antes de que llegue a tu modelo de datos.

Al cargar datos, aprovecha con criterio la configuración "Habilitar carga" de Power Query. Desactiva la carga de las consultas de preparación y de las tablas auxiliares intermedias para que solo tus tablas de hechos y de dimensiones finales y optimizadas aumenten la memoria de tu modelo. Además, realiza el máximo de pasos de filtrado y transformación lo más cerca posible del origen de datos (un concepto conocido como plegado de consultas) para que las actualizaciones de datos sean muy rápidas.

Limpiar los datos significa eliminar sistemáticamente los errores, corregir las inconsistencias de formato y estandarizar las cadenas de texto. Comprueba si hay valores faltantes en las columnas de claves externas críticas y corrígelos de inmediato. Asegurarte de que tus claves tengan tipos de datos idénticos en todas las tablas es imprescindible para establecer correctamente las relaciones.

Creación de tablas de dimensiones y claves sustitutas

Una tabla de dimensiones bien diseñada es el verdadero eje de tu esquema en estrella. Usas las tablas de dimensiones para aportar un detalle contextual rico sobre las operaciones de tu negocio. Para extraer estas dimensiones de una exportación de datos plana, debes aislar los atributos únicos de una entidad y eliminar las filas duplicadas.

Extracción de atributos y eliminación de duplicados

Al crear una tabla de dimensiones a partir de un volcado de datos plano, selecciona solo las columnas relevantes para filtrar y agrupar. Por ejemplo, una dimensión de producto debería aislar el ID de producto, el nombre del producto, la categoría, la subcategoría y el precio unitario. Una vez aisladas estas columnas, debes eliminar los registros duplicados para que cada entidad exista exactamente una vez. Las filas únicas garantizan que tus relaciones uno a varios funcionen sin efectos secundarios inesperados en el filtrado cruzado.

Para que tus tablas de dimensiones sean a prueba de cambios en los sistemas de origen, considera generar claves sustitutas. Una clave sustituta es una columna de índice entero artificial y autoincremental creada durante los pasos de transformación de Power Query. Usar claves sustitutas en lugar de claves de texto naturales volátiles protege tus datos históricos de hechos cuando los descriptores de origen, como la dirección de un cliente o el nombre de un producto, cambian con el tiempo.

Creación y agregación de la tabla de hechos

Una vez establecidas tus tablas de dimensiones limpias, puedes centrarte en crear la tabla de hechos principal. La tabla de hechos almacena eventos de negocio medibles y cuantitativos. Cada fila representa una transacción o un suceso concreto en el nivel de detalle más bajo que requieren tus partes interesadas.

Para gestionar conjuntos de datos masivos, considera crear tablas de agregación a nivel de consulta o de almacén de datos. Agregar previamente los datos por mes, región o categoría de producto reduce drásticamente el número de filas y acelera la renderización de los elementos visuales. Al crear tu tabla de hechos, comprueba que la granularidad sea coherente: mezclar filas agregadas diarias con transacciones individuales a nivel de segundo en la misma tabla de hechos corromperá tus agregaciones de medidas y provocará dobles recuentos.

Configuración de relaciones y optimización del modelo

Una vez cargadas tus tablas en Power BI, debes configurar las relaciones del modelo vista Modelo. Establece relaciones uno a varios limpias, que vayan del lado "uno" de tus tablas de dimensiones al lado "varios" de tu tabla de hechos central.

De forma predeterminada, mantén el filtrado cruzado en una sola dirección. Evita el filtrado bidireccional salvo que sea absolutamente necesario, ya que introduce rutas de filtro complejas, degrada el rendimiento del motor VertiPaq y con frecuencia produce resultados analíticos inesperados. Audita periódicamente tu modelo para eliminar las columnas no utilizadas, minimizar los campos de texto de alta cardinalidad en las relaciones y asegurarte de que tu tabla de calendario continuo esté marcada explícitamente como tabla de fechas para habilitar cálculos de inteligencia de tiempo sin problemas.

Informes y análisis con tu esquema en estrella

En última instancia, todos tus esfuerzos de modelado de datos culminan en la capa de informes. Cuando tu modelo semántico está estructurado como un esquema en estrella limpio, crear paneles interactivos resulta una auténtica delicia. Los segmentadores y los filtros se ajustan al instante, las medidas DAX siguen siendo legibles y fáciles de depurar, y las funciones de preguntas y respuestas en lenguaje natural alcanzan una precisión notable.

Para explorar este patrón de arquitectura con más detalle y escuchar la opinión de expertos sobre cómo evitar errores habituales de modelado, no dejes de consultar el episodio de podcast relacionado: Build a Power BI Star Schema for Faster Reports.

Conclusión

Transformar volcados de datos planos y desordenados en un esquema en estrella optimizado con Power Query es una de las habilidades con mayor impacto que puede dominar un desarrollador de Power BI. Si planificas bien tu esquema, limpias tus dimensiones, generas claves sustitutas estables y configuras relaciones uno a varios estrictas, conseguirás un rendimiento de consulta excelente, cálculos DAX más sencillos e informes empresariales robustos.

Apóyate en listas de comprobación de modelado, valida los recuentos de filas frente a los sistemas de origen y audita de forma continua tus modelos a medida que evolucionen las necesidades de tu organización. Si quieres profundizar en estas estrategias y en debates prácticos sobre las buenas prácticas del ecosistema de Microsoft, no dejes de escuchar el episodio completo en Build a Power BI Star Schema for Faster Reports. ¡Feliz modelado!