Modelado dimensional

Los modelos dimensionales correlacionan los aspectos de cada proceso de su negocio. Los esquemas
de bases de datos que se modelan segn los principios de modelado dimensional funcionan bien con
las aplicaciones que deben leer grandes cantidades de datos rpidamente. Este acceso rpido y fcil a
los datos ayuda a desarrollar aplicaciones y consultas que permiten a la empresa analizar los datos.

Ciclo de vida del modelado dimensional

Fase de diseo

Paso 1: Identificar los requisitos del proceso de negocio

Seleccione el proceso de negocio para el que se asignar el modelo dimensional. Segn la seleccin,
se renen los requisitos del proceso de negocio. Un proceso de negocio requiere ms de un modelo
dimensional.

En el modelado dimensional, la mejor unidad de anlisis es el proceso de negocio en el que la

organizacin tiene el mayor inters. Un proceso de negocio es un conjunto de actividades
relacionadas. Los procesos de negocio se clasifican segn los temas de inters del negocio. Cuando
cree una lista de candidatos de procesos de negocio de alto potencial, debe priorizar los requisitos.
Algunos ejemplos de procesos de negocio son los clientes, las ganancias, las ventas, las
organizaciones y los productos.

Los procesos de negocio no siempre son departamentos de negocio. Por ejemplo, considere un
escenario en el que los departamentos de ventas y marketing acceden a los datos de pedido. En este
caso, deber crear un modelo dimensional sencillo para gestionar los datos de pedido en vez de crear
modelos dimensionales independientes para los departamentos de ventas y marketing. Si crea
modelos dimensionales basados en departamentos, almacenar datos duplicados. La duplicacin o
redundancia de datos puede ocasionar muchos problemas relacionados con la calidad y coherencia de
los datos.

Cuando seleccione un solo proceso de negocio (entre todos los procesos posibles que existen en una
empresa), debe priorizar los procesos de negocio segn determinados criterios. Los criterios pueden
incluir el significado del proceso de negocio, la calidad de los datos en los sistemas de origen y la
viabilidad y complejidad de los procesos de negocio.

Cuando identifique los procesos de negocio de un modelo dimensional, rena los siguientes
metadatos:
Requisitos empresariales del negocio seleccionado para el que disear el modelo dimensional
Procesos de negocio
Propietarios
Sistemas de origen que se utilizarn
 Problemas de calidad de los datos
Trminos comunes utilizados en los procesos de negocio
Otros metadatos relacionados con el negocio
Los modelos dimensionales se utilizan generalmente en dos entornos: el depsito de datos y los
sistemas OLTP.

El depsito de datos y el modelo dimensional

Cuando particione los datos en un depsito de datos, divida los datos segn el tema. Un
depsito de datos se basa en un tema. El depsito de datos contiene temas especficos
seleccionados en la organizacin, como por ejemplo un cliente o un producto. Para una
implementacin prctica de un depsito de datos, los datos ms importantes estn contenidos
en un proceso de negocio especfico. Este requisito es bastante diferente de los requisitos de
OLTP.

Las consultas del entorno del depsito de datos son de naturaleza ms estratgica y plantean
preguntas relacionadas con un mbito ms amplio. Un ejemplo de consulta es "Qu
productos se venden bien?" o "Dnde estn mis oficinas de ventas ms dbiles?". Para
responder a esas consultas, el depsito de datos est estructurado y orientado a temas como
por ejemplo un producto o una organizacin. Estos temas son la unidad ms comn de
particionamiento lgico en el depsito de datos.

Sistemas OLTP y el modelo dimensional

En el entorno operativo, los datos se particionan por aplicacin o funcin, ya que el entorno
operativo se crea en torno a aplicaciones orientadas a transacciones que realizan un conjunto
especfico de funciones. El objetivo del entorno operativo es realizar esas funciones lo ms
rpido posible. Si hay consultas realizadas en el entorno operativo, sern de naturaleza ms
tctica y debern responder a las preguntas relacionadas con ese instante en el tiempo. Una
consulta de ejemplo puede ser la pregunta "Se ha procesado el cheque del Sr. Lpez?"

Cuando identifique los requisitos empresariales, siga estos pasos:

1. Cree y estudie la lista de procesos de negocio de empresa.

2. Identifique el proceso de negocio que desea modelar.
3. Identifique las entidades y medidas de alto nivel que son comunes en diversos procesos.
4. Identifique los orgenes de datos.
5. Seleccione el mtodo de recopilacin de requisitos.
6. Rena los requisitos del modelo dimensional.
7. Analice los requisitos del modelo dimensional.
8. Resuma el anlisis del proceso de negocio.
Cree y estudie la lista de procesos de negocio de empresa
Cree una lista completa de procesos de negocio para toda la empresa. Considere los siguientes
factores de asesoramiento al crear la lista:

Complejidad de los sistemas de origen de cada proceso de negocio

Disponibilidad de datos de estos sistemas
Calidad de datos de estos sistemas
Significado de negocio estratgico de cada proceso de negocio
Otros factores importantes para los procesos de negocio
Consejo: Puede ser til asignar valores a cada factor de asesoramiento y proceso de negocio. Cuando
asigne valores, puede determinar la prioridad de cada proceso de negocio.

Identifique el proceso de negocio que desea modelar

Priorice los procesos de negocio. Debe identificar el mayor y el menor proceso de viabilidad al crear un
modelo dimensional. Este paso resume los factores de asesoramiento que determinado anteriormente.
Los procesos ms significativos para el negocio deben modelarse primero.

Identifique las entidades y medidas de alto nivel que son comunes en diversos procesos
Determine las entidades empresariales de alto nivel implicadas en cada proceso. Determine qu
entidades son comunes en varios procesos de negocio. Una vez identificadas las entidades comunes,
puede unir los procesos de negocio a travs de estas dimensiones comunes (compartidas).

Para crear dimensiones compartidas que se puedan utilizar en toda la empresa, debe asegurarse de
que las distintas partes del negocio estn de acuerdo con las definiciones de estas entidades comunes.
Este proceso puede tardar algn tiempo, ya que las definiciones de las entidades comunes pueden
varias entrar las distintas partes del negocio. Debe definir las entidades comunes inicialmente, ya que
si necesita cambiar esta definicin en el futuro, las aplicaciones existentes pueden resultar afectadas.

Un depsito de datos debe proporcionar informacin coherente para las consultas que solicitan
informacin similar. Un mtodo para mantener la coherencia es crear tablas de dimensiones
compartidas y utilizadas por todas las aplicaciones y despensas de datos (modelos dimensionales) en
el depsito de datos. Los candidatos para las dimensiones compartidas incluyen clientes, tiempo,
productos y dimensiones geogrficas, como por ejemplo la dimensin de almacenamiento.

El desarrollo de un conjunto de dimensiones compartidas es un reto importante. Las dimensiones

comunes en los procesos de negocio deben representar la informacin sobre dimensiones de la misma
manera. Es decir, se debe compartir la informacin y los datos subyacentes. Generalmente, cada
proceso de negocio tiene su propio esquema que contiene una tabla de hechos, varias tablas de
dimensiones compartidas y tablas de dimensiones exclusivas de la funcin de negocio especfica.
Identifique los orgenes de datos
Identifique los orgenes de datos implicados en los procesos de negocio. Un modelo dimensional se
crea a partir de uno de los siguientes orgenes:

Un depsito de datos para toda la empresa

Sistemas de origen OLTP (en el caso de las arquitecturas de despensa de datos
independientes o dependientes)
Despensas de datos independientes (en esta situacin, quiz le interese consolidar las
despensas de datos independientes en otra despensa de datos o depsito de datos)

Seleccione el mtodo de recopilacin de requisitos

Los requisitos suelen ser difciles de definir. Generalmente, slo despus de ver un resultado se puede
decidir que el resultado cumple (o no) un requisito. Los requisitos de una organizacin tambin
cambian a lo largo del tiempo. Lo que es vlido un da puede no serlo al da siguiente. A pesar de ello,
los requisitos identificados en este punto se utilizan en el ciclo de desarrollo para crear el modelo
dimensional.

Las preguntas son:

Cmo puede crear algo que no se puede definir de forma precisa?

Cmo sabe cundo ha identificado correctamente los requisitos?
Aunque no hay ninguna prueba definitiva, generalmente puede empezar el proceso de modelado si sus
requisitos incluyen las siguientes preguntas:

Para reunir el conjunto completo de requisitos, debe considerar las siguientes preguntas:

Quines son las personas, los grupos y las organizaciones de inters?

Qu funciones deben analizarse?
Por qu son necesarios los datos?
Cundo deben registrarse los datos?
Dnde, a nivel geogrfico y organizativo, se producen los procesos relevantes?
Cmo se mide el rendimiento de las funciones?
Cmo se mide el rendimiento del proceso de negocio? Qu factores determinan el xito o el
fracaso?
Cul es el mtodo de distribucin de la informacin? Es un informe de datos por escrito o
por correo electrnico, o se trata de otro mtodo?
Qu tipos de informacin faltan para realizar el anlisis y la toma de decisiones?
Qu pasos se han llevado a cabo actualmente para satisfacer la falta de informacin?
Qu nivel de detalle habilitara el anlisis de datos?
En general, la mayora de los mtodos para derivar requisitos empresariales cumplen uno de estos dos
mtodos: controlado por origen y controlado por usuario.
Controlado por origen

La recopilacin de requisitos controlados por origen se basa en definir los requisitos utilizando
los datos de origen en los sistemas operativos de produccin. Puede definir los requisitos
analizando un modelo de datos de origen si hay un disponible o los diseos de registro fsico
reales y seleccionando los datos de inters.

La principal ventaja de este mtodo es que le permite saber desde el principio que puede
proporcionar todos los datos, dado que ya se limita a lo que hay disponible. Una segunda
ventaja es que puede minimizar el tiempo que necesitan los usuarios en las fases iniciales del
proyecto. No obstante, nada puede sustituir la importancia y el valor que obtiene cuando
implica a los usuarios.

Este mtodo tambin tiene desventajas:

Al minimizar la implicacin de los usuarios, aumenta el riesgo de producir un conjunto

incorrecto de requisitos.
Segn el volumen de los datos de origen de que disponga y de la disponibilidad de los
modelos de origen para los datos, este mtodo tambin puede tardar mucho tiempo.
Es posible que algunos usuarios necesiten acceder a datos no disponibles
actualmente.
Sin la oportunidad de identificar todos los requisitos, no es posible investigar qu es necesario
para obtener datos externos. Los datos externos son datos que existen fuera de la empresa.
An as, los datos externos con frecuencia pueden tener un valor significativo para los
usuarios de negocio.

El resultado del mtodo controlado por origen es proporcionar lo datos de que dispone, lo que
es apropiado en al menos dos casos:

El mtodo se puede utilizar para desarrollar una lista bastante completa de las
dimensiones principales de inters para la empresa. Si tiene previsto crear un
depsito de datos para toda la empresa, esto puede minimizar la proliferacin de
dimensiones duplicadas en las despensas de datos desarrolladas independientemente.
El anlisis de relaciones en los datos de origen puede identificar reas en las que
centrar sus esfuerzos de desarrollo de un depsito de datos.

Controlado por usuario

La recopilacin de requisitos controlados por usuario es un mtodo basado en definir los

requisitos investigando las funciones realizadas por los usuarios. Esto se suele llevar a cabo a
travs de una serie de reuniones o entrevistas con los usuarios.

La ventaja principal de este mtodo se basa en proporcionar los datos realmente necesarios,
no los que estn disponibles. En general, este mtodo tiene un mbito inferior al mtodo
 controlado por origen. Por lo tanto, el mtodo controlado por usuario generalmente produce
un depsito de datos o una despensa de datos til en un lapso de tiempo ms corto.

Sin embargo, las expectativas se deben gestionar detenidamente. Los usuarios deben
comprender claramente que algunos de los datos que necesitan no pueden ponerse a su
disposicin por diversas razones. No obstante, no debe limitar las preguntas que realicen los
usuarios. Cuando defina los requisitos de un depsito de datos, deben fomentarse ideas
alternativas. Estos requisitos impiden que elimine requisitos simplemente porque crea que no
sean posibles. Si un usuario est demasiado centrado en algo, puede pasar por alto datos
tiles que estn disponibles en los sistemas de produccin.

La recopilacin de requisitos controlados por usuario generalmente es el mtodo elegido,

especialmente cuando se desarrollan despensas de datos dependientes o se llenan despensas
de datos desde un almacn de empresa de todo el negocio.

Recopilacin de los requisitos

Cuando rena los requisitos, las necesidades de los usuarios de negocio se recopilarn y
documentarn. Cuando rena los requisitos, debe estudiar los procesos de negocio y las
actividades del anlisis de informacin con las que se relacionan los usuarios. Generalmente, los
usuarios tienen que evaluar o analizar algn aspecto del negocio. Centre sus esfuerzos en
recopilar los dos elementos clave de anlisis con los que se relacionan los usuarios de negocio
diariamente:

Qu es lo que se analiza?
Cules son los criterios de evaluacin?
Cuando rena los requisitos, debe tratar de comprender el dominio del problema para el que se
realiza el modelado. Generalmente, los requisitos en esta fase se documentan informalmente y
los esquemas no se detallan en su totalidad. Cuando rena estos requisitos, identifique las
siguientes reas de inters:

Identifique las cuestiones ms importantes que debe tratar el negocio. Puede asignar
valores de importancia a cada cuestin para determinar las cuestiones ms importantes
que se deben abordar.
Determine cmo desea el negocio registrar los datos cuando estos cambian. Por
ejemplo, desear saber cmo gestionar los datos histricos de los productos que ya no
estn disponibles o de los registros de los empleados.

Anlisis de los requisitos

Analice los requisitos empresariales. Determine los requisitos informales y establezca medidas y
entidades de alto nivel. Estos objetos pueden convertirse en dimensiones cuando modele los
datos. Utilice este borrador como punto de partida para filtrar las entidades y medidas. Puede
 empezar a trazar la estructura de los requisitos, las dimensiones del trazado, las jerarquas y las
medidas de cada parte del modelo de datos.

Resuma el anlisis del proceso de negocio

Cree un informe a partir del anlisis. El informe debe contener la siguiente informacin:

Listado de procesos de negocio

Priorizacin de procesos de negocio
Entidades y medidas de alto nivel, que son comunes entre varios procesos de negocio
Proceso de negocio identificado para el que se crear el modelo dimensional
Listado de orgenes de datos
Recopilacin de requisitos que contiene todos los requisitos del proceso de negocio
Anlisis de recopilacin de requisitos
Entidades y medidas de alto nivel identificadas a partir del anlisis de requisitos

Paso 2: Identificar el grano

Identifique la granularidad de cada tabla de hechos y proceso de negocio. Durante este proceso
deber identificar los tipos de tablas de hechos y los candidatos preliminares para las dimensiones y
medidas.

La lista siguiente contiene varias caractersticas de identificacin del grano:

Especificar qu contienen los registros

Al identificar el grano, se especifica exactamente qu contiene un registro de tabla de hechos.

El grano muestra el nivel de detalle asociado a las medidas de la tabla de hechos. Cuando
identifique el grano, decida tambin el nivel de detalle que desea que est disponible en el
modelo dimensional. Si se incluyen ms detalles, el nivel de granularidad ser ms bajo. Si se
incluyen menos detalles, el nivel de granularidad ser ms alto.

Identificar el nivel de detalle

El nivel de detalle disponible en un esquema de estrella se conoce como grano. Cada tabla de
hechos y dimensiones tiene su propio grano o granularidad. Cada tabla (de hechos o
dimensiones) contiene un nivel de detalle con el que se asocia. El grano del modelo
dimensional es el nivel de detalle ms fino que est implcito al unir las tablas de hechos y
dimensiones. Por ejemplo, la granularidad de un modelo dimensional que consta de las
dimensiones de fecha, almacn y producto es producto vendido en el almacn por da.

Identificar los datos

Cada fila contiene el mismo tipo de datos. Por ejemplo, cada fila puede contener ventas
diarias por almacn, por producto, o elementos de lnea diarios por almacn.
Por ejemplo, las definiciones de grano pueden incluir los siguientes elementos:
 Un elemento de lnea en un recibo de tienda de comestibles
Una instantnea mensual de un extracto de cuenta bancaria
Un solo billete de avin adquirido un da

Las tablas de hechos y dimensiones tienen una granularidad asociada a ellas. El modelado
dimensional, la granularidad hace referencia al nivel de detalle almacenado en una tabla. Por
ejemplo, una dimensin como la fecha (con las jerarquas de ao y trimestre) tiene
granularidad en el nivel trimestral pero no tiene informacin para los das o meses
individuales. Alternativamente, una tabla de dimensiones de fecha (con las jerarquas de ao,
trimestre y mes) tiene granularidad en el nivel mensual, pero no contiene informacin en el
nivel diario.

Puede gestionar distintas granularidades de datos utilizando varias tablas de hechos (tablas
diarias, mensuales y anuales). Tambin puede utilizar una sola tabla con un distintivo de
granularidad, o una columna que indique el grano de la tabla. No obstante, no almacene datos
con distintas granularidades en la misma tabla de hechos.

Cuando identifique los granos de los objetos de datos, realice los pasos siguientes:

1. Determine la granularidad de la tabla de hechos.

2. Determine cmo gestionar varios granos independientes.
3. Determine el tipo de tabla de hechos que desea utilizar.
4. Compruebe la atomicidad de los granos.
5. Determine las dimensiones y medidas de alto nivel segn sus definiciones de grano.
6. Cree un informe de sus definiciones de grano.

Identificacin de los metadatos del grano

Durante esta fase recopilar los siguientes metadatos:

Una o ms definiciones de grano para el proceso de negocio que va a modelar

Tipo de tabla de hechos utilizada
Dimensiones y medidas preliminares de alto nivel

Determinacin de la granularidad de la tabla de hechos

El detalle de grano se basa en las conclusiones de los requisitos analizados y documentados en el Paso
1: Identificar los requisitos del proceso de negocio. Rena documentos, como facturas, recibos y
memorndums de pedido. Estos documentos con frecuencia incluyen informacin que se puede utilizar
para definir el grano. Estos documentos tambin tienen informacin que ayuda a identificar las
dimensiones y medidas de los modelos dimensionales.

El grano que elija determinar el nivel de detalle de la informacin que puede haber disponible en el
modelo dimensional.
La definicin de grano es la base de cada modelo dimensional. La definicin de grano determina el
nivel de informacin que hay disponible. Las directrices para elegir la definicin de grano incluyen las
siguientes consideraciones:

Durante la fase de recopilacin de requisitos empresariales, intente recopilar los documentos

necesarios, como formularios de facturas, formularios de pedidos y recibos de ventas.
Generalmente, estos documentos tienen asociados datos de transaccin, como el nmero de
pedido y el nmero de factura.
Con frecuencia, los documentos pueden indicarle los elementos importante del negocio, como
el cliente y los productos. Los documentos a menudo contienen informacin de nivel inferior
que puede ser necesaria para el negocio.
Otro punto importante que se debe considerar es la fecha. Es importante comprender qu
nivel de detalle est asociado con un cliente, un producto o un proveedor. La informacin de
los sistemas de origen est disponible a nivel diario, mensual o anual?

Gestin de varios granos independientes

Determine si hay varios granos asociados al proceso de negocio para el que va a disear el modelo
dimensional. Puede haber ms de una definicin de grano asociada a un solo proceso de negocio. En
estos casos, disee tablas de hechos independiente con granos independientes. No fuerce todas las
medidas en una sola tabla de hechos.

Se pueden gestionar distintas granularidades de datos utilizando varias tablas de hechos (por ejemplo,
tablas diarias, mensuales y anuales). Adems, considere la cantidad de datos, espacio y requisitos de
rendimiento cuando decida cmo gestionar varias granularidades.

Criterios para una o ms tablas de hechos

Para determinar si desea utilizar una o ms tablas de hechos, considere los siguientes
criterios:
Considere las medidas. Decida si desea agrupar las medidas en una tabla de hechos o
en distintas tablas de hechos con granos diferentes.
Hay varios sistemas de origen OLTP implicados? Cada sistema de origen est
diseado con un objetivo especfico. Si dos sistemas de origen no cumplen objetivos
diferentes, consolide los sistemas en un solo origen. Si desea mantener los sistemas
separados, cada sistema de origen deber satisfacer un requisito concreto del
negocio. Si los procesos de negocio incluyen la gestin de pedidos o el inventario de
almacn, probablemente sern necesarios sistemas de origen diferentes. En este
caso, utilice distintas tablas de hechos.
Determine si hay implicados varios procesos de negocio no relacionados. Cree tablas
de hechos independientes para los procesos de negocio no relacionados. Si un solo
proceso de negocio requiere distintos niveles de granularidad, cree distintas tablas de
hechos para gestionar esos niveles.
 Si una dimensin no es verdadera en la definicin de grano, disee una nueva tabla
de hechos con su propia definicin de grano.
Considere la temporizacin y la secuencia de los sucesos. Quiz necesite procesos
diferentes para gestionar un solo suceso. Por ejemplo, una empresa comercializa su
producto. Los clientes solicitan los productos. El departamento encargado de las
cuentas genera una factura. El cliente paga la factura. Despus de la compra, el
cliente puede devolver algunos de los productos o enviarlos a reparar. Si alguno de
los productos est fuera de garanta, este proceso requiere nuevos cargos. Varios
procesos forman parte de la secuencia de una sola compra. Cada uno de estos
procesos se realiza en momentos temporales diferentes. Cada uno de estos procesos
se gestiona utilizando tablas de hechos diferentes.

Varias granularidades en una sola tabla de hechos

Si utiliza varios granos en una tabla de hechos, aada una columna llamada distintivo de
granularidad. Esta columna indica el grano de la tabla. La columna define si la informacin se
almacena a nivel diario, semanal, mensual o anual.
Nota: Puede almacenar varios granos en una sola tabla de hechos, pero este mtodo no se
recomienda. Disee distintas tablas de hechos y esquemas de estrella para cada definicin de
grano.

Identificacin de los tipos de tablas de hechos que se pueden utilizar

Identifique el tipo de tabla de hechos implicada en el diseo del modelo dimensional. Para
obtener ms informacin sobre los tipos de tablas de hechos, consulte Tablas y entidades de
hechos.

Comprobacin de la atomicidad del grano

Revise la atomicidad (nivel de detalle) del grano para asegurarse de que est en el nivel de
mayor detalle. Esta decisin incluye la consideracin por anticipado de las necesidades futuras
con el fin de minimizar la necesidad de crear un nuevo diseo cuando cambien los requisitos
empresariales.

El grano del modelo dimensional es importante al disear el modelo dimensional. Aunque los
requisitos empresariales necesiten informacin a nivel mensual o trimestral, haga disponible esta
informacin a nivel diario. Si las dimensiones son ms detalladas (atmicas), el negocio puede
recupera informacin ms detallada.

Por ejemplo, considere una dimensin de fecha que slo tenga un atributo Year. Como slo hay
un atributo, no puede consultar la informacin a nivel trimestral, mensual o diario. Para
maximizar la informacin disponible, elija un grano atmico detallado. En este ejemplo, puede
definir el grano a nivel diario.
Por ejemplo, pongamos por caso un grano de un producto vendido en un almacn. No podr
asociar un cliente con un producto determinado que se haya adquirido porque slo hay una fila
para un producto. Si mil clientes diferentes compran el producto, no podr descubrir esa
informacin.

Siempre puede declarar granos de mayor nivel para un proceso de negocio utilizando
agregaciones de los datos ms atmicos y detallados. Sin embargo, cuando se selecciona un
grano de mayor nivel, el nmero de dimensiones se limita y puede ser menos granular. No puede
detallar ms estas dimensiones menos granulares para obtener un nivel menor de detalle.

La granularidad proporciona la oportunidad de alcanzar el equilibrio entre las cuestiones

importantes relacionadas con un depsito de datos:

El rendimiento frente al volumen de los datos (y el coste derivado de almacenar esos

datos)
La capacidad de acceder a los datos a un nivel detallado frente al rendimiento (y el coste
de almacenar y acceder a grandes volmenes de datos)
Seleccionar el nivel apropiado de granularidad afecta considerablemente el volumen de datos del
depsito de datos. Seleccionar el nivel apropiado de granularidad tambin puede determinar la
capacidad del depsito de datos para satisfacer los requisitos de consulta.

Si consideramos el espacio de disco y el volumen de datos, una mayor granularidad proporciona

una forma ms eficaz de almacenar datos que una baja granularidad. Tambin debe considerar
el espacio de disco para el ndice de los datos. Mediante el uso del ndice, ahorrar espacio de
disco. Tenga tambin en cuenta la manipulacin de grandes volmenes de datos. La
manipulacin de datos puede afectar al rendimiento a costa de ms potencia de proceso.

Siempre existen ventajas y desventajas al procesar los datos. Por ejemplo, al aumentar la
granularidad, disminuye la capacidad para responder a distintos tipos de consultas (que
requieren datos a nivel ms detallado). Si la tabla utiliza un nivel bajo de granularidad, puede
soportar las consultas que utilizan esos datos a costa del aumento del espacio de
almacenamiento y la disminucin del rendimiento.

Aunque la granularidad no afecta a la capacidad de responder a una consulta, el sistema puede

necesitar ms recursos para ejecutar la misma consulta. Supongamos que tiene dos tablas con
distintos niveles de granularidad: una tabla con detalles de transaccin y una tabla que resume
las cuentas mensualmente. Para crear un informe de cuentas mensual, puede utilizar cualquiera
de las tablas sin ninguna dependencia de la granularidad. Sin embargo, la consulta de la tabla de
transacciones detalladas es una bsqueda que abarca ms datos, lo que requiere un proceso
para calcular los resultados. La tabla de resumen de cuentas mensual requiere menos recursos.
 Cuando decida el nivel de granularidad, determine si el coste del volumen de datos compensa la
capacidad de responder a las consultas.

Identificacin de dimensiones y medidas de alto nivel

Identifique las dimensiones y medidas preliminares de alto nivel a partir de las cuales
comprender la definicin de grano. Para identificar estas dimensiones y medidas preliminares,
no se lleva a cabo ningn anlisis detallado. Cuando defina el grano correctamente, podr
encontrar fcilmente las dimensiones y medidas preliminares.

Las medidas preliminares son aquellas que se pueden identificar fcilmente consultando la
definicin de grano. Por ejemplo, las medidas como el precio unitario, la cantidad y el descuento
se identifican fcilmente viendo el grano. Sin embargo, las medidas detalladas como el coste, el
precio de fabricacin y el coste de transporte no son medidas preliminares identificadas por el
grano. Estos tipos de medidas estn ocultas y generalmente no son visibles en un informe. Las
medidas preliminares no son el conjunto final de medidas. La identificacin formal de medidas
detalladas se produce al identificar las medidas.

Estas dimensiones y medidas preliminares de alto nivel son tiles al identificar formalmente las
dimensiones.

Creacin de un informe de la fase de identificacin del grano

El informe de definicin del grano se crea para esta fase. El informe contiene una o ms
definiciones para el grano del proceso de negocio y define el tipo de tabla de hechos. El informe
tambin incluye las dimensiones y medidas preliminares de alto nivel.

Paso 3: Identificar las dimensiones

Una vez que haya determinado el grano del modelo, identifique las dimensiones verdaderas para ese
grano. Debe crear columnas, jerarquas y casos para el esquema de copo de nieve.

Al identificar tablas de dimensiones, se recopilan los siguientes metadatos:

Nombres de dimensin
Definiciones de negocio
Jerarquas
Gestin de cambios de dimensin
Frecuencia y estadsticas de carga
Estadsticas de uso
Reglas y estadsticas de archivado
Reglas y estadsticas de depuracin
 Calidad y precisin de los datos
Claves primarias y forneas y manera de generar las claves
Informacin de origen de datos
Hechos
Para definir totalmente las dimensiones del modelo dimensional, realice los pasos siguientes:

1. Identifique las dimensiones verdaderas para el grano del modelo.

2. Identifique las columnas y jerarquas dimensionales de las dimensiones.
3. Si crea dimensiones de tiempo y fecha, defina la granularidad de esas dimensiones.
4. Determine qu dimensiones cambian lentamente a lo largo del tiempo y cmo abordar esos
cambios.
5. Determine qu dimensiones (si hay alguna) deben tener estructura de copo de nieve.

Identificacin de dimensiones

Identifique las dimensiones verdaderas para el grano del modelo.

Las tablas de dimensiones contienen columnas que describen los registros de hechos en la tabla de
hechos. Algunas de estas columnas proporcionan informacin descriptiva. Otras columnas especifican
cmo se resumen los datos de la tabla de hechos para proporcionar informacin til. Las tablas de
dimensiones contienen jerarquas que ayudan a resumir los datos. Las tablas de dimensiones son ms
pequeas, tablas de bsqueda desnormalizadas que contienen columnas descriptivas a las que se
hace referencia al definir las consultas.

Para obtener ms informacin sobre las tablas, consulte Tablas y entidades de dimensiones.

Para identificar dimensiones, realice los pasos siguientes:

1. Utilice la definicin de grano para localizar posibles dimensiones.

2. Liste todas las dimensiones asociadas a este grano. Defina el nivel de detalle que desea incluir
en esa dimensin.
3. Cree claves sucedneas para las claves primarias de las dimensiones.

Identificacin de dimensiones compartidas

Identifique las dimensiones compartidas que haya disponibles, en vez de redisear las dimensiones.
Identifique si una dimensin en uso existe en el depsito de datos de empresa o modelo dimensional.

Para identificar una dimensin compartida, realice los pasos siguientes:

1. Identifique si existe una dimensin. Si la dimensin existe, debe utilizarla. Si la dimensin

existe, no identifique los atributos dimensionales de esa dimensin especfica. Comparta una
dimensin con una dimensin existente aunque la dimensin compartida slo contenga un
subconjunto de atributos de la dimensin primaria.
 2. Si la dimensin no existe, cree una dimensin que utilizar en toda la empresa. Si el modelo
dimensional requiere una dimensin que no existe, disee una nueva dimensin. Cuando
disee esta dimensin, interacte con expertos en la materia para averiguar cmo tienen
previsto utilizar la dimensin.

Identificacin de columnas y jerarquas dimensionales

Despus de identificar las dimensiones, rellene las dimensiones con columnas. Utilice las columnas
descriptivas para definir los criterios de restriccin para las consultas.

Considere los puntos siguientes cuando disee las dimensiones:

Conserve la clave del sistema origen

Utilice una entrada independiente en la tabla de dimensiones para conservar la clave del
sistema origen natural de la entidad que se va a utilizar en el sistema de origen.

Utilice claves sucedneas

Utilice una clave sucednea para la clave primaria de una dimensin. No es necesario que
analice la clave sucednea

Cree columnas descriptivas exclusivas en el modelo.

Las columnas de una dimensin reflejan las reas potenciales de inters que se pueden
utilizar para los datos agregados o para crear restricciones y notificar interrupciones.

Cree columnas que sean descriptivas y fcilmente comprensibles.

Defina columnas que puedan contener un valor NULL cuando una columna no se aplica a un
elemento especfico o se desconoce su valor.

Defina nombres de columna exclusivos en el modelo. Si tiene nombres duplicados en distintas

tablas de dimensiones, cree una distincin. Por ejemplo, si tiene mltiples columnas
denominadasCdigo de tipo de direccin, renombre una columna como Cdigo de tipo
de direccin de beneficiario y otra columna como Cdigo de tipo de direccin de
prima.

Documente correctamente todas las columnas.

Gestin de cdigos

Si utiliza cdigos en la dimensin, proporcione documentacin del cdigo. Por ejemplo, si

identifica sucursales mediante un cdigo de sucursal, en el que cada cdigo representa un
nombre de sucursal, incluya el cdigo y el nombre.
 Una vez que haya definido las columnas, puede definir las jerarquas de la dimensin.
Una jerarqua es una serie en cascada de relaciones de muchos a uno. Una jerarqua
contiene distintos niveles, y cada uno corresponde a un atributo de dimensin.

Identificacin de la granularidad de las dimensiones de fecha y hora

Identifique la granularidad de las dimensiones de fecha y hora. Las dimensiones de fecha y
hora ayudan a determinar la granularidad del modelo dimensional completo y el nivel de
informacin almacenado en el modelo. Si define un grano incorrecto en la dimensin de
fecha o de hora, es posible que omita dimensiones importantes. Por ejemplo, si disea un
modelo dimensional para un sistema de gestin de pedidos y disea el grano de la
dimensin de fecha como trimestral, es posible que pase por alto otras dimensiones (como
la de hora o empleado). Puede incluir esas otras dimensiones si el modelo define el grano
de la dimensin de datos a nivel diario.

Dimensin de fecha

Dado que todos los modelos dimensionales se basan en unidades de tiempo, cada despensa
de datos tiene una dimensin de fecha. Por ejemplo, quiz desee medir el rendimiento del
negocio transcurrido un tiempo. Un modelo dimensional puede contener varias dimensiones
de fecha.
La dimensin de fecha generalmente no tiene un sistema de origen OLTP conectado a la
dimensin. Puede desarrollar la dimensin de fecha antes de disear el modelo dimensional.
Para crear una dimensin de fecha, realice los pasos siguientes:

1. Identifique todas las columnas que necesite.

2. Utilice sentencias SQL para rellenar columnas tales como Fecha, Da, Mes y Ao de la
tabla de dimensiones de fecha. Es posible que deba introducir datos manualmente en
las columnas especiales. Por ejemplo, si realiza un seguimiento de los das no
comerciales (como las vacaciones), debe introducir Navidad o San
Esteban manualmente. Tambin debe introducir manualmente fechas como el ao,
mes y trimestre fiscal, as como los aos fiscales.
Los datos de fecha se suelen almacenar en una dimensin de datos diferente (en vez de en
una columna de fecha de una tabla de hechos) por dos razones:

Hay varios atributos de fecha que las funciones de fecha SQL no soportan. Estas
funciones incluyen los perodos fiscales, las vacaciones, las temporadas, los das de la
semana, los fines de semana y las fiestas nacionales. Cuando cree una dimensin de
fecha, puede consultar los indicadores de rendimiento del negocio a travs de varios
atributos fiscales y relacionados con fechas. Los indicadores de rendimiento no se
muestran si utiliza una columna de fecha u hora SQL en la tabla de hechos.
Es mucho ms fcil arrastrar las columnas desde una tabla de fechas en vez de
utilizar funciones SQL complejas para crear la lgica de los informes.

Dimensin de hora
En el modelado dimensional puede gestionar las horas de dos maneras:
Hora del da como una dimensin independiente
Hora del da como un hecho
Debe gestionar los datos de hora en una tabla de dimensiones pero no un hecho en la tabla
de hechos. Debe crear una dimensin de hora si tiene que dar soporte al resumen de los
periodos de tiempo en agrupaciones ms resumidas para la creacin de informes y el anlisis.
Por ejemplo, cree una dimensin de tiempo para las siguientes agrupaciones resumidas:

Horas
Agrupaciones de tiempo especficas de negocio (turnos de maana, de noche o de
ltima hora de la tarde durante los das de la semana)
Tambin debe crear una dimensin de hora si desea representar distintas jerarquas para el
tiempo que va a medir. Por ejemplo, cree distintas jerarquas para el tiempo estndar y el
tiempo militar.

Sin embargo, si no resume ni filtra los grupos de hora del da, exprese la hora como un hecho
en la tabla de hechos. En este caso, el tiempo se considera un simple hecho numrico en el
tipo de datos de indicacin de fecha y hora.

Nota: Expresar el tiempo como un hecho en la tabla de hechos dificulta el proceso de

resumen y creacin de informes si tiene que analizar los datos almacenados a lo largo de un
perodo de tiempo. Puede resumir y crear un informe de los datos fcilmente si crea una
dimensin de hora diferente.

Identificacin de dimensiones que cambian lentamente

Debe identificar las dimensiones que cambian lentamente y determinar cmo gestionar los
datos cambiantes.

Una dimensin que cambia lentamente es aquella cuyos atributos para un registro cambian
lentamente a lo largo del tiempo. Por ejemplo, es posible que necesite realizar un seguimiento
de las transferencias de empleados en la empresa.

El entorno de trabajo soporta los siguientes tipos de dimensiones que cambian lentamente:

Tipo 0

No se realizan cambios en la dimensin.

Tipo 1

Nuevos datos sobrescriben los datos antiguos. No se hace un seguimiento de los cambios
histricos.

Tipo 2
Con este mtodo, se crean dos entradas distintas. El registro original y el nuevo registro estn
disponibles en la tabla. La nueva fila obtiene su propia clave primaria (clave sucednea).

Tipo 4

Se crean tablas distintas para almacenar algunos o todos los datos histricos. Slo una tabla
contiene los datos actuales, y cuando se producen actualizaciones, los datos antiguos se
desplazan a la tabla histrica.

Tipo 6

Se combina el tipo 1, el tipo 2 y el tipo 3 (almacenar datos en columnas distintas de la misma

tablas). Generalmente, los datos antiguos se desplazan a registros y columnas diferentes, y
los nuevos datos se colocan en los registros originales.

Identificacin de casos para dimensiones de copo de nieve

Un diseo de esquema de copo de nieve se crea si las tablas de dimensiones se normalizan y

expanden en un esquema de estrella. Una tabla de dimensiones tiene estructura de copo de
nieve cuando los atributos de baja cardinalidad de la dimensin se han colocado en tablas
normalizadas diferentes y estas tablas normalizadas se vuelven a unir a la tabla de
dimensiones original.

Nota: La estructura de copo de nieve en el entorno del modelo dimensional no se

recomienda. La estructura de copo de nieve dificulta la comprensin del modelo dimensional.
La estructura de copo de nieve tambin puede reducir el rendimiento, ya que es necesario
unir ms tablas.

Slo debe crear una estructura de copo de nieve en una dimensin de un modelo dimensional
en dos casos:

La tabla de dimensiones contiene dos o ms conjuntos de atributos que definen

informacin en distintos granos.
Los conjuntos de atributos de la misma tabla de dimensiones se rellenan a travs de
distintos sistemas de origen.
No cree estructuras de copo de nieve en jerarquas de una tabla de dimensiones en tablas
distintas. Las jerarquas deben pertenecer nicamente a la tabla de dimensiones. No cree una
estructura de copo de nieve en las jerarquas. Varias jerarquas pueden pertenecer a la misma
dimensin si esta se ha diseado con el nivel de detalle ms bajo.

Si las jerarquas estn divididas en tablas distintas, el rendimiento resultar afectado, ya que
son necesarias ms uniones. En algunas situaciones, puede crear una estructura de copo de
nieve en las jerarquas de una tabla principal. Cuando utilice un agregado de la tabla de
hechos, utilice slo dimensiones de copo de nieve con las jerarquas para evitar uniones en
grandes tablas de dimensiones. Por ejemplo, si tiene informacin de marca que desea separar
 de una tabla de dimensiones de producto, cree una dimensin de copo de nieve Marca que
contenga una sola fila para cada marca utilizando menos filas que en la tabla de dimensiones
Producto.

Nota: Si utiliza demasiadas tablas en un esquema de copo de nieve, el diseo puede resultar
demasiado complejo. El modelado dimensional tiene como objeto crear un modelo simple,
fcil de entender. Si tiene ms tablas, debe crear ms uniones. El rendimiento disminuye al
crear ms uniones.

Paso 4: Identificar las medidas

Durante este paso del ciclo de diseo de modelo dimensional, identificar las medidas y el tipo de
medidas incluidas en el modelo dimensional.

Al definir las medidas, se recopilan los siguientes metadatos:

Nombre de tabla de hechos

Alias
Grano
Definicin de negocio
Frecuencia y estadsticas de carga
Estadsticas de uso
Cmo gestionar los datos archivados
Cmo y cundo depurar los datos
Calidad y precisin de los datos
Grano de dimensiones de fecha y hora
Claves y cmo se generan las claves
Informacin de origen de datos
Medidas
Dimensiones
Informacin de contacto del propietario de la tabla
Cuando identifique las medidas del modelo dimensional, realice los pasos siguientes:

1. Identifique las medidas verdaderas para el grano de la tabla.

2. Identifique los tipos de medidas del modelo.
3. Si no es una tabla de hechos que agregue totales anuales, asegrese de que no se incluyan
medidas de ao a fecha en la tabla.
4. Si es una tabla de hechos basada en sucesos, determine cmo gestionar los sucesos.
5. Pronostique el crecimiento de la tabla de hechos.
Identificacin de medidas verdaderas para el grano
Cuando disee las medidas de un modelo, identifique las medidas verdaderas para el grano de cada
nivel del modelo. Cuando haya identificado el grano del modelo dimensional, habr identificado las
medidas preliminares. Puede determinar otras medidas detalladas consultando la definicin de grano.
Por ejemplo, si tiene medidas detalladas, como el coste por producto individual o el coste del trabajo
de fabricacin por producto, identifique todas las medidas restantes del modelo.

Identificacin de tipos de medidas

Determine qu tipos de medidas se utilizan en el modelo dimensional. Cada medida de una tabla de
hechos debe tener una regla de agregacin (o derivacin) por omisin.

Determinacin de cmo gestionar medidas de ao a fecha

Las medidas de ao a fecha son valores numricos que constan de un total agregado desde el inicio
del ao a la fecha actual. Debe asegurarse de que dichas medidas no se incluyan en una tabla de
hechos con los elementos de lnea de nivel atmico.

Supongamos que una tabla de hechos almacena datos de ventas para el ao 2005. Las ventas de cada
mes son aditivas, y aade las ventas para crear totales de ao a fecha. Si crea un hecho de ao a
fecha, como por ejemplo Sales_$$_Year_To_Date, cuando consulte este hecho en agosto de 2005
obtendr la suma de todas las ventas hasta agosto de 2005.

Los modeladores dimensionales pueden incluir medidas agregadas de ao a fecha en la tabla de

hechos con el fin de mejorar el rendimiento y tambin reducir las complejidades cuando se formen
consultas de ao a fecha. Sin embargo, para evitar confusin, calcule estas medidas en la aplicacin
del informe.

Gestione las medidas de ao a fecha con los mtodos siguientes:

Aplicaciones basadas en OLAP

Funciones SQL en vistas o procedimientos almacenados

Determinacin de cmo gestionar sucesos

Si es una tabla de hechos basada en sucesos, debe determinar cmo gestionar los sucesos.

Las tablas de hechos basadas en sucesos se utilizan para registrar sucesos, como las visitas a pginas
web y la asistencia de empleados o alumnos. Los sucesos no siempre se convierten en medidas. Si
gestiona escenarios basados en sucesos en los que no hay medidas, utilice las tablas de hechos
basadas en sucesos que constan de seudohechos o de hechos sin hechos.

Tenga en cuenta las siguientes consideraciones asociadas a una tabla de hechos basada en sucesos:
 Las tablas de hechos basadas en sucesos generalmente tienen seudohechos o no tienen
ningn hecho.
Utilice seudohechos para realizar operaciones de recuento.
Una tabla de sucesos de hechos sin hechos slo tiene claves forneas, no hechos. Utilice las
claves forneas para realizar operaciones de recuento.

Pronstico del crecimiento de las tablas de hechos

Pronostique el tamao y el crecimiento de una tabla de hechos para determinar cmo puede ajustar el
rendimiento del modelo dimensional.

Puede calcular el tamao y el crecimiento de la tabla de hechos realizando uno de los pasos
siguientes:

Comprender el negocio

Por ejemplo, supongamos que el negocio de ventas al por menor genera unos ingresos brutos
de 100 millones de dlares americanos. Supongamos tambin que el precio medio de un
elemento de lnea es de 2 dlares americanos. Para calcular la cantidad de elementos de lnea
que necesita, divida los ingresos brutos por el precio medio de un elemento de lnea:

100000000 / 2 = 50000000 filas

Por lo tanto, 50 millones de filas se insertan en el esquema de estrella para el proceso de

negocio de ventas al por menor de este grano.

Realice el clculo desde una perspectiva tcnica

Determine el tamao de las claves forneas, dimensiones degeneradas y medidas. Multiplique estas
columnas por el nmero mximo de filas que se puedan insertar, suponiendo que todos los productos
se venden en todos los almacenes cada da. Por ejemplo, en el proceso de negocio de ventas al por
menor, realice los pasos siguientes:
1. Calcule el nmero de filas que hay en cada una de las dimensiones:

Dimensin de hora: 4 filas

Dimensin de fecha: 365 filas durante 1 ao
Dimensin de producto: 100 filas (100 productos)
Dimensiones de almacn: 2 filas (2 almacenes)
Dimensin de cliente: 1000000 clientes
Dimensin de proveedor: 50 proveedores

Dimensin de empleado: 10 empleados

 2. Calcule el nivel base de los registros de hechos multiplicando el nmero de filas de cada
dimensin. Utilice los nmeros que haya obtenido en el paso anterior:

4 * 365 * 100 * 2 * 1000000 * 50 * 10 = 730000000 filas

Nota: Este nmero puede ser mayor de lo que espera. El nmero slo se aplica si cada empleado de
cada almacn vende cada producto a cada cliente.

3. Calcule el crecimiento mximo del tamao de tabla de hechos:

Nmero de claves forneas: 8

Nmero de dimensiones degeneradas: 1
Nmero de medidas: 8

Supongamos que la tabla de hechos ocupa 4 bytes para una columna ENTEROS, y calcule el tamao
de una sola fila:

(8 + 1 + 8) * 4 bytes = 68 bytes

Calcule el crecimiento mximo de los datos para un solo ao del modelo dimensional:

730000000 filas * 68 bytes = 45 GB

Fase de prueba: Verificacin del modelo

Durante esta fase se prueba el modelo dimensional para ver si cumple los requisitos empresariales.

Durante esta fase el modelo dimensional no contiene datos. Debe comprobar si el modelo dimensional
responde a todas las preguntas planteadas durante la fase de recopilacin de requisitos.

Para verificar el modelo, debe trabajar con los analistas de negocio que escriben los informes. Si los
analistas pueden crear informes a partir del modelo dimensional, el modelo ser vlido. Si faltan
atributos, adalos al modelo y vuelva a revalidar el modelo.

Confirme los requisitos de la gestin de cambios de datos histricos. Si necesita conservar datos
histricos, verifique que los datos se conserven de la forma requerida por el proceso de negocio.
Utilice el entorno de trabajo para verificar el modelo de datos. Ejecute el asistente Analizar
modelo para verificar el modelo dimensional. El entorno de trabajo verifica la aplicacin de las reglas
de modelado dimensional estndar para que el modelo de datos sea vlido y funcione bien.

Una vez que haya verificado el modelo dimensional, disee la base de datos fsica. Desarrolle
estrategias para gestionar la agregacin, agregue la navegacin, el indexado y el particionamiento de
los datos al modelo dimensional.

Cuando disee la base de datos fsica, recopile los siguientes metadatos:

Informacin de agregacin, incluida la siguiente informacin:

o Nmero de tablas de agregacin
o Frecuencia y estadsticas de carga
o Estadsticas de uso
o Reglas y estadsticas de archivado
o Reglas y estadsticas de depuracin
o Calidad y precisin de los datos
Estrategias de indexado para tablas de dimensiones y hechos
Cuando cree el diseo fsico de un modelo dimensional, realice los pasos siguientes:

1. Disee las agregaciones de cada una de las tablas de hechos.

2. Cree ndices para mejorar el rendimiento.
3. Particiones las tablas en el modelo.

Diseo de agregaciones

En trminos simples, la agregacin es el proceso que consiste en calcular datos de resumen de los
registros de tablas de hechos de nivel base detallados. Los agregados son una potente herramienta
que permite aumentar la velocidad de proceso de consultas en las despensas de datos dimensionales.
La agregacin se realiza generalmente utilizando atributos de una dimensin que forman parte de una
jerarqua.

Cada atributo que pertenece a una jerarqua se asocia como padre o hijo a otros atributos de la
jerarqua. Esta relacin padre-hijo proporciona distintos niveles de resumen. Los distintos niveles de
resumen proporcionan al usuario de negocio la capacidad de detallar menos o detallar ms el informe.
Los datos altamente agregados se recuperan ms rpidamente que los datos detallados de nivel
atmico. La tabla de hechos generalmente ocupa un gran volumen de espacio cuando se compara con
los datos de agregacin.

El nivel ms bajo de agregacin (o el nivel ms alto de detalle) aparece mencionado como el grano de
la tabla de hechos. La granularidad de la dimensin afecta al diseo del almacenamiento de datos y a
cmo se recuperan los datos.
La agregacin de tablas de hechos atmicas detalladas aumenta el rendimiento de las consultas. Sin
embargo, la agregacin tiene costes asociados:

Almacenamiento
Coste para crear y mantener los procesos para gestionar las tablas agregadas

La agregacin no es un sustituto de la reduccin del tamao de las tablas de hechos grandes y

detalladas. Si los datos de la tabla de hechos estn resumidos, la informacin detallada que est en
forma de dimensiones y medidas se pierde con frecuencia. Si el negocio necesita datos detallados de
una tabla de hechos resumidos, dichos datos no estarn disponibles. El usuario deber buscar los
detalles en el sistema OLTP de origen que ha proporcionado los datos de la tabla de hechos
agregados. Si el negocio debe utilizar los sistemas OLTP de origen para obtener las respuestas, vuelva
a evaluar la necesidad de disponer de un modelo dimensional.

Evite mezclar datos agregados y datos detallados incluyendo medidas agregadas de ao a fecha con
las medidas detalladas. Las medidas de ao a fecha son aditivas, y si mezcla los tipos de datos
pueden producirse errores de clculo.

Para preparar tablas de agregacin, realice los pasos siguientes:

1. Identifique todas las dimensiones y sus jerarquas en el modelo dimensional atmico de nivel
base. Estas dimensiones y jerarquas se identifican en el modelo dimensional atmico de nivel
base.
2. Identifique todas las combinaciones posibles de estos atributos de jerarqua que el negocio
utiliza para crear informes. Identifique todos los atributos de las jerarquas para determinar
qu atributos se utilizan juntos con frecuencia. Este paso es especialmente importante si hay
un nmero enorme de dimensiones con varias jerarquas que contienen varios atributos.
3. Calcule el nmero de valores que tiene cada atributo. El nmero de valores que tiene cada
atributo indica si el atributo se ha agregado. Por ejemplo, si incluye un miembro de bajo nivel
que tiene muchos miembros, puede descartar ese atributo y elegir un atributo de mayor nivel,
que tendr menos valores.
4. Valide el conjunto final de atributos candidatos y cree el modelo dimensional agregado.

Creacin de ndices
Puede mejorar el rendimiento de las consultas creando ndices. Para obtener ms informacin sobre
los ndices, consulte ndices.

Tablas de particiones

Cuando se particin a una tabla, se divide por fila, por columna o por ambas cosas. Si una tabla se
divide por columna, estar particionada verticalmente. Si se divide por fila, estar particionada
horizontalmente. La particin de grandes tablas de hechos mejora el rendimiento, ya que cada
particin es ms manejable. Particiones una tabla segn la dimensin de fecha de transaccin de un
modelo dimensional. Por ejemplo, si una enorme tabla de hechos tiene miles de millones de filas, sera
ideal asignar a los datos de cada mes su propia particin.

Conseguir varios objetivos si particiona los datos en un depsito de datos, incluidos los siguientes
objetivos:

Proporcionar acceso flexible a los datos

Proporcionar servicios de gestin de datos fciles y eficaces
Garantizar la escalabilidad del depsito de datos
Habilitar la portabilidad de los elementos del almacn de datos, lo que permite compartir esos
elementos en distintos depsitos de datos o archivarlos fcilmente.
Mejorar los tiempos de respuesta de las consultas
Facilitar an ms el mantenimiento, ya que las particiones son ms fciles de mantener que
las grandes tablas

Para trabajar con modelos dimensionales, debe comprender los conceptos del diseo de esquema
dimensional, trminos como esquema de estrella y esquema de copo de nieve, y la relacin entre la
estructura de base de datos y las jerarquas de modelado dimensional.