Descripción de datamarts

En este artículo se describen y se explican conceptos importantes sobre datamarts.

Descripción del modelo semántico (valor predeterminado)

Los datamarts ofrecen una capa semántica que se genera y se sincroniza de forma automática con el contenido de las tablas de datamart, su estructura y los datos subyacentes, Esta capa se proporciona en un modelo semántico generado automáticamente. Esta generación y sincronización automáticas le permiten describir mejor el dominio de los datos con elementos como jerarquías, nombres descriptivos y descripciones. También puede establecer el formato específico de los requisitos de configuración regional o empresarial. Con los datamarts puede crear medidas y métricas estandarizadas para los informes. Power BI (y otras herramientas de cliente) pueden crear objetos visuales y proporcionar resultados para estos cálculos en función de los datos en contexto.

El modelo semántico de Power BI predeterminado creado a partir de un datamart elimina la necesidad de conectarse a un modelo semántico independiente, de configurar programaciones de actualización y de administrar varios elementos de datos. En su lugar, puede compilar la lógica de negocios en un datamart y los datos estarán disponibles de forma inmediata en Power BI, lo que permite lo siguiente:

• Acceso a datos del datamart a través del centro de modelos semánticos.
• Funcionalidad para analizar en Excel
• Capacidad de crear informes en el servicio Power BI de forma rápida
• Elimina la necesidad actualizar o sincronizar los datos y de comprender los detalles de la conexión
• Compilación de soluciones en la Web sin necesidad de usar Power BI Desktop

Durante la versión preliminar, la conectividad de los modelos semánticos predeterminados solo está disponible con DirectQuery. En la imagen siguiente se muestra cómo los datamarts se ajustan al proceso en su conjunto, empezando por la conexión a los datos hasta la creación de los informes.

Los modelos semánticos predeterminados se diferencian de los modelos semánticos tradicionales de Power BI de las siguientes maneras:

• El punto de conexión XMLA admite operaciones de solo lectura y los usuarios no pueden editar el modelo semántico directamente. Con el permiso de solo lectura XMLA, puede consultar los datos en una ventana de consulta.
• Los modelos semánticos predeterminados no tienen configuración del origen de datos y los usuarios no necesitan escribir las credenciales. En su lugar, utilizan el inicio de sesión único (SSO) automático para las consultas.
• Para las operaciones de actualización, los modelos semánticos usan las credenciales de autor del modelo semántico para conectarse al punto de conexión de SQL del datamart administrado.

Con Power BI Desktop, los usuarios pueden crear modelos compuestos, lo que le permite conectarse al modelo semántico del datamart y realizar las operaciones siguientes:

• Selección de las tablas específicas que se van a analizar
• Adición de más orígenes de datos

Por último, si no quiere usar el modelo semántico predeterminado directamente, puede conectarse al punto de conexión SQL del datamart. Para obtener más información, consulte Creación de informes mediante datamarts.

Descripción de lo que se encuentra en el modelo semántico predeterminado

Actualmente, las tablas del datamart se agregan automáticamente al modelo semántico predeterminado. Los usuarios también pueden seleccionar manualmente tablas o vistas del datamart que quieren incluir en el modelo para obtener más flexibilidad. Los objetos que se encuentran en el modelo semántico predeterminado se crearán como un diseño en la vista de modelo.

La sincronización en segundo plano que incluye objetos (tablas y vistas) esperará a que el modelo semántico de bajada no esté en uso para actualizar el modelo semántico, lo que respeta la obsolescencia limitada. Los usuarios siempre pueden elegir manualmente las tablas que quieren o no quieren en el modelo semántico.

Descripción de la actualización incremental y los datamarts

Con el editor del datamart, puede crear y modificar una actualización incremental de los datos, similar a la actualización incremental de los flujos de datos y los modelos semánticos. La actualización incremental amplía las operaciones de actualización programada al proporcionar la creación y administración automatizadas de particiones para las tablas de datamart que cargan datos nuevos y actualizados con frecuencia.

Para la mayoría de datamarts, la actualización incremental implicará a una o varias tablas que contienen datos de transacción que cambian con frecuencia y pueden crecer exponencialmente, como una tabla de hechos en un esquema de base de datos relacional o de estrella. El uso de una directiva de actualización incremental para crear particiones de la tabla y actualizar solo las particiones de importación más recientes puede reducir significativamente la cantidad de datos que debe actualizarse.

La actualización incremental y los datos en tiempo real para datamarts ofrecen las ventajas siguientes:

• Menos ciclos de actualización para los datos que cambian rápidamente
• Las actualizaciones son más rápidas
• Las actualizaciones son más confiables
• El consumo de recursos es menor
• Permiten crear datamarts de gran tamaño
• Fácil de configurar.

Reconocimiento del almacenamiento en caché automático

El almacenamiento en caché automático permite la importación automática de los datos subyacentes para el modelo semántico predeterminado, por lo que no es necesario administrar ni organizar el modo de almacenamiento. El modo de importación del modelo semántico predeterminado proporciona aceleración del rendimiento para el modelo semántico del datamart mediante el motor Vertipaq rápido. Mediante el almacenamiento en caché automático, Power BI cambia el modo de almacenamiento del modelo para importar, que usa el motor en memoria en Power BI y Analysis Services.

El almacenamiento en caché automático funciona de la siguiente manera: después de cada actualización, el modo de almacenamiento del modelo semántico predeterminado se cambia a DirectQuery. El almacenamiento en caché proactivo crea un modelo de importación en paralelo de forma asincrónica y se administra mediante Datamart y no afecta a la disponibilidad ni al rendimiento de Datamart. Las consultas que entren después de que se complete el modelo semántico predeterminado usarán el modelo de importación.

La generación automática del modelo de importación se produce en aproximadamente 10 minutos después de que no se detecten cambios en Datamart. El modelo semántico de importación cambia de las siguientes maneras:

• Actualizaciones
• Orígenes de datos nuevos
• Cambios de esquema:
  • Orígenes de datos nuevos
  • Novedades pasos de preparación de datos en Power Query Online
• Cualquier actualización de modelado, como:
  • Medidas
  • Jerarquías
  • Descripciones

Procedimientos recomendados para el almacenamiento en caché automático

Use las canalizaciones de implementación para los cambios para garantizar el mejor rendimiento y para asegurarse de que los usuarios usan el modelo de importación. El uso de canalizaciones de implementación ya es un procedimiento recomendado para compilar Datamarts, pero, al hacerlo, se asegura de aprovechar el almacenamiento en caché proactivo con más frecuencia.

Consideraciones y limitaciones para el almacenamiento en caché automático

• Actualmente, Power BI limita la duración de las operaciones de almacenamiento en caché a 10 minutos.
• Las restricciones de unicidad o no null para columnas concretas se aplicarán en el modelo de importación y se producirá un error en la compilación de la memoria caché si los datos no se ajustan.

Contenido relacionado

En este artículo se proporciona información general para comprender los conceptos importantes de los elementos datamart.

En los artículos siguientes encontrará más información sobre los datamarts y Power BI:

• Introducción a datamarts
• Comenzar con datamarts
• Análisis de datamarts
• Creación de informes mediante datamarts
• Control del acceso a datamarts
• Administración de datamarts

Para más información sobre los flujos de datos y la transformación de datos, consulte los artículos siguientes:

• Introducción a los flujos de datos y la preparación de datos de autoservicio
• Tutorial: Dar forma a los datos y combinarlos en Power BI Desktop