1. Formatos de datos

Hoy es más fácil y barato recopilar y almacenar información. Los datos bien gestionados y analizados generan valor y mejoran la toma de decisiones.

Los datos se organizan en entidades (objetos del mundo real, p. ej. un cliente) que tienen atributos (características, p. ej. nombre o correo).

Clasificación según su estructura

• Estructurados: esquema fijo; todas las instancias tienen los mismos campos. Tablas con filas y columnas. Ej.: tabla de clientes en una BD relacional.
• Semiestructurados: tienen estructura, pero puede variar entre instancias (campos opcionales, listas, objetos anidados). Formato jerárquico. Ej.: JSON.
• No estructurados: sin estructura definida. Ej.: documentos, imágenes, audio, video, binarios.

2. Almacenamiento de archivos

Cada vez se usa más el almacenamiento en la nube. El formato elegido depende de:

• El tipo de datos (estructurados, semi o no estructurados).
• Las aplicaciones y servicios que leerán, escribirán y procesarán los datos.
• Si deben ser legibles por personas o si se necesita optimizar almacenamiento y procesamiento.

Formatos comunes

• Texto delimitado: datos tabulares separados por un delimitador. Los más comunes: CSV (comas) y TSV (tabulaciones).
• JSON (JavaScript Object Notation): ligero y legible; esquema jerárquico de objetos con atributos. Ideal para intercambio entre aplicaciones y sistemas distribuidos.
• XML (Extensible Markup Language): usa etiquetas para elementos y atributos. Popular en los 90 y 2000; hoy desplazado en gran parte por JSON, aún presente en sistemas legacy.
• BLOB (Binary Large Object): todo archivo se guarda como binario, pero el término se usa para imágenes, audio, video y archivos propios de aplicaciones.

Formatos optimizados

• Avro: orientado a filas (Apache). Encabezado JSON con el esquema; datos en binario por bloques de registros. Bueno para serializar y transmitir.
• ORC (Optimized Row Columnar): columnar, creado por Hortonworks para optimizar lecturas y escrituras en Apache Hive.
• Parquet: columnar (Apache). Agrupa datos por columna: compresión eficiente y lectura solo de las columnas necesarias. Estándar de los lakehouses.
• Delta Lake: no es un formato nuevo, es una capa de tablas sobre Parquet con un registro de transacciones (log). Permite ACID, control de versiones y actualizaciones confiables sobre un data lake. Creado por Databricks, código abierto.

3. Bases de datos

Una base de datos es un sistema central donde se almacenan y consultan datos.

Cuatro tipos NoSQL

• Clave-valor: clave única + valor en cualquier formato.
• Documentos: clave-valor donde el valor es un documento (normalmente JSON) consultable por sus campos.
• Familias de columnas: filas y columnas, con columnas agrupadas en familias relacionadas.
• Grafos: entidades como nodos y relaciones como aristas. Ideales cuando importan las relaciones (redes sociales).

4. Procesamiento transaccional (OLTP)

Un sistema transaccional registra transacciones: eventos concretos que la organización quiere rastrear (ventas, pagos, inventario...). Se conoce como OLTP (Online Transaction Processing).

• Bases optimizadas para lecturas y escrituras rápidas de registros individuales (CRUD: crear, leer, actualizar, eliminar).
• Integridad y consistencia mediante las propiedades ACID (ver glosario).
• Cargas operativas: muchas transacciones pequeñas, concurrentes y de alta disponibilidad.

5. Procesamiento analítico

Trabaja con grandes volúmenes de datos históricos para obtener métricas e información de negocio. Sistemas de solo lectura (o lectura mayoritaria).

Arquitectura típica

1. Ingesta: datos operativos (OLTP) a un data lake mediante:
   • ETL: extraer → transformar → cargar.
   • ELT: extraer → cargar → transformar (habitual en lakehouses).
2. Modelado en tablas: en un lakehouse (tablas sobre archivos del lago) o en un data warehouse (motor SQL relacional).
3. Agregación: modelo OLAP, hoy modelo semántico (antes "cubo"). Las medidas de las tablas de hechos se calculan por dimensiones. Ej.: ventas por fecha, cliente y producto. Ejemplo más común: modelos semánticos de Power BI.
4. Consumo: informes, visualizaciones y paneles.

Componentes

• Data lake: grandes volúmenes de archivos en su formato original.
• Data warehouse: esquema relacional optimizado para lecturas. Puede requerir desnormalizar datos del origen OLTP (duplicados a propósito para consultas más rápidas).
• Data lakehouse: almacenamiento flexible del lake + consultas relacionales del warehouse.
• Modelo OLAP / semántico: datos preagregados por dimensiones y niveles jerárquicos (región → ciudad → dirección); consultas de resumen muy rápidas.

Quién usa cada capa

• Científicos de datos: archivos del data lake, para explorar y crear modelos.
• Analistas de datos: tablas del data warehouse, para informes y visualizaciones complejas.
• Usuarios de negocio: datos preagregados del modelo semántico en informes y paneles.

Plataformas de análisis en Azure

• Microsoft Fabric: SaaS unificada: almacenamiento, ingeniería, data warehouse e informes en un área de trabajo.
• Azure Databricks: ingeniería y ciencia de datos a gran escala; usa Delta Lake.
• Microsoft Purview: gobernanza, seguridad y cumplimiento de datos en todos los orígenes.
• Fabric y Databricks incluyen Copilot para explorar datos en lenguaje natural.

Glosario · Módulo 1

Datos

Colección de hechos (números, textos, imágenes...) que registran información.

Entidad / Atributo

Algo del mundo real representado con datos (cliente) / una de sus características (nombre).

Almacén de datos (data store)

Cualquier sistema que guarda datos: almacenes de archivos y bases de datos.

No confundir "almacén de datos" (data store) con "almacenamiento de datos" (data warehouse).

ACID

Atomicidad: se ejecuta completa o no se ejecuta.
Consistencia: de un estado válido a otro válido.
Aislamiento: transacciones concurrentes no interfieren.
Durabilidad: tras el commit, persiste aunque el sistema falle.

OLTP

Muchas transacciones pequeñas en tiempo real; optimizado para lectura y escritura.

OLAP

Datos preagregados por dimensiones; optimizado para consultas analíticas.

ETL / ELT

Extraer, transformar y cargar / extraer, cargar y transformar en el destino.

Data lake

Repositorio de archivos en formato original (cualquier tipo de dato), a gran escala y bajo costo.

Data warehouse

BD relacional optimizada para lecturas y análisis de datos históricos.

Data lakehouse

Almacenamiento del data lake + consultas relacionales del warehouse.

Modelo semántico

Nombre actual del modelo OLAP (antes "cubo").

Tabla de hechos / dimensiones

Medidas numéricas (ventas) / entidades para agrupar o filtrar (fecha, cliente, producto).

1. Roles de trabajo

Hay roles orientados al negocio, a la ingeniería, a la investigación e híbridos. Cada organización puede nombrarlos distinto y una persona puede desempeñar varios.

Ej.: como DBA aprovisiona una BD transaccional y, como ingeniero de datos, crea la canalización que copia esos datos a un data warehouse.

2. Servicios de datos en Azure

No hace falta memorizarlos todos: lo importante es saber qué tipo de herramienta es cada uno y qué rol la usa.

Modelos de entrega en la nube

• IaaS: Microsoft da la VM; tú administras SO y software.
• PaaS: Microsoft administra infraestructura (servidores, parches, respaldos); tú te centras en datos y app.
• SaaS: producto completo listo para usar por internet.

DBA Administrador de BD · ING Ingeniero de datos · ANA Analista · IA Ingeniero de IA · DEV Desarrollador

Referencia rápida: ¿qué servicio uso?

Glosario · Módulo 2

IaaS / PaaS / SaaS

Modelos de entrega en la nube, de más a menos administración por parte del cliente.

Aplicación de línea de negocio (LOB)

App crítica para la operación diaria (ventas, facturación, inventario).

Canalización (pipeline)

Proceso automatizado que mueve y transforma datos de un origen a un destino.

Streaming

Datos que llegan de forma continua y se procesan en tiempo real.

Telemetría

Datos periódicos de dispositivos o sistemas, con marca de tiempo (sensores IoT).

Espacio de nombres jerárquico

Organización de blobs en carpetas; convierte un blob storage en data lake.

OneLake

Capa de almacenamiento única y compartida de Microsoft Fabric.

Apache Spark

Motor de procesamiento distribuido de grandes volúmenes; base de Databricks.

Cuaderno (notebook)

Documento interactivo que combina código, resultados y texto.

DAX

Data Analysis Expressions: lenguaje de fórmulas para medidas en Power BI.

LLM

Large Language Model: IA entrenada con mucho texto para comprender y generar lenguaje humano.

Gobernanza de datos

Políticas y controles para que los datos sean seguros, de calidad y bien usados.

Linaje de datos

Rastro del origen de un dato y de todas sus transformaciones.

1. Datos relacionales

• Las entidades del mundo real (objetos y eventos importantes) se modelan como tablas. Ej. tienda: clientes, productos, pedidos y líneas de pedido.
• Cada fila es una sola instancia de la entidad (un cliente, un producto, un pedido).
• Son datos estructurados: todas las filas tienen las mismas columnas.
• Una columna puede quedar vacía: valor NULL. Ej.: MiddleName de un cliente sin segundo nombre.

Tipos de datos

Cada columna guarda un tipo de dato específico:

• Texto (longitud fija o variable): Email
• Decimal: Price
• Entero: Quantity
• Fecha y hora: OrderDate

Los tipos disponibles dependen del sistema, pero la mayoría admite los tipos estándar de ANSI.

2. Normalización

Proceso de diseño del esquema que minimiza la duplicación y asegura la integridad de los datos. Definición práctica:

1. Cada entidad en su propia tabla.
2. Cada atributo discreto en su propia columna.
3. Cada fila identificada con una clave principal (PK).
4. Entidades relacionadas vinculadas con claves foráneas (FK).

Antes: hoja de cálculo sin normalizar

Problemas: cliente y producto se repiten en cada línea; calle y ciudad están en la misma celda.

Después: esquema normalizado

3. SQL (Structured Query Language)

• Lenguaje estándar para comunicarse con bases de datos relacionales: consultar, insertar, actualizar, etc.
• Lo usan SQL Server, Azure SQL Database, SQL Managed Instance, SQL Server en VM, MySQL, PostgreSQL y Oracle.
• Estandarizado por ANSI (1986) e ISO (1987); ampliado varias veces desde entonces.
• Cada proveedor agrega extensiones propietarias (seguridad, procedimientos almacenados, desencadenadores, cuentas de usuario), de ahí los dialectos.

Dialectos populares

Si trabajarás con un solo sistema, conviene aprender su dialecto. Azure SQL Database incluye IA para escribir y entender consultas en lenguaje natural.

Tipos de instrucciones SQL

DDL Lenguaje de definición de datos

Ejemplo: crear una tabla

CREATE TABLE Product
(
    ID    INT PRIMARY KEY,
    Name  VARCHAR(20) NOT NULL,
    Price DECIMAL NULL
);

• PRIMARY KEY: identifica cada fila. Toda tabla debería tener una, aunque SQL no lo exige.
• NOT NULL: columna obligatoria. Sin esa cláusula, la columna puede quedar vacía (NULL).
• Tipos comunes: INT (entero), DECIMAL (decimal), VARCHAR (texto de longitud variable). Varían según el sistema.

DCL Lenguaje de control de datos

Lo usan sobre todo los DBA para administrar el acceso a los objetos.

GRANT SELECT, INSERT, UPDATE
ON Product
TO user1;

user1 puede leer, insertar y modificar datos en Product.

DML Lenguaje de manipulación de datos

Por defecto, SELECT, UPDATE y DELETE afectan a todas las filas. La cláusula WHERE limita las filas afectadas.

SELECT: consultar

-- Todas las columnas (*) de clientes de Seattle
SELECT *
FROM Customer
WHERE City = 'Seattle';

-- Solo algunas columnas, ordenadas
SELECT FirstName, LastName, Address, City
FROM Customer
WHERE City = 'Seattle'
ORDER BY LastName;

Sin ORDER BY, las filas no salen en ningún orden garantizado.

JOIN: combinar tablas

SELECT o.OrderNo, o.OrderDate, c.Address, c.City
FROM Order AS o
JOIN Customer AS c
ON o.Customer = c.ID;

• La condición del JOIN suele emparejar una FK con su PK.
• o y c son alias de tabla para abreviar.

UPDATE: modificar

UPDATE Customer
SET Address = '123 High St.'
WHERE ID = 1;

Solo cambia la fila con ID = 1; las demás quedan igual.

DELETE: eliminar

DELETE FROM Product
WHERE ID = 162;

INSERT: insertar

INSERT INTO Product(ID, Name, Price)
VALUES (99, 'Drill', 4.99);

• Se indican la tabla y las columnas (INTO) y los valores (VALUES).
• El SQL estándar inserta una fila a la vez; algunos dialectos permiten varias listas de VALUES.

Para profundizar: ruta "Introducción a las consultas con Transact-SQL" en Microsoft Learn.

4. Objetos de base de datos

Además de tablas, una BD relacional tiene estructuras que organizan los datos, encapsulan acciones y aceleran el acceso.

CREATE VIEW Deliveries
AS
SELECT o.OrderNo, o.OrderDate,
       c.FirstName, c.LastName,
       c.Address, c.City
FROM Order AS o JOIN Customer AS c
ON o.Customer = c.ID;

SELECT OrderNo, OrderDate, LastName, Address
FROM Deliveries
WHERE City = 'Seattle';

CREATE PROCEDURE RenameProduct
    @ProductID INT,
    @NewName   VARCHAR(20)
AS
UPDATE Product
SET Name = @NewName
WHERE ID = @ProductID;

EXEC RenameProduct 201, 'Spanner';

CREATE INDEX idx_ProductName
ON Product(Name);

Comparación rápida

Glosario · Módulo 1

RDBMS

Sistema de administración de bases de datos relacionales (SQL Server, MySQL, PostgreSQL, Oracle).

Tabla / fila / columna

Entidad / una instancia de la entidad / un atributo con un tipo de dato.

NULL

Ausencia de valor en una columna.

Normalización

Diseño del esquema que minimiza la duplicación y asegura la integridad.

Clave principal (PK)

Columna(s) que identifican de forma única cada fila.

Clave foránea (FK)

Columna que guarda la PK de otra tabla para relacionarlas.

Clave compuesta

Clave formada por la combinación de varias columnas.

Integridad referencial

Regla que impide FK sin una PK correspondiente.

Dialecto SQL

Versión de SQL de un proveedor con extensiones propias (T-SQL, pgSQL, PL/SQL).

DDL / DCL / DML

Instrucciones de definición (estructura) / control (permisos) / manipulación (datos).

Cláusula WHERE

Filtra las filas que afecta una instrucción.

JOIN

Combina filas de varias tablas según una condición (normalmente FK = PK).

Desencadenador (trigger)

Código guardado en la BD que se ejecuta automáticamente ante un evento.

Optimizador de consultas

Componente que decide cómo ejecutar una consulta (p. ej. si usa un índice).

Ventajas de Azure SQL Database

• Actualizaciones y parches automáticos: siempre la versión más reciente y segura.
• Escalabilidad sin actualizaciones manuales costosas.
• Disponibilidad del 99,995 %.
• Restauración a un momento dado (point-in-time).
• Replicación entre regiones para recuperación ante desastres.
• Advanced Threat Protection: evaluación de vulnerabilidades y alertas ante actividad anómala o inyección de SQL, con recomendaciones.
• Auditoría: registra eventos en una cuenta de Azure Storage; ayuda al cumplimiento normativo.
• Cifrado en reposo y en movimiento.
• Oferta gratuita para BD nuevas.
• IA para optimizar consultas y resolver problemas de rendimiento en lenguaje natural.

¿Cuál elijo?

Bases de datos de código abierto

Azure ofrece MySQL y PostgreSQL para que las organizaciones que ya los usan migren rápido, sin grandes cambios en sus apps.

Glosario · Módulo 2

Lift-and-shift

Migrar a la nube tal cual, con cambios mínimos o nulos.

Implementación híbrida

Parte del sistema local y parte en la nube.

Servidor lógico

Punto central de administración de varias BD de Azure SQL Database.

Sin servidor (serverless)

Recursos que se asignan y escalan solos según la demanda.

Grupo elástico

Varias BD que comparten un conjunto de recursos.

Data Migration Assistant (DMA)

Herramienta que detecta incompatibilidades antes de migrar.

Microsoft Entra ID

Servicio de identidad de Microsoft para iniciar sesión sin escribir credenciales.

Restauración a un momento dado

Recuperar la BD tal como estaba en un instante del pasado.

1. Azure Blob Storage

Almacena grandes cantidades de datos no estructurados como blobs (objetos binarios grandes) en la nube. Las apps los leen y escriben con la API de Blob Storage.

Organización

• Los blobs viven en contenedores dentro de una cuenta de Azure Storage.
• Un contenedor agrupa blobs relacionados; el acceso de lectura y escritura se controla a nivel de contenedor.
• Inicio de sesión recomendado: Microsoft Entra ID con RBAC (control de acceso basado en roles) para dar permisos precisos.
• Carpetas virtuales: por defecto son solo un / en el nombre del blob. No permiten controlar acceso ni hacer operaciones masivas por carpeta.

Ej.: ventas/2026/enero.csv es un solo blob cuyo nombre contiene "/".

Tres tipos de blob

Niveles de acceso

Equilibran la latencia de acceso y el costo de almacenamiento.

• Mínimo de días: si se borra o mueve antes, hay penalización por eliminación anticipada.
• Patrón común: crear el blob en Hot y pasarlo a Cool cuando se usa menos. También se puede volver de Cool a Hot.

Redundancia

Azure Storage guarda varias copias para mantener los datos disponibles y protegidos ante fallos.

2. Azure Data Lake Storage Gen2

Lago de datos a escala de nube integrado en Azure Storage. Combina la escalabilidad y el control de costos de Blob Storage (niveles y ciclo de vida) con un sistema de archivos jerárquico compatible con los sistemas de análisis.

• Azure Databricks puede montarlo como sistema de archivos distribuido para procesar grandes volúmenes.
• OneLake de Microsoft Fabric está construido sobre él.
• El espacio de nombres jerárquico habilita ACL compatibles con POSIX: permisos de lectura, escritura y ejecución por archivo y carpeta, aparte de RBAC.
• Se activa con la opción Espacio de nombres jerárquico de la cuenta de Storage, al crearla o después.

3. Microsoft OneLake

Un solo lago de datos lógico para toda la organización. Viene automáticamente con cada inquilino (tenant) de Microsoft Fabric y es el repositorio central de los datos de análisis.

• Admite cualquier tipo de archivo, estructurado o no.
• Varios motores analíticos usan los mismos datos sin moverlos ni duplicarlos.

Idea: "OneLake es el OneDrive de los datos".

4. Azure Files

Crea recursos compartidos de archivos de red en la nube, como los de una red corporativa. Los recursos compartidos locales no escalan bien con muchos usuarios o con sedes distintas; en Azure se eliminan costos de hardware y mantenimiento y se gana alta disponibilidad.

Capacidad y límites

• Se crea dentro de una cuenta de almacenamiento.
• Hasta 256 TiB por cuenta SSD (más en HDD), repartidos en cualquier número de recursos compartidos.
• Archivo individual de hasta 4 TiB; se pueden fijar cuotas por recurso compartido.
• Hasta 2000 identificadores simultáneos por archivo o directorio.

Carga y sincronización

• Carga desde Azure Portal o con AzCopy.
• Azure File Sync: sincroniza copias en caché locales con Azure Files.

Niveles de medios

Protocolos

5. Azure Table Storage

Almacenamiento NoSQL clave-valor en tablas. Cada elemento es una fila con columnas para sus campos.

• Cada fila tiene una clave única: PartitionKey + RowKey.
• Una columna Timestamp registra la fecha de la última modificación.
• Datos desnormalizados: cada fila contiene toda la entidad (un cliente con todos sus teléfonos y direcciones). En una BD relacional irían en varias tablas.

Particiones

Agrupan filas relacionadas que comparten la PartitionKey y se guardan juntas.

• Son independientes y crecen o se reducen solas; una tabla admite cualquier número.
• Incluir la PartitionKey en la búsqueda reduce la E/S y mejora el rendimiento.
• Dentro de una partición, las filas se guardan ordenadas por RowKey.

Tipos de consulta rápidas

• Consulta de punto: una sola fila (PartitionKey + RowKey).
• Consulta por rango: un bloque contiguo de filas en una partición.

1. ¿Qué es Azure Cosmos DB?

• Base de datos NoSQL totalmente administrada PaaS: Microsoft se encarga de servidores, parches, actualizaciones y respaldos.
• Independiente del esquema: los elementos de un mismo contenedor pueden tener propiedades distintas (uno con 5, otro con 15). Ideal cuando la forma de los datos cambia.
• Microsoft la usa en Xbox Live, Microsoft 365 y partes de Azure: miles de millones de operaciones al día.

Jerarquía de recursos (4 niveles)

Clave de partición

• Propiedad que reparte los datos entre particiones lógicas de hasta 20 GB cada una.
• Una buena clave tiene muchos valores distintos y reparte los datos de forma uniforme, para mantener el rendimiento al crecer.

Indexación automática

Por defecto indexa todas las propiedades. No hay que definir un esquema ni administrar índices.

2. Distribución global

• Se agregan regiones a la cuenta en cualquier momento y los datos se replican solos.
• Cada usuario lee y escribe en la réplica más cercana: baja latencia en cualquier lugar.
• Escritura en varias regiones = alta disponibilidad.
• Percentil 99: lecturas en ~4 ms y escrituras en ~5 ms.

Cinco niveles de coherencia

Definen qué tan sincronizadas están las réplicas entre sí.

3. Rendimiento y precios

La capacidad se mide en unidades de solicitud por segundo (RU/s). 1 RU ≈ el costo de leer un elemento de 1 KB. Cada operación (lectura, escritura, consulta, eliminación) consume RU: una sola métrica para rendimiento y costo.

Escalabilidad automática: se fija un máximo de RU/s y Cosmos DB ajusta la capacidad según la demanda real.

4. ¿Cuándo usar Cosmos DB?

Para apps que necesitan esquema flexible, alcance global y baja latencia:

• IoT y telemetría: ingesta rápida de datos de dispositivos, casi en tiempo real.
• Juegos: perfiles, tablas de clasificación y estadísticas en milisegundos.
• Comercio minorista: catálogos, carritos y pedidos a cualquier escala.
• Apps web y móviles: personalización, funciones sociales e integraciones.

5. ¿Por qué varias API?

• La API se elige al crear la cuenta y define el formato de datos, el lenguaje de consulta y las bibliotecas cliente.
• Internamente Cosmos DB usa su propio formato; la API es una capa de abstracción.
• Ventaja principal: portabilidad. Una app de MongoDB o Cassandra se apunta a Cosmos DB con cambios mínimos y gana distribución global, rendimiento administrado y SLA.

SELECT *
FROM customers c
WHERE c.id = "joe@litware.com"

{
  "id": "joe@litware.com",
  "name": "Joe Jones",
  "address": {
    "street": "1 Main St.",
    "city": "Seattle"
  }
}

¿Qué servicio uso?

Table Storage vs. Cosmos DB for Table

Glosario · Módulo 1

Blob / contenedor

Archivo binario en Blob Storage / grupo de blobs con acceso común.

Entra ID + RBAC

Identidad de Azure + control de acceso basado en roles (quién puede hacer qué).

ACL POSIX

Permisos de lectura, escritura y ejecución por archivo y carpeta.

Espacio de nombres jerárquico

Carpetas reales sobre Blob Storage; convierte la cuenta en Data Lake Gen2.

Nivel de acceso

Hot, Cool, Cold o Archive: equilibrio entre costo de almacenar y de acceder.

Rehidratación

Sacar un blob de Archive a un nivel en línea para poder leerlo.

Ciclo de vida

Reglas que mueven o eliminan blobs automáticamente según su antigüedad.

LRS / ZRS / GRS / GZRS

Redundancia local / de zona / geográfica / de zona geográfica.

Inquilino (tenant)

Instancia de una organización en Microsoft Fabric o Entra ID.

Delta Parquet

Formato abierto de OneLake: Parquet + registro de transacciones.

SMB / NFS

Protocolos para compartir archivos en red (multiplataforma / Linux).

AzCopy / Azure File Sync

Herramienta de carga de archivos / sincronización de caché local con Azure Files.

PartitionKey / RowKey

Partes de la clave de una tabla: partición y fila única dentro de ella.

Glosario · Módulo 2

Independiente del esquema

Los elementos de un contenedor no necesitan la misma estructura.

Contenedor (Cosmos DB)

Unidad de almacenamiento y escalado; ahí se definen partición, rendimiento, indexación y TTL.

Elemento

Registro individual: documento, fila, nodo o arista.

Partición lógica

Grupo de elementos con la misma clave de partición (máx. 20 GB).

TTL (Time to Live)

Tiempo tras el cual un elemento se elimina automáticamente.

Nivel de coherencia

Qué tan actualizadas están las lecturas entre réplicas (Fuerte → Eventual).

RU/s

Unidades de solicitud por segundo: medida de capacidad y costo.

Percentil 99

El 99 % de las operaciones termina en ese tiempo o menos.

SLA

Acuerdo de nivel de servicio: garantías de disponibilidad y rendimiento.

BSON

JSON binario, formato de MongoDB.

MQL / CQL / Gremlin

Lenguajes de consulta de MongoDB / Cassandra / grafos.

Vértice / arista

Nodo (entidad) / relación entre nodos en un grafo.

Fabric mirroring

Réplica automática de Cosmos DB en Microsoft Fabric para análisis.

1. Las dos plataformas de análisis de Azure

2. ¿Qué es el análisis a gran escala?

Combina dos mundos:

• Data warehouse convencional (BI): copia datos transaccionales a una BD relacional con esquema optimizado para consultas y modelos multidimensionales.
• Big data: grandes volúmenes en varios formatos, cargados por lotes o en flujos en tiempo real a un data lake y procesados con motores distribuidos como Spark.

3. Arquitectura de análisis

4. Componentes de cada plataforma

Fabric 5. Ingesta en Microsoft Fabric

Varias formas de llevar datos a OneLake: desde ETL con canalizaciones hasta federación sin copia y streaming.

Databricks 6. Ingesta en Azure Databricks

¿Qué herramienta de ingesta uso?

7. Data warehouse (almacenamiento de datos)

BD relacional con esquema optimizado para análisis, no para transacciones.

• Tablas de hechos: valores numéricos en el centro (pedidos de venta).
• Tablas de dimensiones: entidades para agregar (cliente, producto, tienda, tiempo).
• Permite, por ejemplo, obtener los ingresos mensuales por producto y tienda.

Esquema de estrella

• Estrella: una tabla de hechos relacionada con varias dimensiones.
• Copo de nieve: se agregan tablas relacionadas con las dimensiones para representar jerarquías (Producto → Categoría).

8. Data lake (lago de datos)

• Almacén de archivos, normalmente en un sistema de archivos distribuido de alto rendimiento.
• Motores distribuidos como Apache Spark procesan las consultas sobre los archivos.
• Esquema en lectura (schema-on-read): la estructura tabular se define al leer los datos, no al guardarlos.

9. Enfoque híbrido: data lakehouse

• Los datos crudos son archivos en el lago y un punto de conexión de análisis SQL los expone como tablas consultables con SQL.
• Lo habilita Delta Lake, el formato abierto estándar de Fabric y Databricks: sobre Parquet agrega esquemas, transacciones coherentes, soporte de lotes y streaming, y una API de SQL.
• En Fabric, todo vive en OneLake: al crear un Lakehouse se crea automáticamente su punto de conexión SQL, y los datos de un Warehouse también están en OneLake.

10. Servicios de Azure para almacenes analíticos

Fabric también incluye Data Factory (ingesta), Real-Time Intelligence (logs y telemetría) y Mirroring (Cosmos DB, Azure SQL Database, Snowflake → OneLake).

Fabric y Databricks incluyen asistentes de IA para escribir SQL y código de cuadernos.

1. Dos formas de procesar datos

Procesar datos = convertir datos crudos en información útil. Con dispositivos inteligentes e internet, mucha información puede procesarse en tiempo real como un flujo continuo.

Ejemplos de streaming

• Finanzas: sigue la bolsa en tiempo real, calcula el valor en riesgo y rebalancea carteras.
• Juegos en línea: analiza las interacciones de los jugadores y ofrece incentivos al momento.
• Inmobiliaria: recomienda propiedades según la ubicación del móvil del cliente.
• Crítico en tiempo: un sistema de humo y temperatura activa alarmas y abre puertas ante un incendio.

2. Diferencias clave

3. Combinar lotes y flujos

• Muchas soluciones usan ambos: datos históricos + tiempo real.
• El streaming alimenta paneles en vivo (autos en la hora actual) y además guarda resultados en el almacén para el histórico (tráfico del último año).
• Aunque no se necesite tiempo real, el streaming suele usarse para capturar datos y procesarlos después por lotes (desviar todos los autos al parqueo antes de contarlos).

4. Arquitectura lambda

Patrón común para combinar lotes y flujos:

5. Arquitectura general de flujos

1. Evento: señal de un sensor, publicación en redes, línea de un log...
2. Origen de streaming: en casos simples, una carpeta o una tabla; en soluciones robustas, una cola que garantiza el orden y que cada evento se procese una sola vez.
3. Procesamiento: una consulta perpetua filtra tipos de evento, proyecta valores o agrega por ventanas de tiempo (emisiones por minuto).
4. Salida (receptor): archivo, tabla, panel en tiempo real u otra cola para seguir procesando.

6. Servicios de análisis en tiempo real

• Fabric Real-Time Intelligence: conjunto integrado en Fabric (ver columna derecha).
• Spark Structured Streaming: biblioteca open source para streaming complejo en servicios Spark (Databricks y Fabric).
• Azure Azure Stream Analytics: PaaS que define trabajos: origen → consulta perpetua → salida. Buena opción para escenarios independientes o híbridos fuera de Fabric.

7. Orígenes (entrada)

8. Receptores (salida)

1. Herramientas de Power BI

El modelado y la visualización son el núcleo del BI. Hay gráficos en Excel y en cuadernos, pero el análisis empresarial necesita modelado complejo, informes interactivos y uso compartido seguro: Power BI, carga de trabajo principal de Fabric.

Flujo de trabajo típico

• Power BI Desktop: app de Windows para importar y combinar datos de muchos orígenes, crear el modelo y los informes.
• Servicio Power BI: en la nube; se publican informes, se programan actualizaciones de datos, se comparten y se crean paneles y aplicaciones. Permite modelado y edición básicos, más limitados que Desktop.
• App móvil: consumir informes, paneles y apps desde el teléfono.

Power BI en Microsoft Fabric

• Áreas de trabajo: los equipos colaboran en el navegador junto a los demás elementos de Fabric, sobre OneLake.
• Modelos semánticos: medidas, relaciones y jerarquías compartibles entre varios informes.
• Direct Lake: consulta archivos de OneLake directo, con velocidad en memoria y escala de lago, sin importar ni actualizar datos.
• Edición web: crear informes completos sin instalar Desktop.

2. IA en Power BI

3. Modelado de datos

Los modelos analíticos (en Fabric y Power BI: modelos semánticos) estructuran tablas relacionadas para el análisis:

• Medidas: valores numéricos que se analizan (ingresos, cantidad).
• Dimensiones: entidades por las que se agregan (producto, cliente, tiempo).

Ej.: ingresos totales por cliente o artículos vendidos por producto y mes.

Tablas

• Dimensión: una fila por entidad con clave única y atributos (nombre, categoría, ciudad). Casi todos los modelos tienen una dimensión Tiempo.
• Hechos: una fila por evento con sus medidas (una venta con cantidad e ingreso).
• Estrella: hechos + dimensiones. Copo de nieve: dimensiones con tablas de detalle (Producto → Categoría).

Jerarquías de atributos

Permiten subir o bajar (drill-down / drill-up) entre niveles de una dimensión:

• Producto: producto → categoría.
• Cliente: cliente → ciudad.
• Tiempo: día → mes → año.

Ej.: ver ventas por año y bajar al detalle mensual; VertiPaq calcula cada nivel al consultar.

Modelado en Power BI

• El modelo semántico se arma con tablas importadas de uno o varios orígenes.
• En la vista Modelo de Power BI Desktop se crean relaciones entre hechos y dimensiones, se definen jerarquías, tipos de datos, formatos y otras propiedades.
• Si los datos están en OneLake, usar Direct Lake: rendimiento en memoria sin paso de importación.

4. Tipos de visualización

Power BI trae muchas visualizaciones y admite objetos visuales personalizados y de terceros.

Informes interactivos

Los visuales de un informe están vinculados: al seleccionar un valor en uno, los demás se filtran y resaltan (elegir Seattle en un gráfico filtra todo el informe a Seattle).

Visualizaciones con IA

• Narraciones inteligentes: resúmenes escritos que se actualizan con los datos.
• Preguntas y respuestas (Q&A): preguntas en lenguaje natural con respuesta en gráfico.
• Influenciadores clave: qué factores impulsan más una métrica.
• Árbol de descomposición: desglose interactivo por varias dimensiones para ver qué contribuye a un valor.

Glosario · Módulos 1 y 2

Lakehouse

Archivos de un lago expuestos como tablas SQL gracias a Delta Lake.

Punto de conexión de análisis SQL

Interfaz SQL de solo lectura sobre las tablas de un Lakehouse.

Esquema en lectura

La estructura se aplica al leer los datos, no al guardarlos.

Esquema de estrella / copo de nieve

Hechos + dimensiones / dimensiones con tablas de jerarquía.

Servicio vinculado

Conexión de una canalización a un origen o destino.

Dataflows Gen2

Transformaciones visuales con Power Query en Fabric.

Acceso directo (shortcut)

Referencia a datos externos sin copiarlos a OneLake.

Mirroring

Réplica continua de una BD externa en OneLake.

Unity Catalog

Gobernanza de datos e IA en Databricks.

Microlote

Grupo pequeño de registros procesados juntos en streaming.

Ventana de tiempo

Periodo sobre el que se agregan eventos (por minuto, últimos 30 s).

Consulta perpetua

Consulta que se ejecuta continuamente sobre un flujo.

Receptor (sink)

Destino de los resultados del procesamiento de flujos.

Lambda / Kappa

Arquitectura con capa de lotes y de flujos / solo flujos.

KQL / Activator

Kusto Query Language para logs y telemetría / acciones automáticas en Fabric cuando los datos cumplen una condición.

Glosario · Módulo 3

BI (inteligencia empresarial)

Análisis de datos para apoyar decisiones de negocio.

Modelo semántico

Tablas, relaciones, jerarquías y medidas sobre las que se basan los informes.

Medida / dimensión

Valor numérico a analizar / entidad para agruparlo.

DAX

Data Analysis Expressions: lenguaje de fórmulas para medidas.

VertiPaq

Motor de almacenamiento en columnas en memoria de Power BI.

Direct Lake

Modo que lee tablas Delta de OneLake sin importar datos.

Jerarquía

Niveles de una dimensión para subir o bajar en el detalle.

Panel (dashboard)

Vista de una página que reúne visuales clave en el servicio Power BI.

Aplicación de Power BI

Paquete de informes y paneles relacionados para consumir en un solo lugar.

KPI

Indicador clave de rendimiento.

Autoservicio

Usuarios de negocio que crean sus propios análisis sin ayuda técnica.

Capacidad F2 / P1

Niveles mínimos de Fabric / Power BI Premium para usar Copilot.