Extender modelo
Extender el esquema
A medida que maduran las necesidades analíticas de su organización, los usuarios de negocio inevitablemente solicitarán mejoras en su modelo de datos. Esta evolución es natural y esperada: lo que comienza como un cubo de análisis de ventas simple crecerá para acomodar preguntas comerciales más sofisticadas.
La evolución del esquema se refiere al perfeccionamiento incremental de las definiciones de cubo de Mondrian para soportar nuevos requisitos analíticos sin interrumpir informes y análisis existentes. El principio clave es compatibilidad con versiones anteriores - las nuevas funciones deben mejorar en lugar de romper la funcionalidad existente.
Tabla de referencia rápida
Cambiar el título, la descripción o la cadena de formato de cualquier elemento
Qué hace: Modifica cómo aparecen los elementos a los usuarios sin cambiar la estructura de datos subyacente ni la lógica de consultas.
Por qué importa: La terminología empresarial evoluciona y su esquema debe reflejar el lenguaje actual. Además, un formato adecuado asegura que los datos se presenten de manera profesional y consistente.
Ejemplo - Estado actual:
Escenarios de evolución:
Escenario A - Actualizar el título para mayor claridad:
Impacto en el negocio: Los usuarios ahora ven "Ingresos totales por ventas" en Analyzer, lo que aclara que esto representa ingresos brutos, no beneficios.
Escenario B - Cambiar la cadena de formato para moneda internacional:
Impacto en el negocio: Los ingresos ahora se muestran en euros con el formato correcto para números negativos entre paréntesis.
Escenario C - Agregar descripción para documentación:
Impacto en el negocio: Los usuarios que pasan el cursor sobre la medida en Analyzer ven una sugerencia que explica exactamente qué representa esta medida.
Agregar una jerarquía a una dimensión
Qué hace: Proporciona rutas de navegación alternativas a través de la misma dimensión, soportando diferentes perspectivas analíticas.
Por qué importa: Diferentes usuarios de negocio necesitan analizar la misma dimensión de formas distintas. Varias jerarquías permiten flexibilidad sin crear dimensiones separadas.
Ejemplo - Estado actual: La dimensión Productos tiene una jerarquía: Línea → Proveedor → Nombre del producto
Evolución: Agregar una segunda jerarquía basada en categorías de producto:
Caso de uso empresarial:
El departamento de marketing analiza por Categoría → Subcategoría (clasificación orientada al mercado)
El departamento de operaciones analiza por Línea → Proveedor (clasificación de la cadena de suministro)
Ambos equipos usan el mismo cubo con diferentes rutas de navegación
Los usuarios seleccionan su jerarquía preferida en Analyzer sin necesidad de fuentes de datos separadas
Agregar un nivel a una jerarquía
Qué hace: Aumenta la granularidad o añade puntos intermedios de agregación en una jerarquía existente.
Por qué importa: A medida que maduran los requisitos de informes, los usuarios necesitan capacidades de desglose más detalladas o niveles intermedios de resumen.
Ejemplo - Estado actual: La dimensión Clientes tiene: Nombre del cliente (nivel único)
Escenario de evolución A - Agregar niveles geográficos:
Caso de uso empresarial:
Antes: Los usuarios solo podían ver ventas por cliente individual (demasiado detallado para ejecutivos)
Después: Los ejecutivos pueden ver ventas por País, los gerentes regionales por Estado/Provincia y los representantes de ventas por Ciudad, con la capacidad de profundizar hasta clientes específicos
Soporta análisis de mercado geográfico sin crear dimensiones separadas
Escenario de evolución B - Agregar segmentación de clientes:
Caso de uso empresarial:
Segmenta a los clientes como "Empresa", "Mediana empresa", "Pequeña empresa"
Permite el análisis: "¿Cuál es nuestro tamaño de acuerdo promedio por segmento de cliente?"
La dirección de ventas puede comparar el rendimiento entre diferentes segmentos de mercado
Agregar una medida que tenga la misma granularidad o dimensionalidad que las medidas existentes
Qué hace: Añade nuevas métricas que pueden analizarse al mismo nivel dimensional que las medidas existentes.
Por qué importa: Las necesidades del negocio se expanden para incluir nuevos KPI sin requerir cambios en la estructura dimensional.
Ejemplo - Estado actual: Medida única: Ventas (suma de TOTALPRICE)
Evolución - Agregar métricas de ventas complementarias:
Caso de uso empresarial: Todas estas medidas comparten la misma dimensionalidad: todas pueden analizarse por:
Línea de producto
Territorio
Cliente
Periodo de tiempo
Ejemplo de análisis: "Muéstrame Ventas, Unidades Vendidas y Precio Medio por Unidad por Línea de Producto y Territorio"
Ventas por Territorio y Línea: $X
Unidades vendidas por Territorio y Línea: Y
Precio medio por unidad: $X / Y
Las tres métricas se alinean perfectamente en los mismos ejes dimensionales
Agregar una medida de granularidad o dimensionalidad diferente a las medidas existentes
Qué hace: Introduce métricas que existen en niveles dimensionales distintos a su tabla de hechos, requiriendo un manejo especial para la agregación.
Por qué importa: Algunas métricas de negocio no existen a nivel transaccional. Niveles de inventario, recuentos de empleados y límites de crédito de clientes son atributos dimensionales, no hechos de transacción.
Ejemplo - Estado actual: Todas las medidas están en el grano ORDER_DETAILS (una fila por producto por pedido)
Evolución - Agregar medidas en diferentes granularidades:
Escenario A - Medida a nivel de cliente:
¿Por qué el agregador "max"?
El límite de crédito se almacena una vez por cliente en la tabla de dimensión CUSTOMERS
Al agregar sobre varios clientes, queremos el límite de crédito máximo en ese grupo
Esto evita el doble conteo cuando un cliente tiene múltiples pedidos
Caso de uso empresarial: "Muéstrame ventas totales frente a crédito disponible por segmento de cliente"
Las ventas se agregan de forma natural (suma de todos los pedidos)
Los límites de crédito usan "max" para mostrar el límite más alto en cada segmento sin doble conteo
Escenario B - Medida a nivel de producto:
Caso de uso empresarial: "¿Cuál es el costo promedio del producto por proveedor?"
Cada producto tiene un costo estándar
El agregador "avg" proporciona el costo promedio entre productos para cada proveedor
Diferente del COGS total, que suma los costos reales de las transacciones
Crear una columna calculada y usarla en un atributo o medida
Qué hace: Define columnas derivadas a nivel de base de datos o ETL, luego las expone en su esquema como dimensiones o medidas.
Por qué importa: No toda la lógica de negocio debería estar en cálculos MDX. Algunas transformaciones es mejor realizarlas una vez durante el ETL en lugar de repetidamente en tiempo de consulta.
Columna calculada en la base de datos (creada en su ETL o vista de base de datos):
Usar la columna calculada en una medida:
Usar la columna calculada en una dimensión:
Caso de uso empresarial: "Muéstrame ventas y margen de beneficio por nivel de rentabilidad y línea de producto"
El cálculo del beneficio ocurre una vez en la base de datos
Mucho más rápido que calcular (Ventas - Coste) en MDX para cada consulta
El nivel de rentabilidad permite a los usuarios filtrar y agrupar por rendimiento de beneficios
Reduce la complejidad de las consultas y mejora el rendimiento
Beneficio en el rendimiento:
Antes: MDX calcula el beneficio para cada celda en cada consulta
Después: la base de datos calcula una vez; Mondrian solo agrega los valores pre-calculados
Agregar un miembro calculado a un cubo
Qué hace: Define fórmulas que combinan medidas existentes para crear nuevas métricas, calculadas en tiempo de consulta.
Por qué importa: Muchas métricas comerciales son ratios, porcentajes o fórmulas complejas que no se pueden simplemente sumar o promediar. Los miembros calculados gestionan esta lógica de negocio en MDX.
Casos de uso empresarial:
Margen de beneficio %
"¿Qué líneas de producto tienen los márgenes de beneficio más altos?"
"¿Cómo varía el margen de beneficio por segmento de cliente?"
No se puede calcular como un promedio: debe ser (Beneficio total / Ventas totales) en cada nivel de agregación
Valor medio del pedido
"¿Cuál es el valor medio del pedido por territorio?"
"¿Está aumentando nuestro tamaño medio de pedido con el tiempo?"
Diferente de sumar los valores de los pedidos: requiere dividir las ventas totales por el número de pedidos
Crecimiento de ventas respecto al año anterior
"¿Qué territorios están creciendo más rápido año tras año?"
"¿Cuál es nuestra tasa de crecimiento compuesta?"
Utiliza la inteligencia temporal MDX para comparar el periodo actual con el mismo periodo del año anterior
Diferencia clave respecto a las medidas regulares:
Las medidas regulares se agregan mediante SUM, COUNT, AVG, etc.
Los miembros calculados usan fórmulas que operan sobre valores agregados
Ejemplo: el margen de beneficio debe calcularse DESPUÉS de agregar beneficio y ventas, no antes
Agregar un conjunto nombrado a un cubo
Qué hace: Define colecciones predefinidas y reutilizables de miembros de dimensión que los usuarios pueden aplicar de forma consistente en los análisis.
Por qué importa: Los usuarios de negocio analizan repetidamente los mismos grupos significativos. Los conjuntos nombrados proporcionan consistencia, mejoran la usabilidad y encapsulan lógica MDX compleja.
Ejemplo:
Casos de uso empresarial:
Top 10 Products
Los usuarios pueden analizar de forma consistente los mismos productos de mejor rendimiento
La definición está centralizada: si el negocio decide que "Top 10" significa Top 15, cámbielo una vez
Aparece como una opción de filtro preconfigurada en Analyzer
Territorios estratégicos
La dirección de ventas quiere centrar los informes en mercados clave
En lugar de seleccionar manualmente los territorios cada vez, use el conjunto nombrado
Garantiza consistencia entre informes y paneles
Año actual y anterior
Cada informe de tendencias necesita esta comparación
El conjunto nombrado encapsula la lógica MDX para acceder a periodos actuales y anteriores
Los usuarios no necesitan entender MDX para crear comparaciones año tras año
Clientes de alto valor (dinámico)
El filtro se actualiza automáticamente en función de los datos actuales
"dynamic=true" significa que el conjunto se recalcula en cada consulta
Diferentes clientes pueden calificar cada trimestre a medida que cambian los patrones de gasto
Conjuntos nombrados vs miembros calculados:
Los miembros calculados crean nuevas medidas
Los conjuntos nombrados crean grupos predefinidos de miembros de dimensión
Ambos mejoran la usabilidad al encapsular la complejidad
Múltiples cubos en un esquema
A medida que madura su entorno analítico, descubrirá que diferentes grupos de negocio necesitan perspectivas distintas de sus datos:
Cubo de análisis de ventas: Optmizado para informes diarios de ventas (grano a nivel de pedido)
Cubo de analítica de clientes: Enfocado en el comportamiento del cliente (grano a nivel de cliente con métricas de vida útil)
Cubo de gestión de inventarios: Niveles y movimientos de stock (grano producto/almacén/día)
Cubo de informes financieros: Métricas financieras mensuales (grano a nivel de mes con cuentas del libro mayor)
Beneficios clave:
Optimización del rendimiento
Cada cubo optimizado para patrones de consulta específicos
Agregaciones apropiadas para cada caso de uso
Cubos más pequeños y enfocados consultan más rápido que un cubo masivo
Seguridad y gobernanza
Conceder al equipo de ventas acceso solo al cubo de análisis de ventas
El equipo de finanzas accede al cubo de informes financieros
Prevenir la contaminación cruzada de datos sensibles
Diferente granularidad
Cubos de transacciones: detalle de línea de pedido
Cubos resumen: instantáneas diarias o mensuales
Cubos especializados: rentabilidad por producto, valor de vida del cliente
Experiencia de usuario simplificada
Los usuarios ven solo dimensiones y medidas relevantes
Menos abrumador que un cubo con 50 dimensiones
Adaptado a flujos de trabajo analíticos específicos
Ejemplo - Múltiples cubos en el esquema MiniatureModels:
Asignación de usuarios:
Representantes de ventas → Cubo de ventas
Equipo de éxito del cliente → Cubo de analítica de clientes
Gerentes de producto → Cubo de rendimiento de producto
Ejecutivos → Todos los cubos (para paneles comprensivos)
Última actualización
¿Te fue útil?