Alfabetización de Datos: Dimensiones, Medidas e Information Marts

Conceptos clave de data literacy que todo profesional de datos debería conocer — dimensiones vs medidas, information marts y vocabulario de modelado de datos.

Data literacy es la capacidad de leer, entender y comunicar con datos. Estos son los conceptos fundamentales.

Dimensiones vs Medidas

La distinción más importante en analítica de datos:

Concepto	Qué Es	Ejemplos
Dimensión	Atributo descriptivo (el “por qué”)	Fecha, Región, Producto, Categoría
Medida	Valor cuantitativo (el “qué”)	Ingresos, Cantidad, Conteo, Promedio

-- "Ingresos totales POR región POR año"
--    medida             dimensiones
SELECT
    region,           -- dimensión
    año,              -- dimensión
    SUM(ingresos)     -- medida
FROM ventas
GROUP BY region, año;

Tipos de Dimensiones

Tipo	Descripción	Ejemplo
Descriptiva	Atributos estáticos	Nombre de producto, color
Temporal	Períodos de fecha/hora	Año, trimestre, mes, día
Geográfica	Basada en ubicación	País, región, ciudad
Jerárquica	Niveles anidados	País → Región → Ciudad
Cambio Lento (SCD)	Cambia con el tiempo	Historial de dirección del cliente

Tipos de Medidas

Tipo	Descripción	Ejemplo
Aditiva	Se puede sumar en todas las dimensiones	Ingresos, cantidad
Semi-aditiva	Se puede sumar en algunas dimensiones	Saldo de cuenta (sumar por cuentas, no por tiempo)
No aditiva	No se puede sumar	Ratios, porcentajes, promedios

Information Marts (Data Marts)

Un data mart es un subconjunto del data warehouse enfocado en un área de negocio específica.

Data Warehouse
├── Data Mart de Marketing   ← métricas de campaña, conversiones
├── Data Mart de Finanzas    ← ingresos, costes, presupuestos
├── Data Mart de Ventas      ← pedidos, pipeline, cuotas
└── Data Mart de RRHH        ← plantilla, rotación, contratación

Beneficios:

Consultas más rápidas (dataset más pequeño)
Adaptado a las necesidades del departamento
Control de acceso más fácil
Modelos de datos simplificados

Conceptos Clave de Datos

Grano (Grain)

El nivel de detalle en una tabla de hechos. Se define con la pregunta: “¿Qué representa una fila?”

Grano	Ejemplo
Transacción	Una venta
Diario	Total ventas por día por tienda
Mensual	Ingresos mensuales por producto

Regla: Define el grano primero, luego construye la tabla.

ETL vs ELT

ETL: Extraer → Transformar → Cargar
     (fuente)   (staging)    (warehouse)

ELT: Extraer → Cargar → Transformar
     (fuente)   (lake)   (en el warehouse)

Enfoque	Cuándo Usar
ETL	Transformar antes de cargar (tradicional)
ELT	Cargar datos crudos, transformar en el warehouse (moderno, cloud)

Dimensiones de Cambio Lento (SCD)

Cómo manejar cambios en dimensiones a lo largo del tiempo:

Tipo	Estrategia	Ejemplo
SCD 1	Sobrescribir	Actualizar dirección actual (pierdes historial)
SCD 2	Añadir nueva fila	Nueva fila con fechas inicio/fin (mantener historial)
SCD 3	Añadir columna	`direccion_actual` + `direccion_anterior`

Dimensiones de Calidad de Datos

Dimensión	Pregunta
Exactitud	¿Son correctos los datos?
Completitud	¿Están todos los datos presentes?
Consistencia	¿Los mismos datos coinciden entre sistemas?
Oportunidad	¿Son los datos lo suficientemente frescos?
Unicidad	¿Hay duplicados?
Validez	¿Los datos coinciden con los formatos esperados?

KPIs y Métricas

Término	Significado
Métrica	Una medida cuantificable (visitas, ingresos)
KPI	Una métrica vinculada a un objetivo de negocio (tasa conversión > 3%)
Indicador adelantado	Predice el futuro (tráfico web)
Indicador retrasado	Confirma el pasado (ingresos trimestrales)

Resumen

Concepto	Idea Clave
Dimensión	El “por qué” — categorías para agrupar
Medida	El “qué” — números para agregar
Data Mart	Subconjunto del warehouse para un departamento
Grano	Nivel de detalle (qué significa una fila)
SCD	Cómo manejar cambios en el tiempo
ETL/ELT	Pipeline para mover y transformar datos