Modelos compuestos en Power BI y Fabric

Ventajas y casos de uso

Power BI ofrece varias formas de permitir a los usuarios hacer analítica de autoservicio. Por ejemplo, las organizaciones pueden optar por un modelo de BI de autoservicio administrado (en lugar de un modelo de BI empresarial centralizado). En este modelo, un Centro de excelencia (COE) o un equipo central de profesionales de datos crea y administra Datasets de Power BI. Los usuarios de negocio consumen estos Datasets desde Power BI Desktop, Excel u otras cargas de trabajo de análisis en Fabric (como notebooks, que por cierto son fantásticos) para abordar problemas de negocio con datos.

Un modelo de BI de autoservicio administrado ofrece varias ventajas, como menos solicitudes al equipo central de BI y una única versión de la verdad preservada en Datasets compartidos y reutilizables. Sin embargo, este modelo también requiere un esfuerzo adicional de gobernanza. Por ejemplo, los equipos centrales deberían formar a los usuarios para mejorar su alfabetización de datos y supervisar qué contenido se crea y cómo se usa. Otro reto para estos Datasets centrales es incorporar nuevos datos.

En este artículo, analizamos cómo se suele abordar este reto y cómo los modelos compuestos pueden ser una solución atractiva.

Enriquecer o combinar Datasets de Power BI administrados de forma centralizada

Las necesidades de datos del negocio evolucionan constantemente a medida que la estrategia empresarial se adapta al cambio. Es habitual que los usuarios de negocio soliciten nuevos datos en los Data sources aguas arriba para poder responder a nuevos problemas. Esto puede ser un escenario difícil de gestionar para los equipos centrales, ya que intentan equilibrar la capacitación de los usuarios con la mitigación de riesgos. ¿Cómo puedes ser flexible y proporcionar rápidamente a la gente los datos que necesita, pero hacerlo de forma sostenible y sin crear posibles problemas de gobernanza o cumplimiento?

El siguiente diagrama muestra un escenario común en el que un usuario de negocio quiere agregar un pronóstico (específico de su unidad de negocio o región) a un Dataset existente, administrado de forma centralizada.

En este escenario, el equipo central que administra el Dataset tiene varias opciones para atender la solicitud. Sin embargo, ninguna de las opciones es óptima para este equipo. Estas opciones o bien cuestan demasiado tiempo o bien crean demasiado riesgo. El siguiente diagrama ilustra tres opciones prácticas.

Antes de los modelos compuestos, el equipo tendría que hacer una de las siguientes cosas:

• Agregar el pronóstico al Dataset existente: El equipo central podría integrar el pronóstico en el Dataset existente o en el Data source aguas arriba. Aunque es una opción más sencilla y sí preserva la verdad central, con el tiempo puede inflar rápidamente el modelo central con docenas de fuentes muy específicas. Agregar datos adicionales sin disciplina puede llevar fácilmente a problemas de rendimiento y a un mayor esfuerzo para mantener el modelo.
• Crear un nuevo Dataset: El equipo central podría crear una copia del Dataset original que incluya el pronóstico y solo los datos que el usuario necesita. Según su nivel, el propio usuario podría administrar este Dataset. Aunque esto podría habilitar al usuario sin poner en riesgo el modelo central, este enfoque conlleva riesgos evidentes. Hay muchas probabilidades de que los dos Datasets queden desincronizados, y crear y mantener este segundo modelo supondrá mucho esfuerzo. En general, duplicar datos – o incluso solo la lógica de negocio con medidas DAX – conlleva el riesgo de obtener malos resultados.
• Combinar en Excel: El equipo central podría animar al usuario a combinar los datos en Excel, aprovechando Analizar en Excel o tablas con conexión en vivo. Esto mantiene el Dataset central, pero obliga al usuario a combinar manualmente las dos fuentes en Excel, lo que eleva el riesgo de errores y requiere mucho esfuerzo. Así que esta opción tampoco es ideal.

Una opción adicional es usar los modelos compuestos de Power BI, que están disponibles de forma general desde abril de 2023. Un modelo compuesto te permite enriquecer Datasets existentes con datos nuevos. De este modo, preservas la verdad y la lógica en los modelos centrales, a la vez que permites que los usuarios agreguen una cantidad limitada de datos para plantear preguntas específicas.

Casos de uso de los modelos compuestos de Power BI

Al usar modelos compuestos, optas por un modelo de autoservicio administrado más personalizable. Esto se debe a que los Datasets los personaliza un pequeño grupo de creadores de contenido que quiere agregar sus propios datos. Sin embargo, esta personalización no cambia el Dataset existente, sino que solo lo enriquece con datos nuevos y lógica de negocio para que puedan cubrir sus necesidades de datos.

El siguiente diagrama ilustra varios casos de uso de los modelos compuestos.

Los modelos compuestos se pueden usar en muchos escenarios diferentes, por ejemplo:

• Enriquecer un Dataset existente: El caso de uso más común de un modelo compuesto es agregar datos nuevos a un modelo administrado de forma centralizada. En este escenario, un usuario de autoservicio más avanzado se conecta al Dataset y agrega datos adicionales desde otras fuentes. Algunos ejemplos concretos podrían ser:
  • Agregar objetivos específicos del equipo, como presupuestos, previsiones u otros similares.
  • Usar datos maestros diferentes, por ejemplo, al hacer análisis de punto de venta o de bonificaciones (rebates) sobre datos de ventas y alinear los datos maestros de clientes con tus propias transacciones.
  • Agregar datos específicos fuera del alcance de los modelos centrales, como los de sistemas heredados que aún no se han integrado en una arquitectura unificada e Integrada.
• Combinar Datasets: Con los modelos compuestos, puedes combinar varios Datasets. Esto puede ser útil para crear Reports de gestión de alto nivel, por ejemplo, que combinen varios KPI de Datasets específicos.
• Crear prototipos de nuevas funcionalidades: Al usar un modelo compuesto para agregar nueva lógica de negocio a un Dataset existente, el equipo central puede crear prototipos y probar nuevas funcionalidades con audiencias objetivo específicas antes de incluirlas en el modelo central.

Encontrarás información adicional sobre casos de uso en la guía oficial de Microsoft para modelos compuestos.

Sacar el máximo partido a los modelos compuestos

Los modelos compuestos pueden aportar muchas ventajas. Te ayudan a preservar la lógica de negocio y los datos centrales, a la vez que permiten que los usuarios avanzados hagan más con el Dataset. Dicho esto, hay algunos factores clave que debes tener en cuenta para usar modelos compuestos con éxito.

• Usar perspectivas: Al crear un modelo compuesto, los creadores de autoservicio tienen la opción de seleccionar una perspectiva. Organizar las perspectivas en vistas comunes y útiles para los usuarios ofrece una experiencia más cómoda. Además, puede ayudarte a aprovechar mejor otras características de Power BI en un Report, como personalizar Visuals. Personalizar Visuals es una forma útil de habilitar la analítica de autoservicio para usuarios que no quieren la molestia y la complejidad añadidas de crear nuevos elementos de datos y de Reports. Puedes crear y administrar perspectivas en Datasets de Power BI con Tabular Editor 2 o Tabular Editor 3.
• Seleccionar y formar a los usuarios para que lo usen eficazmente: Dadas sus implicaciones y limitaciones, los modelos compuestos requieren una atención especial para capacitar a los usuarios. Piensa bien quién se beneficiará de esta característica y cómo los formarás para usarla. Esa formación debería centrarse en los casos de uso y las limitaciones, y en cómo identificar y gestionar las limitaciones. Además, asegúrate de que los miembros del equipo central conozcan las consideraciones especiales para optimizar modelos compuestos. Lee atentamente la guía de Microsoft sobre modelos compuestos.
• Contar con documentación útil y concisa: Al conectarse a un modelo compuesto, los usuarios no pueden ver definiciones de objetos, como fórmulas DAX o consultas de partición. Esto puede generar escenarios complejos o frustrantes para los usuarios que quieren agregar su propia lógica, ya que no tienen suficiente transparencia sobre el modelo central subyacente. En este escenario, aumenta el riesgo de que el usuario cree código erróneo o con mal rendimiento, pese a su competencia. Para evitar este escenario, deberías considerar una forma de mejorar la transparencia del modelo, como exponer un diccionario de datos, documentación o incluso incluir expresiones DAX en las descripciones de objetos. Una forma útil de hacer estas cosas es mediante el C# Script de Tabular Editor.
• Utiliza la aprobación del Dataset: Considera dar los pasos necesarios para mejorar el descubrimiento de datos y la democratización en tu organización. Asegúrate de que los Data sources de confianza y de alta calidad sean fáciles de encontrar y reconocer. Una forma directa de hacerlo es usar las funcionalidades de aprobación y capacidad de descubrimiento de Fabric, que facilitan a los usuarios encontrar Datasets (por ejemplo, en OneLake Data Hub).
• Evita el encadenamiento innecesario de Datasets: Con los modelos compuestos, es tentador usarlos para todos los casos de uso, con una posible duplicación de la lógica de negocio o de los datos. Sin embargo, los modelos compuestos tienen una variedad de implicaciones de rendimiento que pueden hacer que sea una mala elección. Como ocurre con todas las decisiones de diseño, depende de los datos, del modelo y de la lógica de negocio específica en tu escenario. Valora con cuidado todas las alternativas disponibles, como aprovechar Power BI Dataflows para reutilizar dimensiones conformadas, o usar el Master Model Pattern con Tabular Editor y scripting/automatización para gestionar mejor la lógica de modelo reutilizada.
• Considera alternativas: Con Microsoft Fabric, hay otras alternativas a los modelos compuestos. Cuando quieras preservar una verdad central y, a la vez, permitir que los usuarios agreguen sus propios datos, plantéate aprovechar la “filosofía de una única copia” de OneLake. Cuando los Datasets de Power BI usan el modo de almacenamiento Direct Lake y están conectados al mismo Data source, los datos no se duplican. Esto significa que puedes crear dos Datasets de Direct Lake que usen los mismos datos, sin duplicar esa información. Sin embargo, la lógica de negocio en las fórmulas DAX y las relaciones del modelo se configuran en los Datasets. Por lo tanto, siguen duplicados entre los Datasets, lo que requiere una gestión cuidadosa de esta lógica (por ejemplo, mediante el Master Model Pattern mencionado en el punto anterior).

Como con cualquier decisión de diseño del modelo, evalúa cuidadosamente las opciones disponibles. Prueba estas opciones antes de aplicarlas, sopesando los pros y los contras y su impacto en tu funcionalidad, rendimiento y otros factores relevantes.

En conclusión

Los modelos compuestos ofrecen una solución elegante a un problema frecuente: permitir que los usuarios finales incorporen nuevos datos, manteniendo al mismo tiempo la lógica central y una fuente de verdad única. Aunque hay factores e implicaciones clave que tener en cuenta, aprovechar los modelos compuestos puede ser una opción útil para que los usuarios avanzados de autoservicio hagan más con Power BI y Fabric.