[{"data":1,"prerenderedAt":29},["ShallowReactive",2],{"article-data-curso-gcp-medallion-09":3},{"content":4,"date":5,"image":6,"sideArticles":7},"\u003C!DOCTYPE html>\r\n\u003Chtml lang=\"es\">\r\n\r\n\u003Chead>\r\n    \u003Cmeta charset=\"UTF-8\">\r\n    \u003Cmeta name=\"viewport\" content=\"width=device-width, initial-scale=1.0\">\r\n    \u003Cmeta name=\"description\"\r\n        content=\"Modelado Dimensional en BigQuery. Aprende a diseñar Star Schemas con tablas de hechos y dimensiones para análisis de negocio eficientes.\">\r\n    \u003Cmeta name=\"keywords\"\r\n        content=\"BigQuery, Data Modeling, Star Schema, Dimensional Modeling, Fact Tables, Dimension Tables, Looker Studio, Arquitectura Medallion, Google Cloud\">\r\n    \u003Cmeta name=\"author\" content=\"Eduardo Martínez Agrelo\">\r\n    \u003Ctitle>Modelado Dimensional con BigQuery | Curso GCP Medallion\u003C/title>\r\n    \u003Cstyle>\r\n        body {\r\n            font-family: sans-serif;\r\n            line-height: 1.6;\r\n        }\r\n\r\n        h1,\r\n        h2,\r\n        h3 {\r\n            color: #333;\r\n        }\r\n\r\n        ul {\r\n            list-style-type: disc;\r\n            margin-left: 20px;\r\n        }\r\n\r\n        code {\r\n            background-color: #f4f4f4;\r\n            padding: 2px 5px;\r\n            border-radius: 3px;\r\n            font-family: monospace;\r\n        }\r\n    \u003C/style>\r\n\r\n    \u003Cp>\u003Cstrong>Autor:\u003C/strong> \u003Ca href=\"https://www.youtube.com/@EduardoMartinezAgrelo\" target=\"_blank\">Eduardo Martínez\r\n            Agrelo\u003C/a>\u003C/p>\r\n\r\n    \u003Cp>Bienvenidos al noveno laboratorio de vuestro camino en el modelado con el \u003Cstrong>Esquema en Estrella\u003C/strong>.\r\n        En este\r\n        módulo, sentaremos las bases de la optimización analítica de negocio. No se trata solo de agrupar tablas de\r\n        forma\r\n        desorganizada, sino de estructurar de manera dimensional el almacén de datos definitivo. Utilizaremos\r\n        \u003Cstrong>Google Cloud\u003C/strong> para transitar de flujos limpios a una capa analítica curada de alto rendimiento.\r\n    \u003C/p>\r\n\r\n    \u003Ch2>La Evolución: De Normalizaciones Complejas a Estructuras Dimensionales\u003C/h2>\r\n\r\n    \u003Cp>La persistencia analítica de datos normalizados en exceso que requiere múltiples e intrincados cruces (joins)\r\n        degrada\r\n        drásticamente la experiencia del analista de negocio y dispara los costes de procesamiento. En entornos\r\n        analíticos\r\n        modernos de inteligencia de negocio, el modelado dimensional es la respuesta indispensable [5]:\u003C/p>\r\n    \u003Cul>\r\n        \u003Cli>\u003Cstrong>Limitaciones:\u003C/strong> Consultar bases de datos normalizadas en herramientas de BI genera lentitud,\r\n            saturación\r\n            en memoria y dificulta la interpretación de métricas corporativas.\u003C/li>\r\n        \u003Cli>\u003Cstrong>La Solución:\u003C/strong> Organizar los datos en tablas estructuradas de hechos y dimensiones maximiza\r\n            el\r\n            rendimiento y simplifica la creación de consultas de negocio.\u003C/li>\r\n    \u003C/ul>\r\n\r\n    \u003Ch2>La Estructuración de Gold: Hechos, Dimensiones y Particionado de Tablas\u003C/h2>\r\n\r\n    \u003Cp>Para asegurar que nuestra capa definitiva de reportes ofrezca consultas veloces y un consumo de coste eficiente,\r\n        implementaremos tres componentes lógicos clave:\u003C/p>\r\n    \u003Cp>\u003Ccode>Consolidación Maestra (dim_customers) + Particionado Físico (PARTITION BY) + Clusterizado de Búsquedas (CLUSTER BY)\u003C/code>\r\n    \u003C/p>\r\n    \u003Cp>Aprenderemos que una tabla de hechos masiva sin particionamiento incurre en costes de escaneo elevados en Looker\r\n        Studio; por\r\n        ello, nos enfocaremos en estructurar la tabla particionándola físicamente por fecha y clusterizándola por\r\n        productos y\r\n        clientes.\u003C/p>\r\n\r\n    \u003Ch2>Modelado e Integridad Referencial con BigQuery SQL\u003C/h2>\r\n\r\n    \u003Cp>En la compilación de la capa Gold, la consistencia lógica de las tablas analíticas debe estar garantizada por\r\n        consultas SQL\r\n        robustas. No unimos tablas de forma descuidada; utilizamos \u003Cstrong>GoogleSQL\u003C/strong> para depurar la\r\n        consistencia\r\n        referencial y estructurar el Star Schema definitivo de la plataforma de datos [5]:\u003C/p>\r\n    \u003Cul>\r\n        \u003Cli>\u003Cstrong>Clientes:\u003C/strong> Crearemos la dimensión de clientes en \u003Cstrong>gold.dim_customers\u003C/strong>\r\n            extrayendo los\r\n            perfiles de \u003Cstrong>BigQuery\u003C/strong> de forma limpia.\u003C/li>\r\n        \u003Cli>\u003Cstrong>Ventas:\u003C/strong> Generaremos la tabla de hechos en \u003Cstrong>gold.fact_sales\u003C/strong> filtrando\r\n            transacciones\r\n            huérfanas mediante joins estrictos en BigQuery.\u003C/li>\r\n    \u003C/ul>\r\n\r\n    \u003Ch2>Implementación práctica\u003C/h2>\r\n\r\n    \u003Cp>En este laboratorio práctico, codificarás los scripts de modelado analítico en BigQuery SQL. Crearemos los\r\n        archivos de\r\n        definición `gold_dim_customers.sql` y \u003Ccode>gold_fact_sales.sql\u003C/code> para consolidar las tablas del almacén de\r\n        datos,\r\n        permitiéndote comprobar el particionamiento físico y la exclusión de registros corruptos de la base analítica.\r\n    \u003C/p>\r\n\r\n    \u003Ch2>Conclusión: Modelado en la capa Gold\u003C/h2>\r\n    \u003Cp>Has completado con éxito la fase de modelado dimensional en la capa Gold. Has aprendido a estructurar,\r\n        particionar y\r\n        clusterizar un Star Schema optimizado en BigQuery que reduce los costes de consulta y agiliza la toma de\r\n        decisiones\r\n        empresariales [5]. Ya tienes tus datos corporativos estructurados de forma analítica; el siguiente paso es\r\n        automatizar\r\n        de extremo a extremo la ejecución de tu plataforma mediante orquestación serverless.\u003C/p>","July 10, 2026","https://storage.googleapis.com/mp-blog/images/curso-gcp-medallion-09.jpg",[8,14,19,24],{"id":9,"title":10,"description":11,"image":12,"date":13},"curso-gcp-ai-ops-01","Fundamentos de AIOps en Google Cloud | Curso AIOps con Vertex AI","Módulo 1: Fundamentos de AIOps en Google Cloud. Aprende la transición de ITOps a operaciones inteligentes y cómo preparar tu infraestructura base con Terraform.","https://storage.googleapis.com/mp-blog/images/curso-gcp-ai-ops-01.jpg","May 28, 2026",{"id":15,"title":16,"description":17,"image":18,"date":13},"curso-gcp-ai-ops-02","Vertex AI para AIOps: AutoML y Despliegue | Curso AIOps","Módulo 2: Gestión de modelos con Vertex AI para AIOps. Aprende a utilizar AutoML, gestionar datasets tabulares y desplegar endpoints de predicción.","https://storage.googleapis.com/mp-blog/images/curso-gcp-ai-ops-02.jpg",{"id":20,"title":21,"description":22,"image":23,"date":13},"curso-gcp-ai-ops-03","Observabilidad Inteligente en GCP | Curso AIOps","Módulo 3: Observabilidad Inteligente en GCP. Configuración de Cloud Monitoring, Cloud Logging y creación de dashboards predictivos correlacionados con BigQuery.","https://storage.googleapis.com/mp-blog/images/curso-gcp-ai-ops-03.jpg",{"id":25,"title":26,"description":27,"image":28,"date":13},"curso-gcp-ai-ops-04","Automatización Operativa y Remediación | Curso AIOps","Módulo 4: Automatización Operativa en AIOps. Aprende a crear arquitecturas dirigidas por eventos con Cloud Functions y Pub/Sub para la remediación automática.","https://storage.googleapis.com/mp-blog/images/curso-gcp-ai-ops-04.jpg",1783692775944]