Resumen de Fundamentos de Data Warehousing y GIS

## Introducción El **almacenamiento de datos (Data Warehouse)** es una estructura diseñada para reunir, integrar y conservar datos históricos de una organización con el fin de apoyar la toma de decisiones. Aunque hay varios enfoques y arquitecturas, su propósito central es ofrecer una visión consistente, confiable y orientada a temas que facilite el análisis y la generación de informes. > **Definición (Bill Inmon):** Una colección de datos orientados a temas, integrados, variables en el tiempo y no volátiles para ayudar al proceso de toma de decisiones en una organización. ## Conceptos básicos desglosados ### Orientado a temas - Significa que los datos se estructuran según áreas de interés para la empresa (por ejemplo: ventas, clientes, finanzas). - Permite consultas y análisis centrados en decisiones específicas del negocio. > **Definición:** Orientado a temas: organización de datos por dominios relevantes para la gestión, en lugar de por procesos operativos. ### Integrado - Los datos provenientes de distintas fuentes se homogeneizan: nombres de campos, formatos de fecha, unidades de medida, claves de producto, etc. - La integración facilita comparaciones confiables y reportes coherentes. > **Definición:** Integrado: datos combinados y armonizados desde múltiples sistemas para eliminar ambigüedades. ### Variable con el tiempo - Un Data Warehouse mantiene histórico: cada registro tiene referencia temporal y se conserva para análisis longitudinales. - El tiempo actúa como una dimensión principal en la mayoría de los modelos analíticos. > **Definición:** Variable con el tiempo: conservación de versiones y registros históricos para permitir análisis a lo largo del tiempo. ### No volátil - Los datos del DW no se modifican por usuarios finales; los cambios se realizan mediante procesos controlados por IT. - Esto garantiza reproducibilidad en análisis y auditoría. > **Definición:** No volátil: los datos almacenados no se alteran por usuarios operativos y solo se actualizan mediante procesos formales. ## Tipos y alcance ### Data Warehouse empresarial (EDW) - Repositorio central a gran escala que contiene información de múltiples áreas de la organización. - Provee una vista unificada y consistente de los datos empresariales. - Características: alto volumen, consolidación, alta disponibilidad. ### Data Mart (almacén departamental) - Específico para un departamento o función (p. ej., marketing, finanzas). - Más pequeño y con implementación más rápida que un EDW. - Puede ser dependiente (subconjunto del EDW) o independiente (diseñado para un área sin partir de un EDW). > **Definición:** Data Mart: subconjunto de datos orientado a un área o propósito específico dentro de la empresa. ## Comparación: Data Warehouse vs Data Mart | Característica | Data Warehouse (EDW) | Data Mart | |---|---:|---:| | Alcance | Corporativo | Departamental | | Visión | Integrada y global | Parcial, focalizada | | Temas | Muchas áreas temáticas | Pocas o una temática | | Fuentes | Muchas fuentes de datos | Pocas fuentes | | Detalle e historia | Detallado e histórico | Detallado con algo de historia o resumido | | Implementación típica | 9 – 18 meses | 4 – 12 meses | | Enfoque | Estratégico, duradero | Táctico, de vida más corta | ## Componentes principales (sin entrar en ETL) - Repositorio físico: servidores en sitio o en la nube donde residen los datos. - Esquemas de almacenamiento: modelos dimensionales (cubos, star schema, snowflake) u otros según la necesidad. - Metadatos: información sobre los datos (origen, transformaciones aplicadas, definiciones de campos, políticas de retención). - Herramientas de acceso: interfaces web, motores OLAP, herramientas de BI para consulta y visualización. - Mecanismos de seguridad y controles de acceso: roles, auditorías y encriptación. > **Definición:** Metadatos: datos que describen otros datos, incluyendo su origen, significado y reglas de uso. ## Modelos de Data Warehouse ### Modelo Inmon (top-down) - Pr