Díganos qué opina sobre la experiencia de descarga del PDF.

Transformación, definición y modelado

de datos en Power BI: documentación
En la documentación de Power BI se proporciona información de expertos relacionada
con la transformación, la adaptación y el modelado de datos en Power BI.

Transformar y dar forma a los datos

ｅ INFORMACIÓN GENERAL

Información general sobre el Editor de consultas

ｇ TUTORIAL

Dar forma a los datos y combinarlos

ｐ CONCEPTO

Tareas comunes relacionadas con las consultas

ｃ GUÍA PASO A PASO

Combinar archivos (binarios)

Modelado de datos

ｐ CONCEPTO

Visualización de modelado

Relaciones de varios a varios

ｃ GUÍA PASO A PASO

Creación y administración de relaciones

Aplicación de la categorización de datos

Cálculos
ｇ TUTORIAL

Enseñanza sobre conceptos básicos de DAX

Creación de columnas calculadas

ｐ CONCEPTO

Tablas calculadas

ｃ GUÍA PASO A PASO

Uso de medidas rápidas

Preparación de datos de autoservicio

ｅ INFORMACIÓN GENERAL

Autoservicio de preparación de los datos en Power BI

ｐ CONCEPTO

Flujos de datos: Preparación de datos de autoservicio

Creación y uso de flujos de datos

Flujos de datos de streaming (versión preliminar)

Datamarts (versión preliminar)

ｅ INFORMACIÓN GENERAL

Introducción a datamarts (versión preliminar)

ｃ GUÍA PASO A PASO

Comenzar con datamarts (versión preliminar)

ｐ CONCEPTO

Descripción de datamarts (versión preliminar)

Creación de informes con datamarts (versión preliminar)

Administración de Datamart (versión preliminar)

Información general sobre consultas en
Power BI Desktop
Artículo • 23/03/2023

Power BI Desktop le permite conectarse con el mundo de los datos, crear informes
básicos y atractivos y compartir sus esfuerzos con otros usuarios, quienes a su vez
podrán basarse en el trabajo que comparte con ellos y expandir sus propios esfuerzos
de inteligencia empresarial.

Power BI Desktop tiene tres vistas:

Vista Informe: puede usar las consultas que crea para generar visualizaciones
atractivas, que se ordenan como quiere que aparezcan, y con varias páginas, que
puede compartir con los demás.
Vista Datos: vea los datos en el informe en el formato de modelo de datos, donde
puede agregar medidas, crear nuevas columnas y administrar relaciones.
Vista Modelo: obtenga una representación gráfica de las relaciones que se han
establecido en el modelo de datos y adminístrelas o modifíquelas según
corresponda.

Acceda a estas vistas seleccionando uno de los tres iconos situados en el lado izquierdo
de Power BI Desktop. En la siguiente imagen, la vista Informe está seleccionada y se
indica mediante la banda de color amarillo situada junto al icono.

Power BI Desktop incluye también el Editor de Power Query. Use el Editor de Power
Query para conectarse a uno o varios orígenes de datos, dar forma a los datos y
transformarlos para que se ajusten a sus necesidades. Luego, puede cargar ese modelo
en Power BI Desktop.
En este artículo se ofrece información general sobre el funcionamiento de los datos en
el Editor de Power Query, pero queda mucho por aprender. Al final de este artículo
encontrará vínculos a instrucciones detalladas sobre los tipos de datos admitidos.
También encontrará instrucciones sobre cómo conectarse a datos, darles forma, crear
relaciones y empezar a trabajar.

Pero primero, vamos a familiarizarnos con el Editor de Power Query.

Editor de Power Query

Para obtener el Editor de Power Query, seleccione Transformar datos en la pestaña
Inicio de Power BI Desktop.

Si no existe ninguna conexión de datos, el Editor de Power Query aparece como un

panel en blanco listo para mostrar datos.
Después de cargar una consulta, el Editor de Power Query resulta más interesante. Si
conecta al siguiente origen de datos web usando el botón Nuevo origen de la esquina
superior izquierda, el Editor de Power Query carga información sobre los datos, a los
que puede comenzar a dar forma:

[Link]

Aquí se muestra la apariencia del Editor de Power Query después de establecer la

conexión de datos:

1. En la cinta aparecen muchos botones activos que permiten interactuar con los
datos de la consulta.

2. En el panel izquierdo se muestran las consultas y están disponibles para su

selección, visualización y conformación.

3. En el panel central se muestran los datos de la consulta seleccionada, disponibles

para darles forma.

4. Aparece el panel Configuración de la consulta, con una lista de las propiedades de

la consulta y los pasos aplicados.

Más tarde se explicarán cada una de estas cuatro áreas: la cinta de opciones, el panel
Consultas, la vista Datos y el panel Configuración de consulta.

La cinta de opciones de consulta

La cinta de opciones del Editor de Power Query consta de seis pestañas: Inicio,
Transformar, Agregar columna, Vista, Herramientas y Ayuda.

La pestaña Inicio contiene las tareas de consulta comunes.

Para conectarse a los datos y comenzar el proceso de creación de la consulta, seleccione
Nuevo origen. Aparece un menú que proporciona los orígenes de datos más comunes.

Para obtener más información acerca de los orígenes de datos disponibles, consulte
Orígenes de datos. Para obtener información sobre cómo conectarse a datos, con
ejemplos y pasos a seguir, consulte Conectar a datos.

La pestaña Transformar proporciona acceso a tareas comunes de transformación de

datos, tales como:

Adición o eliminación de columnas

Cambio de tipos de datos
División de columnas
Otras tareas controladas por datos
Para obtener más información sobre la transformación de datos, incluidos ejemplos,
consulte Tutorial: Combinar datos y darles forma en Power BI Desktop.

La ficha Agregar columna proporciona más tareas relacionadas con agregar una
columna, aplicar formato a los datos de una columna y agregar columnas
personalizadas. La siguiente imagen muestra la pestaña Agregar columna .

La pestaña Vista de la cinta de opciones se usa para alternar si se muestran

determinados paneles o ventanas. También se usa para mostrar el Editor avanzado. La
siguiente imagen muestra la pestaña Vista.

Resulta útil saber que muchas de las tareas disponibles en la cinta también están
disponibles si se hace clic con el botón derecho en una columna, u otros datos, en el
panel central.

Panel izquierdo (Consultas)

El panel izquierdo, o panel Consultas, muestra el número de consultas activas, así como
el nombre de cada consulta. Cuando selecciona una consulta en el panel izquierdo, los
datos se muestran en el panel central, donde se les puede dar forma y transformar
según sea necesario. La siguiente imagen muestra el panel izquierdo con una consulta.

Panel central (Datos)

En el panel central, o panel Datos, se muestran los datos de la consulta seleccionada.
Aquí es donde se realiza gran parte del trabajo de la vista Consulta.

En la imagen siguiente se muestra la conexión de datos web establecida anteriormente.

Se selecciona la columna Puntuación general y se hace clic con el botón derecho en el
encabezado para mostrar los elementos de menú disponibles. Tenga en cuenta que
muchos de estos elementos del menú contextual son los mismos que los botones que
se encuentran en las fichas de la cinta de opciones.

Cuando se selecciona un elemento de menú contextual (o un botón de la cinta), en la

vista de consultas se aplica el paso a los datos. También se guarda el paso como parte
de la propia consulta. Los pasos se registran en el panel Configuración de consulta en
orden secuencial, como se describe en la sección siguiente.

Panel derecho (Configuración de consulta)

En el panel derecho, o panel Configuración de consulta, es donde se muestran todos
los pasos asociados a una consulta. Por ejemplo, en la imagen siguiente, la sección
Pasos aplicados del panel Configuración de consulta refleja el hecho de que se acaba
de cambiar el tipo de la columna Puntuación general .
A medida que se aplican más pasos de conformación a la consulta, estos se capturan en
la sección Pasos aplicados.

Es importante saber que los datos subyacentes no cambian. En su lugar, el Editor de

Power Query ajusta la vista de los datos y le da forma. También lo hace con la vista de
cualquier interacción con los datos subyacentes que se produzca en función de la vista
conformada y modificada de esos datos del Editor de Power Query.

En el panel Configuración de consulta , puede eliminar pasos y cambiar el nombre o el

orden de estos como considere oportuno. Para ello, haga clic en el paso en la sección
Pasos aplicados y, a continuación, elija la opción deseada del menú que aparece. Todos
los pasos de consulta se llevan a cabo en el orden en que aparecen en el panel Pasos
aplicados.
Editor avanzado
El Editor avanzado le permite ver el código que el Editor de Power Query crea con cada
paso. También le permite crear su propio código en el lenguaje de fórmulas Power
Query M. Para iniciar el editor avanzado, seleccione Vista desde la cinta de opciones y
después seleccione Editor avanzado. Aparece una ventana que muestra el código
generado para la consulta seleccionada.

Puede modificar directamente el código en la ventana Editor avanzado . Para cerrar la

ventana, seleccione el botón Listo o el botón Cancelar .

Guardar el trabajo
Cuando la consulta esté donde usted quiera, seleccione Cerrar y aplicar en el menú
Archivo del Editor de Power Query. Esta acción aplica los cambios y cierra el editor.

Como la operación avanza, Power BI Desktop proporciona un cuadro de diálogo para

mostrar su estado.

Cuando esté a punto, Power BI Desktop puede guardar su trabajo en forma de archivo
.pbix.

Para guardar el trabajo, seleccione Archivo>Guardar (o Archivo>Guardar como), tal y

como se muestra en la siguiente imagen.

Pasos siguientes
Se puede hacer todo tipo de cosas con Power BI Desktop. Para obtener más información
sobre sus capacidades, consulte los siguientes recursos:

¿Qué es Power BI Desktop?

Orígenes de datos en Power BI Desktop
Conectarse a orígenes de datos en Power BI Desktop
Tutorial: Combinar datos y darles forma con Power BI Desktop
Realización de tareas de consultas comunes en Power BI Desktop
Tutorial: Crear medidas propias en
Power BI Desktop
Artículo • 23/03/2023

Con las medidas, puede crear algunas de las soluciones de análisis de datos más
eficaces en Power BI Desktop. Las medidas ayudan al realizar cálculos con los datos a
medida que se interactúa con los informes. Este tutorial le ayudará a entender las
medidas y a crear sus medidas básicas propias en Power BI Desktop.

Prerrequisitos
Este tutorial está destinado a usuarios de Power BI que ya están familiarizados con
el uso de Power BI Desktop para crear modelos más avanzados. Ya debe estar
familiarizado con el uso de Obtener datos y el Editor de Power Query para
importar datos, trabajar con varias tablas relacionadas y agregar campos al lienzo
del informe. Si no está familiarizado con Power BI Desktop, asegúrese de revisar
Introducción a Power BI Desktop.

En este tutorial se usa el archivo de ejemplo de ventas de Contoso para

Power BI Desktop , que incluye datos de ventas en línea de la compañía ficticia
Contoso. Como estos datos se han importado desde una base de datos, no se
puede conectar al origen de datos ni verlos en el Editor de Power Query.
Descargue y extraiga el archivo en el equipo.

Medidas automáticas
Cuando Power BI Desktop crea una medida, normalmente se crea de forma automática.
Para ver cómo Power BI Desktop crea una medida, siga estos pasos:

1. En Power BI Desktop, seleccione Archivo>Abrir, vaya al archivo Ejemplo de ventas

de Contoso para Power BI [Link] y, después, elija Abrir.

2. En el panel Campos, expanda la tabla Sales. Después, active la casilla situada junto
al campo SalesAmount o arrastre SalesAmount al lienzo del informe.

Aparece una nueva visualización de gráfico de columnas, en la que se muestra la

suma total de todos los valores de la columna SalesAmount de la tabla Sales.
 Cualquier campo (columna) del panel Campos con un icono sigma es numérico
y sus valores se pueden agregar. En lugar de mostrar una tabla con muchos
valores (2.000.000 de filas para SalesAmount) Power BI Desktop crea y calcula de
forma automática una medida para agregar los datos si detecta un tipo de datos
numérico. La suma es la agregación predeterminada de un tipo de datos numérico,
pero puede aplicar fácilmente otras agregaciones, como media o recuento.
Comprender las agregaciones es fundamental para entender las medidas, porque
cada medida realiza algún tipo de agregación.

Para cambiar la agregación de gráfico, siga estos pasos:

1. Seleccione la visualización SalesAmount en el lienzo del informe.

2. En el área Valores del panel Visualizaciones, seleccione la flecha hacia abajo

situada a la derecha de SalesAmount.

3. En el menú que aparece, seleccione Promedio.

La visualización cambia a una media de todos los valores de ventas del campo
SalesAmount.
En función del resultado que quiera, puede cambiar el tipo de agregación. Pero no
todos los tipos de agregación se aplican a todos los tipos de datos numéricos. Por
ejemplo, para el campo SalesAmount, Suma y Promedio son útiles, y también se
pueden usar Mínimo y Máximo. Pero Recuento no tiene mucho sentido para el campo
SalesAmount porque, aunque sus valores sean numéricos, se trata de valores de
moneda.

Los valores que se calculan a partir de medidas cambian en respuesta a interacciones

con el informe. Por ejemplo, si arrastra el campo RegionCountryName desde la tabla
Geography al gráfico SalesAmount existente, cambia para mostrar el promedio de
importes de ventas de cada país o región.
Cuando el resultado de una medida cambia por una interacción con el informe, el
contexto de la medida se ve afectado. Cada vez que se interactúa con las visualizaciones
del informe, se cambia el contexto en el que una medida calcula y muestra los
resultados.

Creación y uso de sus propias medidas

En la mayoría de los casos, Power BI Desktop calcula y devuelve automáticamente
valores en función de los tipos de campos y agregaciones que elija. Pero, es posible que
en algunos casos quiera crear medidas propias para realizar cálculos más complejos y
únicos. Con Power BI Desktop, puede crear sus propias medidas usando el lenguaje de
fórmulas de expresiones de análisis de datos (DAX).

Las fórmulas DAX usan muchas de las mismas funciones, operadores y sintaxis que las
fórmulas de Excel. Sin embargo, las funciones DAX están diseñadas para trabajar con
datos relacionales y realizar cálculos más dinámicos a medida que se interactúa con los
informes. Hay más de 200 funciones DAX que realizan todo tipo de agregaciones
simples, como sumas y medias, hasta funciones estadísticas y de filtrado más complejas.
Hay muchos recursos que pueden ayudarle a obtener más información sobre DAX. Una
vez que finalice este tutorial, vea Aspectos básicos de DAX en Power BI Desktop.
Cuando se crea una medida propia, se denomina una medida modelo y se agrega a la
lista Campos de la tabla que se seleccione. Entre algunas de las ventajas de las medidas
modelos se encuentran que se les puede poner cualquier nombre, lo que facilita su
identificación. También se pueden usar como argumentos en otras expresiones DAX y
realizar cálculos complejos muy rápidamente.

Medidas rápidas
Muchos cálculos comunes están disponibles como medidas rápidas, que escriben las
fórmulas DAX automáticamente en función de las entradas de una ventana. Estos
cálculos rápidos y eficaces también son ideales para el aprendizaje de DAX o para
inicializar sus propias medidas personalizadas.

Cree una medida rápida mediante uno de estos métodos:

Desde una tabla del panel Campos, haga clic con el botón derecho o seleccione
Más opciones (...) y, después, elija Nueva medida rápida de la lista.

En Cálculos en la pestaña Inicio de la cinta de Power BI Desktop, seleccione Nueva

medida rápida.

Para obtener más información sobre cómo crear y usar las medidas rápidas, vea Uso de
medidas rápidas.

Creación de una medida

Imagine que quiere analizar las ventas netas mediante la resta de descuentos y
devoluciones de los importes de ventas totales. Para el contexto que exista en la
visualización, necesita una medida que reste la suma de DiscountAmount y
ReturnAmount de la suma de SalesAmount. No hay ningún campo para las ventas netas
en la lista Campos, pero tiene los bloques de creación para crear una medida propia y
calcular las ventas netas.

Para crear una medida, siga estos pasos:

1. En el panel Campos, haga clic con el botón derecho en la tabla Sales, o bien
mantenga el mouse sobre la tabla y seleccione Más opciones (...).

2. En el menú que aparece, elija Nueva medida.

Esta acción guarda la nueva medida en la tabla Sales, donde es fácil de encontrar.
También puede crear una medida si selecciona Nueva medida en el grupo
Cálculos de la pestaña Inicio de la cinta de Power BI Desktop.

 Sugerencia

Cuando se crea una medida desde la cinta, se puede crear en cualquiera de

las tablas, pero será más fácil de encontrar si se crea donde planea usarla. En
este caso, seleccione primero la tabla Sales para activarla y, luego, elija Nueva
medida.

La barra de fórmulas aparece en la parte superior del lienzo del informe, donde
puede cambiar el nombre de la medida y escribir una fórmula DAX.
3. De manera predeterminada, cada nueva medida se denomina Medida. Si no le
cambia el nombre, las medidas nuevas se denominarán Medida 2, Medida 3, etc.
Para facilitar la identificación de esta medida, resalte Medida en la barra de
fórmulas y, luego, cambie el nombre por Ventas netas.

4. Empiece a escribir la fórmula. Después del signo igual, empiece a escribir Sum. A
medida que escribe, aparecerá una lista desplegable de sugerencias, con todas las
funciones DAX que comienzan con las letras que escribe. Si es necesario,
desplácese hacia abajo para seleccionar SUM en la lista y, luego, presione Entrar.

Aparece un paréntesis de apertura, junto con una lista desplegable de sugerencias

de las columnas disponibles que puede pasar a la función SUMA.
5. Las expresiones siempre aparecen entre paréntesis de apertura y cierre. Para este
ejemplo, la expresión contiene un solo argumento para pasarlo a la función SUMA:
la columna SalesAmount. Empiece a escribir SalesAmount hasta que
Sales(SalesAmount) sea el único valor de la lista.

El nombre de la columna precedido por el nombre de la tabla se conoce como el

nombre completo de la columna. Los nombres completos de columna facilitan la
lectura de las fórmulas.

6. Seleccione Sales[SalesAmount] en la lista y, después, escriba un paréntesis de

cierre.

 Sugerencia

Los errores de sintaxis suelen deberse a paréntesis de cierre faltantes o en el

lugar incorrecto.

7. Reste las otras dos columnas dentro de la fórmula:

a. Después del paréntesis de cierre de la primera expresión, escriba un espacio, un

operador de signo menos (-) y después otro espacio.

b. Escriba otra función SUMA y empiece a escribir DiscountAmount hasta que

pueda elegir la columna Sales[DiscountAmount] como argumento. Agregue un
paréntesis de cierre.

c. Escriba un espacio, un operador de signo menos, un espacio, otra función SUMA

con Sales[ReturnAmount] como argumento y, después, otro paréntesis de cierre.
 8. Presione Entrar o seleccione Confirmar (el icono de marca de verificación) en la
barra de fórmulas para completar y validar la fórmula.

La medida Net Sales validada ya está lista para usarla en la tabla Sales del panel
Campos.

9. Si necesita más espacio para escribir una fórmula o quiere que aparezca en líneas
independientes, seleccione la flecha hacia abajo que aparece a la derecha de la
barra de fórmulas para proporcionar más espacio.

La flecha hacia abajo se convierte en una flecha hacia arriba y aparece un cuadro
grande.

10. Separe los elementos de la fórmula; para ello, presione Alt + Entrar para líneas
independientes, o bien Tabulación para agregar espaciado de tabulación.
Uso de una medida en el informe
Agregue la medida Net Sales al lienzo del informe y calcule las ventas netas para
cualquier otro campo que agregue al informe.

Para echar un vistazo a las ventas netas por país o región:

1. Seleccione la medida Net Sales en la tabla Sales o arrástrela al lienzo del informe.

2. Seleccione el campo RegionCountryName de la tabla Geography, o bien

arrástrelo al gráfico Net Sales.

3. Para ver la diferencia entre las ventas netas y las ventas totales por país o región,
seleccione el campo SalesAmount o arrástrelo al gráfico.
 El gráfico ahora usa dos medidas: SalesAmount, que Power BI ha sumado de
forma automática, y la medida Net Sales que ha creado manualmente. Cada
medida se ha calculado en el contexto de otro campo, RegionCountryName.

Uso de la medida con una segmentación

Agregue una segmentación para filtrar aún más las ventas netas y los importes de
ventas por año natural:

1. Seleccione un área en blanco junto al gráfico. En el panel Visualizaciones,

seleccione la visualización Tabla.

Esta acción crea una visualización de tabla en blanco en el lienzo del informe.
2. Arrastre el campo Year desde la tabla Calendar a la nueva visualización de tabla en
blanco.

Como Year es un campo numérico, Power BI Desktop suma sus valores. Esta suma
no funciona bien como agregación; se solucionará en el paso siguiente.

3. En el cuadro Valores del panel Visualizaciones, seleccione la flecha hacia abajo

situada junto a Year y, después, elija No resumir. Ahora la tabla muestra años
individuales.

4. Seleccione el icono Segmentación del panel Visualizaciones para convertir la tabla

en una segmentación. Si la visualización muestra un control deslizante en lugar de
una lista, elija Lista en la flecha hacia abajo del control deslizante.
 5. Seleccione cualquier valor en la segmentación Year para filtrar el gráfico Ventas
netas e importe de ventas por RegionCountryName según corresponda. Las
medidas Net Sales y SalesAmount recalculan y muestran los resultados en el
contexto del campo Year seleccionado.

Uso de una medida en otra medida

Imagine que quiere averiguar qué productos tienen el importe de ventas netas más alto
por unidad vendida. Necesitará una medida que divida las ventas netas por la cantidad
de unidades vendidas. Cree una medida que divida el resultado de la medida Net Sales
por la suma de Sales[SalesQuantity].

1. En el panel Campos, cree una medida denominada Net Sales per Unit en la tabla
Sales.

2. En la barra de fórmulas, empiece a escribir Net Sales. En la lista de sugerencias se

muestra lo que puede agregar. Seleccione [Net Sales].
3. También puede hacer referencia medidas si escribe un corchete de apertura ([). En
la lista de sugerencias solo se muestran medidas para agregar a la fórmula.

4. Escriba un espacio, un operador de división (/), otro espacio, una función SUMA y,
luego, escriba Quantity. En la lista de sugerencias se muestran todas las columnas
que incluyan Quantity en el nombre. Seleccione Sales[SalesQuantity], escriba el
paréntesis de cierre y presione ENTRAR o elija Confirmar (el icono de marca de
verificación) para validar la fórmula.

La fórmula resultante debe ser similar a esta:

Net Sales per Unit = [Net Sales] / SUM(Sales[SalesQuantity])

5. Seleccione la medida Net Sales per Unit en la tabla Sales, o bien arrástrela a un
área en blanco del lienzo del informe.

En el gráfico se muestra el importe de ventas netas por unidad sobre todos los
productos vendidos. Este gráfico no es informativo; se solucionará en el paso
siguiente.
6. Para una mirada distinta, cambie el tipo de visualización del gráfico a Gráfico de
rectángulos.

7. Seleccione el campo Product Category, o bien arrástrelo al gráfico de rectángulos

o al campo Grupo del panel Visualizaciones. Ahora ya tiene información útil.
 8. Intente quitar el campo ProductCategory y, en su lugar, arrastrar el campo
ProductName al gráfico.

Ahora solo estamos jugando, pero tiene que admitir que esto es genial.
Experimente con otras formas de filtrar y dar formato a la visualización.

Lo que ha aprendido
Las medidas le permiten obtener las conclusiones que busca de los datos. Aprendió a
crear medidas con la barra de fórmulas, a asignarles el nombre que resulte más
conveniente y a buscar y seleccionar los elementos de fórmula adecuados con las listas
de sugerencias de DAX. También aprendió un poco sobre el contexto, donde el
resultado de los cálculos en las medidas cambian en función de otros campos u otras
expresiones en la fórmula.

Pasos siguientes
Para obtener más información sobre las medidas rápidas de Power BI Desktop, que
proporcionan muchos cálculos de medidas comunes para usted, consulte Uso de
medidas rápidas para cálculos comunes.

Si desea profundizar más en las fórmulas DAX y crear algunas medidas más
avanzadas, consulte Aprenda sobre aspectos básicos de DAX en Power BI Desktop.
Ese artículo se centra en los conceptos fundamentales en DAX, como la sintaxis, las
funciones y una explicación más exhaustiva sobre el contexto.

Asegúrese de agregar la Referencia de expresiones de análisis de datos (DAX) a sus

favoritos. En esta referencia encontrará información detallada sobre la sintaxis y los
operadores de DAX, y más de 200 funciones.
Tutorial: Crear columnas calculadas en
Power BI Desktop
Artículo • 23/03/2023

A veces los datos que está analizando no contienen un determinado campo necesario
para obtener los resultados buscados. Las columnas calculadas son útiles para esta
situación. Las columnas calculadas utilizar fórmulas de expresiones de análisis de datos
(DAX) para definir los valores de una columna. Esta herramienta es útil desde para
agrupar valores de texto de un par de columnas diferentes hasta calcular un valor
numérico a partir de otros valores. Por ejemplo, supongamos que sus datos tienen los
campos Ciudad y Estado, pero desea un único campo Ubicación que tenga ambos,
como "Miami, Florida".

Las columnas calculadas son similares a las medidas en que ambas se basan en fórmulas
DAX, pero difieren en cómo se usan. A menudo se usan medidas en el área Valores de
una visualización para calcular los resultados en función de otros campos. Las columnas
calculadas se usan como nuevos Campos en filas, ejes, leyendas y áreas de grupos de
visualizaciones.

Este tutorial le ayudará a entender y crear algunas columnas calculadas y a usarlas en

visualizaciones de informe en Power BI Desktop.

Prerrequisitos
Este tutorial está destinado a usuarios de Power BI que ya están familiarizados con
el uso de Power BI Desktop para crear modelos más avanzados. Ya debería saber
cómo usar la obtención de datos y el Editor de Power Query para importar datos,
trabajar con varias tablas relacionadas y agregar campos al lienzo de informe. Si no
está familiarizado con Power BI Desktop, asegúrese de revisar Introducción a
Power BI Desktop.

El tutorial utiliza el ejemplo de ventas de Contoso para Power BI Desktop , el

mismo ejemplo usado para el tutorial Crear medidas propias en Power BI Desktop.
Estos datos de ventas de la empresa ficticia Contoso, Inc. se importaron desde una
base de datos. No podrá conectarse al origen de datos ni verlos en el Editor de
Power Query. Descargue y extraiga el archivo en su propio equipo y luego ábralo
en Power BI Desktop.
Creación de una columna calculada con valores
de tablas relacionadas
En su informe de ventas, quiere mostrar categorías y subcategorías de producto como
valores únicos, por ejemplo: "Teléfonos móviles – Accesorios", "Teléfonos móviles –
Smartphones y PDA", y así sucesivamente. No hay ningún campo en la lista Campos que
le proporcione esos datos, pero hay un campo ProductCategory y un campo
ProductSubcategory, cada uno en su propia tabla. Puede crear una columna calculada
que combine los valores de estas dos columnas. Las fórmulas DAX pueden utilizar toda
la funcionalidad del modelo que ya tiene, incluidas las relaciones entre las diferentes
tablas que ya existen.

1. Para crear la nueva columna en la tabla ProductSubcategory, haga clic con el

botón derecho o seleccione los puntos suspensivos ... junto a ProductSubcategory
en el panel Campos y elija Nueva columna en el menú.
 Al elegir Nueva columna, la barra de fórmulas aparece en la parte superior del
lienzo de informe, donde puede asignar un nombre a la columna y escribir una
fórmula DAX.

2. De forma predeterminada, una nueva columna calculada se denomina Columna. Si

no cambia su nombre, las nuevas columnas se denominarán Columna 2,
Columna 3 y así sucesivamente. Quiere que la columna sea más fácil de identificar,
por lo que, con el nombre Columna resaltado en la barra de fórmulas, cámbielo
escribiendo ProductFullCategory y luego escriba un signo igual (=).
3. Quiere que los valores de la nueva columna empiecen con el nombre que se indica
en el campo ProductCategory. Dado que esta columna está en una tabla diferente
pero relacionada, vamos a usar la función RELATED para ayudarle a conseguir su
objetivo.

Después del signo igual escriba r. Una lista desplegable de sugerencias muestra
todas las funciones DAX que empiezan por la letra R. Al seleccionar cada función,
se muestra una descripción de su efecto. A medida que escribe, la lista de
sugerencias se aproxima más a la función que necesita. Seleccione RELATED y
presione Intro.

Aparece un paréntesis de apertura, junto con otra lista de sugerencias de las

columnas relacionadas que puede pasar a la función RELATED, con descripciones y
detalles sobre parámetros esperados.

4. Desea la columna ProductCategory de la tabla ProductCategory. Seleccione

ProductCategory[ProductCategory], presione Intro y escriba un paréntesis de
cierre.
  Sugerencia

Los errores de sintaxis suelen producirse por un paréntesis de cierre ausente o

que no viene al caso, aunque a veces Power BI Desktop lo agregará
automáticamente.

5. Quiere guiones y espacios para separar ProductCategories y

ProductSubcategories en los nuevos valores, así que después del paréntesis de
cierre de la primera expresión, escriba un espacio, una Y comercial (&), comillas
dobles ("), espacio, guion (-), otro espacio, otras comillas dobles y otra Y comercial.
La fórmula debe tener el siguiente aspecto:

ProductFullCategory = RELATED(ProductCategory[ProductCategory]) & " - " &

 Sugerencia

Si necesita más espacio, seleccione el botón de contenido adicional hacia

abajo situado en el lado derecho de la barra de fórmulas para expandir el
editor de fórmulas. En el editor, presione Alt + Intro para bajar una línea y el
tabulador para mover cosas.

6. Por último, escriba otro corchete de apertura ([) y luego seleccione la columna
[ProductSubcategory] para terminar la fórmula.

No necesitaba usar otra función RELATED para llamar a la tabla

ProductSubcategory en la segunda expresión, ya que está creando la columna
calculada en esta tabla. Puede escribir [ProductSubcategory] con el prefijo de
nombre de tabla (completo) o sin él (incompleto).

7. Complete la fórmula. Para ello presione Intro o seleccione la marca de verificación

en la barra de fórmulas. La fórmula se valida y el nombre de la columna
ProductFullCategory aparece en la tabla ProductSubcategory en el panel
Campos.
 ７ Nota

En Power BI Desktop, las columnas calculadas tienen un icono especial en el

panel Campos, que muestra que contienen fórmulas. En el servicio Power BI
(sitio de Power BI), no hay forma de cambiar las fórmulas, por lo que las
columnas calculadas no tienen iconos.

Uso de la nueva columna en un informe

Ahora puede usar la nueva columna ProductFullCategory para ver SalesAmount por
ProductFullCategory.

1. Seleccione o arrastre la columna ProductFullCategory desde la tabla

ProductSubcategory al lienzo de informe para crear una tabla que muestre todos
los nombres de ProductFullCategory.
 2. Seleccione o arrastre el campo SalesAmount desde la tabla Sales en la tabla para
mostrar SalesAmount para cada ProductFullCategory.

Creación de una columna calculada que usa

una función IF
El ejemplo de las ventas de Contoso contiene datos de ventas de tiendas activas e
inactivas. Quiere asegurarse de que las ventas de las tiendas activas están claramente
separadas de las ventas de las tiendas inactivas en el informe mediante la creación de
un campo Active StoreName. En la nueva columna calculada Active StoreName, cada
tienda activa aparecerá con el nombre completo de la tienda, mientras que las ventas de
las tiendas inactivas se agruparán en un elemento de línea denominado Inactive.
Afortunadamente, la tabla Stores tiene una columna denominada Status, con valores de
"On" para las tiendas activas y "Off" para las tiendas inactivas, que podemos usar para
crear valores para nuestra nueva columna Active StoreName. La fórmula DAX usará la
función lógica IF para comprobar el Status de cada tienda y devolver un valor
determinado dependiendo del resultado. La fórmula devolverá el nombre de la tienda si
esta tiene un Status "On". Si el estado es "Off", la fórmula asignará un valor de Active
StoreName de "Inactive".

1. Cree una nueva columna calculada en la tabla Stores y llámela Active StoreName
en la barra de fórmulas.

2. Después del signo =, comience a escribir IF. La lista de sugerencias mostrará qué
puede agregar. Seleccione IF.

3. El primer argumento para IF es una prueba lógica de si el Status de una tienda es

"On". Escriba un corchete de apertura [, que enumera las columnas de la tabla
Stores, y seleccione [Status].

4. Justo después de [Status], escriba = "On" y luego escriba una coma (,) para
finalizar el argumento. La información sobre herramientas sugiere que ahora debe
agregar un valor que se devuelve cuando el resultado es TRUE.
5. Si el estado de la tienda es "On", quiere que aparezca el nombre de la misma.
Escriba un corchete de apertura ([), la columna [StoreName] y luego escriba otra
coma. La información sobre herramientas ahora indica que debe agregar un valor
que se devuelve cuando el resultado es FALSE.

6. Quiere que el valor sea "Inactive", así que escriba "Inactive" y luego complete la
fórmula presionando Entrar o seleccionando la marca de verificación de la barra
de fórmulas. La fórmula se valida y el nombre de la nueva columna aparece en la
tabla Stores en el panel Campos.

7. Puede usar la nueva columna Active StoreName en las visualizaciones, igual que
cualquier otro campo. Para mostrar SalesAmounts por Active StoreName,
seleccione el campo Active StoreName o arrástrelo hasta el lienzo de informe y,
después, seleccione el campo SalesAmount o arrástrelo a la tabla. En esta tabla, las
tiendas activas aparecen de forma individual por nombre, pero las tiendas inactivas
se agrupan al final como Inactive.
Lo que ha aprendido
Las columnas calculadas pueden enriquecer los datos y proporcionar información más
fácilmente. Ahora sabe cómo crear columnas calculadas en el panel Campos y la barra
de fórmulas, usar listas de sugerencias e información sobre herramientas para ayudar a
construir las fórmulas, llamar a funciones DAX como RELATED e IF con los argumentos
apropiados y utilizar las columnas calculadas en visualizaciones de informe.

Pasos siguientes
Si desea profundizar más en las fórmulas DAX y crear columnas calculadas con fórmulas
DAX más avanzadas, consulte Aspectos básicos de DAX en Power BI Desktop. Ese
artículo se centra en los conceptos fundamentales en DAX, como la sintaxis, las
funciones y una explicación más exhaustiva sobre el contexto.

Asegúrese de agregar la Referencia de expresiones de análisis de datos (DAX) a sus

favoritos. En esta referencia encontrará información detallada sobre la sintaxis y los
operadores de DAX, y más de 200 funciones.
Edición de modelos de datos en el
servicio Power BI (versión preliminar)
Artículo • 17/05/2023

Power BI permite a los usuarios modificar modelos de datos existentes en el servicio

Power BI mediante acciones como editar relaciones, crear medidas DAX y administrar
RLS. En esta experiencia, los usuarios pueden trabajar y colaborar simultáneamente en el
mismo modelo de datos.

Habilitación de la característica en versión

preliminar
La edición de modelos de datos en el servicio Power BI se habilita automáticamente
para los conjuntos de datos almacenados en Mi área de trabajo. Para abrir el modelo de
datos para los conjuntos de datos almacenados en áreas de trabajo de colaboración,
debe activar la característica en vista previa de esa área de trabajo completando los
pasos siguientes:

1. En el servicio Power BI, seleccione Configuración para el área de trabajo donde

desea habilitar la característica en vista previa.

2. Seleccione Avanzado > Configuración del modelo de datos >Los usuarios

pueden editar modelos de datos en el servicio Power BI (vista previa)
 

3. Seleccione Guardar para ver la nueva experiencia de los conjuntos de datos en el

área de trabajo.

７ Nota

La habilitación de los modelos de datos de edición en el servicio Power BI versión

preliminar no se aplica a la edición de un conjunto de datos a través de una API o
un punto de conexión XMLA.

Apertura del modelo de datos

Puede abrir el modelo de datos para el conjunto de datos de las siguientes maneras:

En la lista de contenido del área de trabajo, seleccione Más opciones (...) para el
conjunto de datos y seleccione Abrir modelo de datos.
 

En la lista de contenido del centro de datos, seleccione Más opciones (...) para el
conjunto de datos y seleccione Abrir modelo de datos.

En la página de detalles del conjunto de datos, seleccione Abrir modelo de datos.

En modo de edición de un informe conectado al conjunto de datos, seleccione

Abrir modelo de datos para abrir el modelo de datos correspondiente en otra
pestaña.

Modelado de datos
Al abrir el modelo de datos, puede ver todas las tablas, columnas y relaciones en el
modelo. Ahora puede editar el modelo de datos y los cambios se guardan
automáticamente.

Crear medidas
Para crear una medida (una colección de métricas estandarizadas), seleccione la tabla en
el Panel de datos y seleccione el botón Nueva medida en la cinta de opciones, tal como
se muestra en la imagen siguiente.

Escriba la medida en la barra de fórmulas y especifique la tabla y la columna a las que se

aplica. De manera similar a Power BI Desktop, la experiencia de edición de DAX en el
servicio Power BI proporciona un editor enriquecido con la función de autocompletar
para las fórmulas (IntelliSense).

Puede expandir la tabla para buscar la medida en la tabla.

Creación de columnas calculadas

Para crear una columna calculada, seleccione la tabla en el Panel de datos y seleccione
el botón Nueva columna de la cinta de opciones, como se muestra en la siguiente
imagen.
 

Escriba la columna calculada en la barra de fórmulas y especifique la tabla la que se

aplica. De manera similar a Power BI Desktop, la experiencia de edición de DAX en el
servicio Power BI proporciona un editor enriquecido con la función de autocompletar
para las fórmulas (IntelliSense).

Puede expandir la tabla para buscar la columna calculada en la tabla.

Creación de tablas calculadas

Para crear una tabla calculada, seleccione la tabla en el Panel de datos y seleccione el
botón Nueva tabla de la cinta de opciones, como se muestra en la siguiente imagen.

Escriba la tabla calculada en la barra de fórmulas. De manera similar a Power BI Desktop,

la experiencia de edición de DAX en el servicio Power BI proporciona un editor
enriquecido con la función de autocompletar para las fórmulas (IntelliSense). Ahora
puede ver la tabla calculada recién creada en el modelo.
Crear relaciones
Para crear una relación, arrastre la columna de una tabla a la columna de la otra tabla
para iniciar la relación. En la ventana que aparece, configure las propiedades de la
relación.

Una vez que se complete la relación, seleccione el botón Confirmar para guardar la
información de esta.

Establecimiento de las propiedades

Puede modificar las propiedades de un objeto determinado utilizando el panel
Propiedades. Puede establecer propiedades comunes entre varios objetos a la vez
manteniendo presionada la tecla Ctrl y seleccionando varios objetos en el diagrama de
relaciones o en el panel Datos. Cuando varios objetos estén resaltados, los cambios
aplicados en el panel Propiedades se aplican a todos los objetos seleccionados.

Por ejemplo, puede cambiar el tipo de datos de varias columnas manteniendo

presionada la tecla Ctrl, seleccionando columnas y cambiando la configuración del tipo
de datos en el panel Propiedades.
 

Definición de reglas y roles de seguridad de nivel de fila

Para definir roles de seguridad, siga estos pasos:

1. En la cinta, seleccione Administrar roles.

2. En la ventana Administrar roles, seleccione Nuevo para crear un rol.


3. En Roles, proporcione un nombre para el rol y seleccione ENTRAR.

4. En Seleccionar tablas, seleccione la tabla a la que quiere aplicar un filtro de

seguridad de nivel de fila.

5. En Filtrar datos, use el editor predeterminado para definir los roles. Las
expresiones creadas devuelven un valor true o false.

７ Nota

No todos los filtros de seguridad de nivel de fila admitidos en Power BI se

pueden definir mediante el editor predeterminado. Las limitaciones incluyen
expresiones que hoy solo se pueden definir mediante DAX, incluidas reglas
dinámicas como username o userprincipalname. Para definir roles con estos
filtros, empiece a usar el editor DAX.

6. Si lo desea, seleccione Cambiar al editor DAX para usar el editor DAX para definir
un rol. Para volver al editor predeterminado, seleccione Cambiar al editor
 predeterminado. Todos los cambios que se hacen en cualquiera de las interfaces
del editor se conservarán cuando sea posible cambiar las interfaces.

Al definir un rol mediante el editor DAX que no se puede definir en el editor

predeterminado, si intenta cambiar al editor predeterminado, verá una advertencia
indicándole que cambiar el editor puede hacer que se pierda información. Para
conservar esta información, seleccione Cancelar y siga editando este rol en el
editor DAX.

7. Seleccione Guardar para guardar el nuevo rol.

8. Una vez guardado el rol, seleccione Asignar para agregar usuarios al rol. Una vez
asignado, seleccione Guardar para guardar las asignaciones del rol y cerrar el
cuadro de diálogo modal de configuración de RLS.
 

Crear diseños
Puede crear diseños de su modelo que contengan solo un subconjunto de las tablas del
modelo. Esta reorganización puede ayudar a proporcionar una visión más clara de las
tablas con las que desea trabajar y a facilitar el trabajo con conjuntos de datos
complejos. Para crear un diseño con solo un subconjunto de las tablas, seleccione el
botón + junto a la pestaña Todas las tablas en la parte inferior de la ventana.

A continuación, puede arrastrar una tabla desde el panel Datos al nuevo diseño. Haga
clic con el botón derecho en la tabla y, luego, seleccione Agregar tablas relacionadas
en el menú que aparece. Si lo hace, se incluye cualquier tabla relacionada con la tabla
original del diseño.
 

７ Nota

Al cargar un archivo .PBIX en el servicio que el modelo de datos no incluirá ningún

cambio de diseño existente, incluidos los diseños personalizados creados en
Escritorio. Del mismo modo, al descargar el archivo .PBIX, los cambios de diseño
realizados en el servicio, incluidos los diseños personalizados, no aparecerán en
Power BI Desktop.

Crear informes
Puede crear un nuevo informe a partir de la edición del modelo de datos en la
experiencia del servicio seleccionando el botón Nuevo informe de la cinta de opciones.
Esto abre una pestaña de navegador con el lienzo de edición de informes que contiene
un informe nuevo basado en el conjunto de datos.
Al guardar el nuevo informe, se le pedirá que elija un área de trabajo, siempre que tenga
permisos de escritura para dicha área. Si no tiene permisos de escritura o si es un
usuario con una licencia gratuita y el conjunto de datos reside en un área de trabajo de
capacidad de Premium, el informe nuevo se guarda en Mi área de trabajo.

Autoguardado
A medida que realizó cambios en el modelo de datos, los cambios se guardan
automáticamente. Los cambios son permanentes sin opción para deshacer.

Permisos
Un usuario debe tener permisos de conjunto de datos de escritura y compilación para
abrir y editar el modelo de datos correspondiente en el servicio Power BI.

Habilitación de la edición del modelo de datos

en el portal de administración
Los administradores de Power BI pueden habilitar o deshabilitar la edición del modelo
de datos la organización entera o para grupos de seguridad específicos con la
configuración que se encuentra en el portal de administración de Power BI, tal como se
muestra en la imagen siguiente.
Visualización de registros de auditoría y
eventos de actividad
Los administradores de Power BI pueden auditar las operaciones relacionadas con la
edición de modelos de datos en las operaciones web desde el Centro de
Administración de Microsoft 365. Las operaciones de auditoría admitidas para editar
modelos de datos en la web son las siguientes:

Nombre Nombre de operación Notas

descriptivo

Se ha aplicado un ApplyChangeToPowerBIModel Un usuario realiza un cambio en un modelo

cambio al modelo existente. Esto ocurre cada vez que se
en Power BI realiza cualquier edición en el modelo
(ejemplo: escribir una medida DAX,
administrar relaciones, otras)

Se ha recuperado GetPowerBIDataModel Un usuario abre la experiencia Abrir

un modelo de modelo de datos o vuelve a sincronizar un
Power BI modelo de datos.

Para obtener más información sobre el acceso a los registros de auditoría, consulte el
artículo Acceso a los registros de auditoría.
Uso de la capacidad e informes
Puede supervisar el impacto que la edición de los modelos de datos tiene en las
capacidades de Power BI Premium mediante la aplicación de métricas Premium. El
impacto en la capacidad se puede supervisar para editar modelos de datos en la web
mediante las siguientes operaciones.

Operación Descripción Carga de Tipo

trabajo

Lectura del Una operación de lectura del modelo de datos en Conjuntos de Interactive
modelado web la experiencia del usuario de modelado web del datos
conjunto de datos

Escritura de Una operación de escritura del modelo de datos Conjuntos de Interactive

modelado web en la experiencia del usuario de modelado web datos
del conjunto de datos

Consideraciones y limitaciones
Hay algunas limitaciones para esta versión de edición de modelos de datos en el
servicio Power BI, que se dividen en una serie de categorías.

Conjuntos de datos no admitidos

Los escenarios siguientes no admiten la apertura del modelo de datos para un conjunto
de datos en el servicio:

Conjuntos de datos que tienen una actualización incremental.

Conjuntos de datos implementados por una canalización de implementación.
Conjuntos de datos modificados por un punto de conexión XMLA.
Conjuntos de datos que aún no se han actualizado al formato de metadatos
mejorado. Para actualizar al formato de metadatos mejorado, abra el pbix
correspondiente en Escritorio y vuelva a publicarlo.
Conjuntos de datos que tienen agregaciones automáticas configuradas.
Conjuntos de datos que tienen una conexión dinámica.
No todos los conjuntos de datos de las áreas de trabajo Pro se admiten
actualmente en las siguientes regiones:
Sur de Brasil
Centro de Canadá
Centro de EE. UU.
Este de EE. UU.
 Este de EE. UU. 2
India central
Japón Oriental
Centro-Norte de EE. UU
Norte de Europa
Norte de Sudáfrica
Centro-sur de EE. UU.
Sudeste de Asia
Norte de Emiratos Árabes Unidos
Sur de Reino Unido
Oeste de EE. UU.
Oeste de EE. UU. 2

Para ver qué limitación impide abrir el modelo de datos, mantenga el puntero sobre el
botón Abrir modelo de datos en la página de detalles del conjunto de datos. Esto
muestra una información sobre herramientas que indica qué limitación está causando
que se deshabilite el botón Abrir modelo de datos.

Diseños
Al cargar un archivo .PBIX en el servicio que el modelo de datos no incluirá ningún
cambio de diseño existente, incluidos los diseños personalizados creados en Escritorio.
Del mismo modo, al descargar el archivo .PBIX, los cambios de diseño realizados en el
servicio, incluidos los diseños personalizados, no aparecerán en Power BI Desktop.

Limitaciones
Todavía hay muchas brechas funcionales entre la vista de modelo en Power BI Desktop y
el servicio. La funcionalidad que aún no se admite en el servicio incluye:

Cambio de nombre y eliminación de tablas que no son tablas calculadas

Cambio de nombre y eliminación de columnas que no son columnas calculadas
Establecimiento de una tabla como tabla de características
Configuración de las propiedades de la tabla de características
Edición de la ordenación por propiedad para una columna
Creación y configuración de una tabla de fechas personalizada
Cambio del modo de almacenamiento de una tabla
Cambiar a y desde la categoría de datos "código de barras"
 Conexión a nuevos orígenes de datos
Transformación de datos mediante el editor de Power Query
Cuadro de diálogo administrar relaciones
Ver como cuadro de diálogo
Relaciones de detección automática
Configuración y configuración de Preguntas&Respuestas, incluidos los sinónimos
de edición
Clasificación de la confidencialidad del informe
Integración de las herramientas externas

Accesibilidad
Actualmente no se admite la accesibilidad completa para la edición del modelo de datos
en el servicio Power BI.

Pasos siguientes
En este artículo se proporciona información sobre la versión preliminar para editar
modelos de datos en el servicio Power BI. Para obtener más información sobre el
modelado de datos en Power BI, consulte los siguientes recursos:

Trabajo con la vista de modelado

Descripción de las relaciones de modelos
Enseñanza sobre conceptos básicos de DAX
Seguridad de nivel de fila (RLS) con Power BI
Trabajo con Vista de modelo en
Power BI Desktop
Artículo • 23/03/2023

Con Vista de modelo de Power BI Desktop, puede ver y trabajar con conjuntos de
datos complejos que contienen muchas tablas.

Uso de Vista de modelo

Para acceder a Vista de modelo, seleccione el icono Modelo situado a la izquierda de
Power BI Desktop, como se muestra en la imagen a continuación.

Creación de diagramas independientes

Con Vista de modelo, puede crear diagramas de su modelo que contengan solo un
subconjunto de las tablas del modelo. Esta reorganización puede ayudar a proporcionar
una visión más clara de las tablas con las que desea trabajar y a facilitar el trabajo con
conjuntos de datos complejos. Para crear un diagrama con solo un subconjunto de las
tablas, seleccione el botón + junto a la pestaña Todas las tablas en la parte inferior de la
ventana de Power BI Desktop.
A continuación, puede arrastrar una tabla desde la lista Campos hasta la superficie del
diagrama. Haga clic con el botón derecho en la tabla y, luego, seleccione Agregar tablas
relacionadas en el menú que aparece.

Al hacerlo, las tablas que están relacionadas con la tabla original se muestran en el
nuevo diagrama. En la imagen siguiente se ilustra cómo se muestran las tablas
relacionadas tras seleccionar la opción de menú Agregar tablas relacionadas.
 ７ Nota

También puede encontrar la opción Agregar tablas relacionadas en el menú

contextual en el fondo de la vista de modelo. Al seleccionarla, se agregará al diseño
cualquier tabla que tenga relación con una tabla que ya esté incluida en el diseño.

Establecimiento de propiedades comunes

Puede mantener presionada la tecla Ctrl y seleccionar varias tablas para seleccionar
varios objetos a la vez en Vista de modelo. Al seleccionar varias tablas, se resaltan en
esta vista. Cuando varias tablas están resaltadas, los cambios aplicados en el panel
Propiedades se aplican a todas las tablas seleccionadas.

Por ejemplo, podría cambiar el modo de almacenamiento para varias tablas en la vista
de diagrama; para ello, mantenga presionada la tecla Ctrl, seleccione las tablas y, luego,
cambie la opción de modo de almacenamiento en el panel Propiedades.

Pasos siguientes
En los artículos siguientes se proporciona más información sobre los modelos de datos
y también se describe DirectQuery de forma detallada.

Agregaciones automáticas
Usar modelos compuestos en Power BI Desktop
Administración del modo de almacenamiento en Power BI Desktop
 Relaciones de varios a varios en Power BI Desktop

Artículos sobre DirectQuery:

DirectQuery en Power BI
Orígenes de datos de Power BI
Relaciones de modelos en Power BI
Desktop
Artículo • 29/03/2023

Este artículo está dirigido a modeladores de datos de importación que trabajan con
Power BI Desktop. Es un tema importante sobre el diseño de modelos, esencial para
ofrecer modelos intuitivos, precisos y óptimos.

Para una explicación más detallada sobre el diseño de modelos óptimos, incluidos los
roles y las relaciones de tablas, consulte Descripción de un esquema de estrella e
importancia para Power BI.

Finalidad de la relación
Una relación de modelo propaga los filtros aplicados en la columna de una tabla de
modelos a otra tabla de modelos. Los filtros se propagarán siempre que haya una ruta
de relación que seguir, lo que puede implicar la propagación a varias tablas.

Las rutas de relación son deterministas; es decir, los filtros siempre se propagan de la
misma manera y sin variación aleatoria. Sin embargo, las relaciones pueden
deshabilitarse o el contexto del filtro puede modificarse debido a los cálculos del
modelo que usan funciones DAX concretas. Para más información, consulte el tema
Funciones de DAX pertinentes, más adelante en este artículo.

） Importante

Las relaciones de modelo no aplican la integridad de los datos. Para más

información, consulte el tema Evaluación de las relaciones que aparece más
adelante en este artículo, en el que se explica cómo se comportan las relaciones de
modelo cuando sus datos tienen problemas de integridad de datos.

Veamos, con un ejemplo animado, cómo las relaciones propagan los filtros.
En este ejemplo, el modelo se compone de cuatro tablas: Category, Product, Year y
Sales (Categoría, Producto, Año y Ventas). La tabla Category (Categoría) está
relacionada con la tabla Product (Producto) y la tabla Product (Producto) está
relacionada con la tabla Sales (Ventas). La tabla Year (Año) también está relacionada con
la tabla Sales (Ventas). Todas las relaciones son de uno a varios (los detalles de esta
relación se describen más adelante en este artículo).

Una consulta —tal vez generada por un objeto visual de tarjeta de Power BI— solicita
las ventas totales correspondientes a los pedidos realizados para una sola categoría,
Cat-A (Categoría A) y para un solo año, CY2018 (AC2018). Esta es la razón por la que se
pueden ver filtros aplicados en las tablas Category (Categoría) y Year (Año). El filtro de
la tabla Category (Categoría) se propaga a la tabla Product (Producto) para aislar dos
productos asignados a la categoría Cat-A (Categoría A). A continuación, los filtros de la
tabla Product (Producto) se propagan a la tabla Sales (Ventas) para aislar solo dos filas
de ventas de estos productos. Estas dos filas de ventas representan las ventas de
productos asignados a la categoría Cat-A (Categoría A). Su cantidad combinada es de
14 unidades. Al mismo tiempo, el filtro de la tabla Year (Año) se propaga para filtrar aún
más la tabla Sales (Ventas), lo que da lugar a la única fila de ventas que corresponde a
los productos asignados a la categoría Cat-A (Categoría A) solicitados en el año CY2018
(AC2018). El valor devuelto por la consulta es de 11 unidades. Tenga en cuenta que,
cuando se aplican varios filtros a una tabla, (como en el caso de la tabla Sales [Ventas]
en este ejemplo), siempre se trata de una operación AND, lo que significa que se deben
cumplir todas las condiciones.

Aplicación de principios de diseño de esquemas de

estrella
Se recomienda aplicar principios de diseño de esquemas de estrella para generar un
modelo que comprenda tablas de hechos y de dimensiones. Es habitual configurar
Power BI para aplicar reglas que filtran las tablas de dimensiones, lo que permite que las
relaciones del modelo propaguen eficazmente esos filtros a las tablas de hechos.

La siguiente imagen es el diagrama del modelo de datos de análisis de ventas de

Adventure Works. Muestra un diseño de esquema de estrella que consta de una sola
tabla de hechos denominada Sales. Las otras cuatro tablas son tablas de dimensiones
que admiten el análisis de medidas de ventas por fecha, estado, región y producto.
Observe las relaciones del modelo que conectan todas las tablas. Estas relaciones
propagan filtros (directa o indirectamente) a la tabla Sales.

Tablas desconectadas
Es poco frecuente que una tabla del modelo no esté relacionada con otra tabla del
modelo. Este tipo de tabla en un diseño de modelo válido se describe como una tabla
desconectada. La tabla desconectada no pretende propagar filtros a otras tablas del
modelo. En su lugar, acepta la "entrada del usuario" (quizás con un objeto visual de
segmentación), lo que permite que los cálculos del modelo usen el valor de entrada de
una manera significativa. Por ejemplo, pensemos en una tabla desconectada que se
carga con un intervalo de valores de tasas de cambio de divisa. Suponiendo que se
aplica un filtro para conseguir un valor de tasa único, este valor se puede usar en una
expresión de medida para convertir valores de ventas.
El parámetro de hipótesis de Power BI Desktop es una característica que crea una tabla
desconectada. Para más información, consulte Creación y uso de un parámetro de
hipótesis para visualizar variables en Power BI Desktop.

Propiedades de la relación
Una relación de modelo relaciona una columna de una tabla con una columna de otra
tabla. Hay un caso especial en el que no se cumple este requisito, que solo se aplica a
las relaciones de varias columnas en los modelos de DirectQuery. Para más información,
consulte el artículo de la función DAX COMBINEVALUES.

７ Nota

No es posible relacionar una columna con una columna diferente de la misma

tabla. A veces, este concepto se confunde con la capacidad de definir una
restricción de clave externa de base de datos relacional que suponga una referencia
de la tabla a sí misma. Puede usar este concepto de base de datos relacional para
almacenar relaciones de elementos primarios y secundarios (por ejemplo, cada
registro de empleado está relacionado con un empleado del que depende). Sin
embargo, no se pueden usar relaciones de modelo para generar una jerarquía de
modelos basada en este tipo de relación. Para crear una jerarquía de elementos
primarios y secundarios, consulte Funciones primarias y secundarias.

Tipos de datos de columnas

El tipo de datos para la columna "from" y "to" de la relación debe ser el mismo. Es
posible que el trabajo con relaciones definidas en columnas DateTime no se comporte
según lo previsto. El motor que almacena datos de Power BI, solo usa tipos de datos
DateTime; los tipos de datos Date, Time y Date/Time/Timezone son construcciones de
formato de Power BI implementadas en la parte superior. Cualquier objeto dependiente
del modelo seguirá apareciendo como DateTime en el motor (como las relaciones, los
grupos, etc.). Por lo tanto, si un usuario selecciona Date en la pestaña Modelado de esas
columnas, siguen sin registrarse como la misma fecha, porque el motor sigue usando la
parte de los datos correspondiente a la hora. Obtenga más información sobre cómo se
controlan los tipos de fecha y hora. Para corregir el comportamiento, los tipos de datos
de columna se deben actualizar en el Editor de Power Query para quitar la parte Time
de los datos importados a fin de que los valores aparezcan iguales cuando el motor
controle los datos.
Cardinalidad
Cada relación de modelo está definida por un tipo de cardinalidad. Hay cuatro opciones
de tipo de cardinalidad, que representan las características de los datos de las columnas
relacionadas "de" y "a". El lado "uno" significa que la columna contiene valores únicos; el
lado "varios" significa que la columna puede contener valores duplicados.

７ Nota

Si una operación de actualización de datos intenta cargar valores duplicados en

una columna de lado "uno", se producirá un error en la operación completa de
actualización.

En la siguiente lista, se describen las cuatro opciones junto con sus anotaciones
abreviadas:

Uno a varios (1:*)

Varios a uno (*:1)
Uno a uno (1:1)
Varios a varios (*:*)

Cuando se crea una relación en Power BI Desktop, el diseñador detecta y establece

automáticamente el tipo de cardinalidad. Power BI Desktop consulta el modelo para
saber qué columnas contienen valores únicos. En el caso de los modelos de
importación, utiliza estadísticas de almacenamiento internas; en el caso de los modelos
DirectQuery, envía consultas de generación de perfiles al origen de datos. No obstante,
Power BI Desktop puede equivocarse a veces. Esto sucede porque todavía tienen que
cargarse los datos de las tablas o porque las columnas que espera que contengan
valores duplicados actualmente contienen valores únicos. En cualquiera de estos casos,
puede actualizar el tipo de cardinalidad, siempre que las columnas del lado "uno"
contengan valores únicos (o la tabla aún se deba cargar con filas de datos).

Cardinalidad de uno a varios (y de varios a uno)

Las opciones de cardinalidad de uno a varios y varios a uno son esencialmente iguales y
son también los tipos de cardinalidad más comunes.

A la hora de configurar una relación de uno a varios o de varios a uno, debe elegir la
que coincida con el orden en el que relacionó las columnas. Considere cómo
configuraría la relación desde la tabla Product (Producto) a la tabla Sales (Ventas)
mediante la columna ProductID (IdProducto) incluida en cada tabla. El tipo de
cardinalidad sería de uno a varios, ya que la columna ProductID de la tabla Product
contiene valores únicos. Si relacionó las tablas en la dirección inversa, Sales a Product,
entonces la cardinalidad sería de varios a uno.

Cardinalidad de uno a uno

Una relación de uno a uno significa que ambas columnas contienen valores únicos. Este
tipo de cardinalidad no es común y probablemente representa un diseño de modelo
poco óptimo debido al almacenamiento de datos redundantes.

Para obtener más información sobre el uso de este tipo de cardinalidad, vea
Instrucciones para relaciones uno a uno.

Cardinalidad de varios a varios

Una relación de varios a varios significa que ambas columnas pueden contener valores
duplicados. Este tipo de cardinalidad no se usa con frecuencia. Suele resultar útil cuando
se diseñan requisitos de modelos complejos. Puede usarlo para relacionar hechos de
varios a varios o para relacionar hechos de un modo más pormenorizado. Por ejemplo,
cuando los datos de destinos de ventas se almacenan en el nivel de categoría de
producto y la tabla de dimensiones de producto se almacena en el nivel de producto.

Para obtener instrucciones sobre el uso de este tipo de cardinalidad, vea Instrucciones
para relaciones de varios a varios.

７ Nota

Actualmente no se admite el tipo de cardinalidad de varios a varios en los modelos

desarrollados para Power BI Report Server.

 Sugerencia

En la vista de modelo de Power BI Desktop, puede interpretar el tipo de

cardinalidad de una relación si examina los indicadores (1 o *) en cualquiera de los
lados de la línea de relación. Si quiere determinar qué columnas están relacionadas,
deberá seleccionar (o mover el cursor sobre) la línea de relación para resaltar las
columnas.
Dirección de filtro cruzado
Cada relación de modelo está definida con una dirección de filtro cruzado. El valor
determina en qué direcciones se propagarán los filtros. Las posibles opciones de filtro
cruzado dependen del tipo de cardinalidad.

Tipo de cardinalidad Opciones de filtro cruzado

Uno a varios (o varios a uno) Único

Ambos

Uno a uno Ambos

Varios a varios Único (Tabla1 a Tabla2)

Único (Tabla2 a Tabla1)

Ambos

La dirección del filtro cruzado Único significa "dirección única" y Ambos se aplica a
"ambas direcciones". Una relación que filtra en ambas direcciones se describe
normalmente como bidireccional.

En el caso de las relaciones de uno a varios, la dirección del filtro cruzado siempre es
desde el lado "uno" y, opcionalmente, desde el lado "varios" (bidireccional). En el caso
de las relaciones de uno a uno, la dirección del filtro cruzado siempre es desde ambas
tablas. Por último, en las relaciones de varios a varios, la dirección del filtro cruzado
puede ser desde cualquiera de las tablas o desde ambas tablas. Tenga en cuenta que
cuando el tipo de cardinalidad incluye un lado "uno", los filtros siempre se propagarán
desde ese lado.
Cuando la dirección del filtro cruzado se establece en Ambos, hay disponible una
propiedad adicional. que puede aplicar el filtrado bidireccional cuando Power BI impone
reglas de seguridad de nivel de fila (RLS). Para más información sobre la RLS, consulte
Seguridad de nivel de fila (RLS) con Power BI Desktop.

Puede modificar la dirección del filtro cruzado de la relación, incluso deshabilitar la

propagación del filtro, usando el cálculo de un modelo. Esto se consigue gracias el uso
de la función DAX CROSSFILTER.

Tenga en cuenta que las relaciones bidireccionales pueden afectar negativamente al

rendimiento. Además, intentar configurar una relación bidireccional podría producir
rutas de propagación de filtro ambiguas. En este caso, es posible que Power BI Desktop
no pueda confirmar el cambio de relación y le avisará con un mensaje de error. Sin
embargo, a veces Power BI Desktop puede permitir que se definan rutas de relación
ambiguas entre las tablas. La resolución de la ruta de acceso de relación se describe más
adelante en este artículo.

Se recomienda usar el filtrado bidireccional solo cuando sea necesario. Para obtener
más información, vea Instrucciones para relaciones bidireccionales.

 Sugerencia

En la vista de modelo de Power BI Desktop, puede interpretar la dirección del filtro

cruzado de una relación mediante las puntas de flecha a lo largo de la línea de
relación. Una sola punta de flecha representa un filtro de dirección única en la
dirección de la punta de flecha; una punta de flecha doble representa una relación
bidireccional.
Activar esta relación
Solo puede haber una ruta de propagación de filtros activa entre dos tablas del modelo.
Sin embargo, se pueden introducir rutas de relación adicionales, pero estas relaciones
deben establecerse como inactivas. Las relaciones inactivas solo se pueden activar
durante la evaluación de un cálculo del modelo. Esto se consigue mediante el uso de la
función DAX USERELATIONSHIP.

Por lo general, se recomienda definir las relaciones activas siempre que sea posible.
Amplían el ámbito y el potencial del modo en el que los autores de informes pueden
usar el modelo. El uso de relaciones activas únicamente significa que las tablas de
dimensiones realizadoras de roles deben duplicarse en el modelo.

No obstante, en determinadas circunstancias, puede definir una o varias relaciones

inactivas para una tabla de dimensiones realizadoras de roles. Puede plantearse el uso
de este diseño cuando:

No hay ningún requisito para que los objetos visuales de informes filtren
simultáneamente por roles diferentes.
La función DAX USERELATIONSHIP se usa para activar una relación específica para
los cálculos de modelos pertinentes.

Para más información, consulte Instrucciones para elegir entre relaciones activas e
inactivas.

 Sugerencia

En la vista de modelo de Power BI Desktop, puede interpretar el estado activo o

inactivo de una relación. Una relación activa se representa mediante una línea
continua; una relación inactiva se representa como una línea discontinua.
Asumir integridad referencial
La propiedad Asumir integridad referencial solo está disponible para las relaciones de
uno a varios y uno a uno entre dos tablas del modo de almacenamiento DirectQuery
que pertenecen al mismo grupo de origen. Esta propiedad solo se puede habilitar
cuando la columna del lado "varios" no contiene valores NULL.

Cuando está habilitada, las consultas nativas enviadas al origen de datos combinan las
dos tablas utilizando INNER JOIN en lugar de OUTER JOIN . La habilitación de esta
propiedad mejora, por lo general, el rendimiento de la consulta, aunque depende de las
características específicas del origen de datos.

Habilite siempre esta propiedad cuando existe una restricción de clave externa de base
de datos entre las dos tablas. Incluso si no hay ninguna restricción de clave externa,
considere la posibilidad de habilitar la propiedad si está seguro de la integridad de
datos.

） Importante

Si se pone en peligro la integridad de los datos, la combinación interna eliminará

las filas no coincidentes entre las tablas. Por ejemplo, imagine una tabla de modelo
Sales con un valor en la columna ProductID que no existe en la tabla relacionada
Product. La propagación del filtro de la tabla Product (Producto) a la tabla Sales
(Ventas) eliminaría las filas de ventas de los productos desconocidos. Esto daría
lugar a una subestimación de los resultados de ventas.

Para más información, vea Configuración de Asumir integridad referencial en

Power BI Desktop.

Funciones DAX pertinentes

Hay varias funciones DAX pertinentes para las relaciones de modelo. En la siguiente lista
con viñetas se describe brevemente cada una de estas funciones:

RELATED: recupera el valor del lado "uno" de una relación. Es útil cuando se trata
de cálculos de diferentes tablas que se evalúan en el contexto de las filas.
RELATEDTABLE: recupera una tabla de filas del lado "varios" de una relación.
USERELATIONSHIP: permite que un cálculo use una relación inactiva.
(Técnicamente, esta función modifica el peso de una relación de modelo inactiva
 específica, de modo que ayuda a influir en su uso). Resulta útil cuando el modelo
incluye una tabla de dimensiones de rol y decide crear relaciones inactivas a partir
de esta tabla. También puede usar esta función para resolver ambigüedades en las
rutas de acceso de filtro.
CROSSFILTER: modifica la dirección del filtro cruzado de la relación (a uno o
ambos) o deshabilita la propagación del filtro (ninguna). Resulta útil cuando es
necesario cambiar u omitir las relaciones del modelo durante la evaluación de un
cálculo específico.
COMBINEVALUES: combina dos o más cadenas de texto en una sola. El propósito
de esta función es admitir relaciones de varias columnas en los modelos
DirectQuery cuando las tablas pertenecen al mismo grupo de origen.
TREATAS: aplica el resultado de una expresión de tabla como filtros en las
columnas de una tabla no relacionada. Resulta útil en escenarios avanzados
cuando quiere crear una relación virtual durante la evaluación de un cálculo
específico.
Funciones primarias y secundarias: familia de funciones relacionadas que se
pueden usar para generar columnas calculadas y naturalizar una jerarquía de
elementos primarios y secundarios. Luego, puede usar estas columnas para crear
una jerarquía de nivel fijo.

Evaluación de las relaciones

Las relaciones de los modelos desde la perspectiva de la evaluación, se clasifican como
normales o limitadas. No se trata de una propiedad configurable de la relación; en
realidad, se deduce del tipo de cardinalidad y del origen de datos de las dos tablas
relacionadas. Es importante comprender el tipo de evaluación, porque puede haber
implicaciones en el rendimiento o consecuencias si se pone en peligro la integridad de
los datos. En este tema se describen estas implicaciones y las consecuencias respecto a
la integridad.

En primer lugar, se necesita un poco de teoría de modelado para llegar a comprender

las evaluaciones de las relaciones.

Un modelo de importación o DirectQuery consigue todos sus datos de la caché de

Vertipaq o de la base de datos de origen. En ambos casos, Power BI puede determinar
que existe un lado "uno" de una relación.

Sin embargo, un modelo compuesto puede constar de tablas que usan diferentes
modos de almacenamiento (importación, DirectQuery o dual) o varios orígenes de
DirectQuery. Cada origen, incluida la caché de Vertipaq de datos de importación, se
considera un grupo de origen. Luego, las relaciones de modelo se pueden clasificar
como intragrupo de origen o como entre grupos de origen. Una relación intragrupo de
origen relaciona dos tablas dentro de un mismo grupo de origen, mientras que una
relación entre grupos de origen relaciona las tablas de dos grupos de origen. Cabe
mencionar que las relaciones en los modelos de importación o DirectQuery siempre son
intragrupo.

A continuación se muestra un ejemplo de un modelo compuesto.

En este ejemplo, el modelo compuesto consta de dos grupos de origen: uno de Vertipaq
y otro de DirectQuery. El grupo de origen de Vertipaq contiene tres tablas y el de
DirectQuery, dos. Existe una relación entre grupos de origen que relaciona una tabla del
grupo de origen de Vertipaq con una tabla del grupo de origen de DirectQuery.

Relaciones normales
Una relación del modelo es normal cuando el motor de consultas puede determinar el
lado "uno" de la relación. Tiene la confirmación de que la columna del lado "uno"
contiene valores únicos. Todas las relaciones de uno a varios intragrupo de origen son
relaciones normales.

En el ejemplo siguiente, hay dos relaciones normales, ambas marcadas como R. Hay una
relación de uno a varios incluida dentro del grupo de origen de Vertipaq y otra relación
de uno a varios en el de DirectQuery.
En el caso de los modelos de importación, donde todos los datos se almacenan en la
caché de VertiPaq, Power BI crea una estructura de datos para cada relación normal en
el momento de la actualización de datos. Las estructuras de datos están formadas por
asignaciones indexadas de todos los valores de columna a columna y su finalidad es
acelerar la combinación de las tablas en el momento de la consulta.

Cuando se produce la consulta, las relaciones normales permiten que tenga lugar la
expansión de la tabla. Esta expansión da como resultado la creación de una tabla virtual
mediante la inclusión de las columnas nativas de la tabla base y, a continuación, su
expansión en tablas relacionadas. En el caso de las tablas de importación, la expansión
de la tabla se lleva a cabo en el motor de consultas; en el caso de las tablas de
DirectQuery, se lleva a cabo en la consulta nativa que se envía a la base de datos de
origen (siempre que la propiedad Asumir integridad referencial no esté habilitada). A
continuación, el motor de consultas actúa sobre la tabla expandida, aplicando los filtros
y agrupando según los valores de las columnas de la tabla expandida.

７ Nota

También se expanden las relaciones inactivas, incluso si la relación no se utiliza en

ningún cálculo. Las relaciones bidireccionales no tienen ningún impacto en la
expansión de tablas.

En el caso de las relaciones de uno a varios, la expansión de tablas tiene lugar desde el
lado "varios" al lado "uno" mediante la semántica LEFT OUTER JOIN . Cuando no existe un
valor coincidente del lado "varios" en el lado "uno", se agrega una fila virtual en blanco
en la tabla del lado "uno". Este comportamiento solo se aplica a las relaciones normales,
no a las relaciones limitadas.

La expansión de tablas también se produce en las relaciones de uno a uno intragrupo

de origen, pero mediante la semántica FULL OUTER JOIN . Este tipo de unión garantiza
que las filas virtuales en blanco se agregan en cualquiera de los lados, cuando es
necesario.

Las filas virtuales en blanco son, en realidad, miembros desconocidos. Los miembros
desconocidos representan infracciones de la integridad referencial en las que el valor
del lado "varios" no tiene un valor correspondiente en el lado "uno". Lo ideal es que
estos espacios en blanco no existan. Pueden eliminarse limpiando o reparando los datos
de origen.

Veamos cómo funciona la expansión de tablas con un ejemplo animado.

En este ejemplo, el modelo consta de tres tablas: Category, Product y Sales (Categoría,
Producto y Ventas). La tabla Category (Categoría) está relacionada con la tabla Product
(Producto) en una relación de uno a varios y la tabla Product (Producto) está
relacionada con la tabla Sales (Ventas) también en una relación de uno a varios. La tabla
Category (Categoría) contiene dos filas, la tabla Product (Producto) contiene tres filas y
la tabla Sales (Ventas) contiene cinco filas. Hay valores coincidentes en ambos lados de
todas las relaciones, lo que significa que no hay ninguna infracción de la integridad
referencial. Se desvela una tabla expandida en tiempo de consulta. La tabla consta de las
columnas de las tres tablas. Es, de hecho, una perspectiva desnormalizada de los datos
incluidos en las tres tablas. Se agrega una nueva fila a la tabla Sales (Ventas), con un
valor de identificador de producción (9) sin ningún valor coincidente en la tabla Product
(Producto). Supone una infracción de la integridad referencial. En la tabla expandida, la
nueva fila tiene valores (en blanco) para las columnas de tabla Category (Categoría) y
Product (Producto).

Relaciones limitadas
Una relación de modelo es limitada cuando no hay ningún lado "uno" garantizado. Una
relación limitada puede ocurrir por dos razones:

La relación usa un tipo de cardinalidad de varios a varios (aunque una o ambas

columnas contengan valores únicos).
La relación es entre grupos de origen (lo que solo puede suceder en los modelos
compuestos).

En el ejemplo siguiente, hay dos relaciones limitadas, ambas marcadas como L. Las dos
relaciones incluyen la relación de varios a varios contenida dentro del grupo de origen
de VertiPaq y la relación de uno a varios entre grupos de origen.

En el caso de los modelos de importación, nunca se crean estructuras de datos para las
relaciones limitadas. En ese caso, Power BI resuelve las combinaciones de tabla en el
momento de la consulta.

En las relaciones limitadas tampoco se produce la expansión de las tablas. Las

combinaciones de tablas se logran mediante la semántica INNER JOIN y, por este
motivo, no se agregan filas virtuales en blanco para compensar las infracciones de
integridad referencial.

Existen otras restricciones relacionadas con las relaciones limitadas:

 No se puede usar la función RELATED DAX para recuperar los valores de las
columnas del lado "uno".
La aplicación de RLS tiene restricciones de topología.

 Sugerencia

En la vista de modelo de Power BI Desktop, puede interpretar una relación como

limitada. Una relación limitada se representa con marcas similares a paréntesis ( )
después de los indicadores de cardinalidad.

Resolución de ambigüedades en rutas de acceso de

relación
Las relaciones bidireccionales pueden introducir varias rutas, y por tanto ambiguas, de
propagación de filtro entre las tablas del modelo. Al evaluar la ambigüedad, Power BI
elige la ruta de acceso de propagación de filtros según su prioridad y peso.

Priority
Los niveles de prioridad definen una secuencia de reglas que Power BI usa para resolver
ambigüedades en la ruta de acceso de relación. La primera coincidencia de regla
determina la ruta de acceso que seguirá Power BI. Cada regla siguiente describe cómo
fluyen los filtros de una tabla de origen a una tabla de destino.

1. Una ruta de acceso que consta de relaciones de uno a varios.

2. Una ruta de acceso que consta de relaciones de uno a varios o de varios a varios.
 3. Una ruta de acceso que consta de relaciones de varios a uno.
4. Una ruta de acceso que consta de relaciones de uno a varios de la tabla de origen
a una tabla intermedia seguida de relaciones de varios a uno de la tabla intermedia
a la tabla de destino.
5. Una ruta de acceso que consta de relaciones de uno a varios o de varios a varios
de la tabla de origen a una tabla intermedia seguida de relaciones de varios a uno
o de varios a varios de la tabla intermedia a la tabla de destino.
6. Cualquier otra ruta de acceso.

Cuando se incluye una relación en todas las rutas de acceso disponibles, se quita de la
consideración de todas las rutas de acceso.

Peso
Cada relación de una ruta de acceso tiene un peso. De manera predeterminada, el peso
de cada relación es igual a menos que se use la función USERELATIONSHIP. El peso de la
ruta de acceso es el máximo de todos los pesos de relación a lo largo de la ruta de
acceso. Power BI usa los pesos de la ruta de acceso para resolver ambigüedades entre
varias rutas de acceso con el mismo nivel de prioridad. No elegirá una ruta de acceso
con una prioridad más baja, pero elegirá la ruta de acceso con el peso más alto. El
número de relaciones de la ruta de acceso no afecta al peso.

Puede influir en el peso de una relación mediante la función USERELATIONSHIP. El peso

viene determinado por el nivel de anidamiento de la llamada a esta función, donde la
llamada más interna recibe el peso más alto.

Considere el ejemplo siguiente. La medida Product Sales asigna un peso mayor a la

relación entre Sales[ProductID] y Product[ProductID], seguida de la relación entre
Inventory[ProductID] y Product[ProductID].

DAX

Product Sales =

CALCULATE(

CALCULATE(

SUM(Sales[SalesAmount]),

USERELATIONSHIP(Sales[ProductID], Product[ProductID])

),

USERELATIONSHIP(Inventory[ProductID], Product[ProductID])

７ Nota
 Si Power BI detecta varias rutas de acceso con la misma prioridad y el mismo peso,
devolverá un error de ruta de acceso ambigua. En este caso, debe resolver la
ambigüedad influyenndo en los pesos de relación mediante la función
USERELATIONSHIP o quitando o modificando las relaciones del modelo.

Preferencia de rendimiento
En la lista siguiente se ordena el rendimiento de la propagación de filtros, desde el
rendimiento más rápido al más lento:

1. Relaciones intragrupo de origen de uno a varios

2. Relaciones de modelo de varios a varios logradas con una tabla intermediaria y
que implican al menos una relación bidireccional
3. Relaciones de cardinalidad de varios a varios
4. Relaciones entre grupos de origen

Pasos siguientes
Para más información sobre este artículo, consulte los recursos siguientes:

Descripción de un esquema de estrella e importancia para Power BI

Instrucciones para relaciones uno a uno
Instrucciones para relaciones de varios a varios
Instrucciones para elegir entre relaciones activas e inactivas
Instrucciones para relaciones bidireccionales
Instrucciones para solución de problemas de relaciones
Vídeo: Qué se debe hacer y qué no con las relaciones de Power BI
¿Tiene alguna pregunta? Pruebe a preguntar a la comunidad de Power BI
¿Sugerencias? Ideas para contribuir a mejorar Power BI
Aplicación de relaciones de varios a
varios en Power BI Desktop
Artículo • 30/03/2023

Con las relaciones con una cardinalidad de varios a varios de Power BI Desktop, se
pueden combinar tablas con una cardinalidad de varios a varios. Puede crear modelos
de datos que contengan dos o más orígenes de datos de forma más fácil e intuitiva. Las
relaciones con una cardinalidad de varios a varios forman parte del conjunto de
funcionalidades de los modelos compuestos de Power BI Desktop. Para obtener más
información sobre los modelos compuestos, consulte Uso de modelos compuestos en
Power BI Desktop

Qué resuelve una relación con una cardinalidad

de varios a varios
Antes de que las relaciones con una cardinalidad de varios a varios estuviesen
disponibles, la relación entre dos tablas se definía en Power BI. Al menos una de las
columnas de las tablas implicadas en la relación tenía que contener valores únicos. No
obstante, a menudo ninguna columna contiene valores únicos.

Por ejemplo, dos tablas podían tener una columna con la etiqueta CountryRegion. Pero
los valores de CountryRegion no eran únicos en ninguna de las tablas. Para combinar
esas tablas, había que crear una solución alternativa. Una solución alternativa podía ser
incorporar tablas adicionales con los valores únicos necesarios. Con las relaciones con
una cardinalidad de varios a varios, puede combinar esas tablas directamente si usa una
relación con una cardinalidad de varios a varios.

Uso de relaciones con una cardinalidad de

varios a varios
Cuando define una relación entre dos tablas de Power BI, debe definir la cardinalidad de
la relación. Por ejemplo, la relación entre ProductSales y Product (con las columnas
ProductSales [ProductCode] y Product[ProductCode]) se definiría como de varios a uno.
La relación se define de esta manera porque cada producto tiene muchas ventas y la
columna de la tabla Product (ProductCode) es única. Al definir la cardinalidad de una
relación como de varios a uno, de uno a varios o de uno a uno, Power BI la valida para
que la cardinalidad seleccionada coincida con los datos reales.

Por ejemplo, observe el modelo simple de esta imagen:

Ahora, imagine que la tabla Product solo muestra dos filas, como se muestra a
continuación:
Además, imagine que la tabla Sales solo tiene cuatro filas, incluida una para un producto
C. Debido a un error de integridad referencial, la fila del producto C no existe en la tabla
Product.

Los elementos ProductName y Price (de la tabla Product), junto con el elemento Qty
total de cada producto (de la tabla ProductSales) se mostrarían así:

Como puede ver en la imagen anterior, hay una fila ProductName en blanco asociada a
las ventas del producto C. Esta fila en blanco corresponde a lo siguiente:

Cualquier fila de la tabla ProductSales para la que no existe ninguna fila

correspondiente en la tabla Producto. Hay un problema de integridad referencial,
como se observa en el producto C de este ejemplo.

Cualquier fila de la tabla ProductSales para la que la columna de clave externa es

NULL.

Por estas razones, en ambos casos la fila en blanco se contabiliza para las ventas en las
que no se conoce el valor de ProductName ni de Precio.

A veces las tablas se combinan por dos columnas, aunque ninguna de ellas es única. Por
ejemplo, observe estas dos tablas:

La tabla Ventas contiene los datos de ventas por Estado y cada fila contiene el
importe de ventas para el tipo de ventas de este estado. Los estados incluyen CA,
WA y TX.
 La tabla CityData muestra datos sobre las ciudades, incluida la población y el
estado (como CA, WA y Nueva York).

Ahora hay una columna para State en ambas tablas. Es razonable querer informar sobre
las ventas totales por estado y la población total de cada estado. Pero hay un problema:
la columna State no es única en ninguna de las tablas.

Solución anterior
Antes de la versión de julio de 2018 de Power BI Desktop, no se podía crear una relación
directa entre estas tablas. Una solución alternativa era:

Crear una tercera tabla que solo incluía los identificadores de estado únicos. La
tabla podía ser una o todas las siguientes:
Tabla calculada (definida mediante el uso de expresiones de análisis de datos
[DAX]).
Tabla basada en una consulta que se define en el Editor de Power Query, que
puede mostrar los identificadores únicos procedentes de una de las tablas.
Conjunto combinado completo.

Luego se relacionaban las dos tablas originales con esa tabla nueva mediante
relaciones comunes de varios a uno.
La tabla de la solución alternativa se podía dejar visible. También se podía ocultar para
que no apareciera en la lista Campos. Al ocultar la tabla, las relaciones de varios a uno
normalmente se establecían para filtrar en ambas direcciones y se podía usar el campo
State de cualquiera de las tablas. El filtrado cruzado posterior se propaga a la otra tabla.
Este enfoque se muestra en la siguiente imagen:

Un objeto visual que muestra Estado (desde la tabla CityData) junto con el valor de
Población y Ventas totales sería como aparece a continuación:

７ Nota

Dado que en esta solución alternativa se usa el estado de la tabla CityData, solo
aparecen los estados de esa tabla, así que TX no está incluido. Además, a diferencia
de las relaciones de varios a uno, si bien la fila total incluye todas las ventas
(incluidas las de TX), los detalles no incluyen una fila en blanco que cubre esas filas
no coincidentes. Del mismo modo, ninguna fila en blanco cubriría las ventas en las
que hubiera un valor nulo en State.
Imagine que también agrega la ciudad a ese objeto visual. Aunque se conoce la
población por ciudad, las ventas mostradas por ciudad simplemente repiten las ventas
del estado correspondiente. Este escenario normalmente se produce cuando la
agrupación de columnas no está relacionada con alguna medida de agregado, como se
muestra aquí:

Imagine que define la nueva tabla Sales como la combinación de todos los estados y
que la hace visible en la lista Campos. El mismo objeto visual mostraría el estado (en la
nueva tabla), la población total y las ventas totales:

Como puede ver, se incluirían TX (con datos de ventas, pero con datos de población
desconocidos) y Nueva York (con datos de población conocidos, pero sin datos de
ventas). Esta solución no es óptima y presenta muchos problemas. En las relaciones con
una cardinalidad de varios a varios se abordan estos problemas, como se explica en la
sección siguiente.

Para más información sobre cómo implementar esta solución alternativa, consulte las
instrucciones para relaciones de varios a varios.
Uso de una relación con una cardinalidad de
varios a varios en lugar de la solución
alternativa
Es posible relacionar tablas directamente, como las que se han descrito anteriormente,
sin tener que recurrir a soluciones alternativas similares. Ahora es posible establecer la
cardinalidad de una relación como de varios a varios. Este valor indica que ninguna tabla
contiene valores únicos. En estas relaciones se puede controlar qué tabla filtra a la otra
tabla. O bien se puede aplicar filtrado bidireccional, donde cada tabla filtra a la otra.

En Power BI Desktop, la cardinalidad se establece de manera predeterminada en varios a

varios cuando se determina que ninguna tabla contiene valores únicos para las
columnas de la relación. En estos casos, un mensaje de advertencia pide confirmación
de que se quiere establecer una relación, de modo que el cambio no sea el efecto no
deseado de un problema de los datos.

Por ejemplo, al crear una relación directamente entre CityData y Sales (donde los filtros
fluirían desde CityData a Sales), Power BI Desktop muestra el cuadro de diálogo Editar
relación:
La vista de relaciones resultante mostrará la relación de varios a varios directa entre las
dos tablas. La apariencia de las tablas en la lista Campos, así como su comportamiento
posterior al crear los objetos visuales, son similares a cuando se aplica la solución
alternativa. En la solución alternativa, la tabla adicional que muestra los datos de estado
distintos no está visible. Como se ha explicado anteriormente, se mostraría un objeto
visual con los datos de State, Population y Sales:

Las principales diferencias entre las relaciones con una cardinalidad de varios a varios y
las relaciones de varios a uno más típicas son las siguientes:
 Los valores mostrados no incluyen una fila en blanco dedicada a las filas que no
coinciden en la otra tabla. Además, los valores no se aplican a las filas donde la
columna usada en la relación de la otra tabla es nula.

No se puede usar la función RELATED() , ya que se podría relacionar más de una

fila.

Usar la función ALL() en una tabla no quita los filtros aplicados a otras tablas
relacionadas con una relación de varios a varios. En el ejemplo anterior, una
medida definida como se muestra aquí no quitaría los filtros de las columnas de la
tabla CityData relacionada:

Un objeto visual que mostrara datos de State, Sales y Sales total daría lugar a este
gráfico:

Teniendo en cuenta las diferencias anteriores, asegúrese de que los cálculos que usen
ALL(<Table>) , como % del total general, devuelvan los resultados deseados.

Consideraciones y limitaciones
Existen algunas limitaciones para esta versión de las relaciones con una cardinalidad de
varios a varios y los modelos compuestos.

Los siguientes orígenes de Live Connect (multidimensionales) no se pueden usar con

modelos compuestos:

SAP HANA
SAP Business Warehouse
SQL Server Analysis Services
Conjuntos de datos de Power BI
Azure Analysis Services
Al conectarse a estos orígenes multidimensionales mediante DirectQuery, no es posible
conectar a otro origen de DirectQuery ni combinarlo con datos importados.

Las limitaciones existentes del uso de DirectQuery se siguen aplicando cuando se

utilizan las relaciones con una cardinalidad de varios a varios. Muchas limitaciones ahora
son por tabla, en función del modo de almacenamiento de la tabla. Por ejemplo, una
columna calculada en una tabla importada puede hacer referencia a otras tablas, pero
una columna calculada en una tabla DirectQuery puede hacer referencia solo a
columnas de la misma tabla. Otras limitaciones se aplican al modelo completo si
cualquiera de las tablas del modelo es de DirectQuery. Por ejemplo, las características
Conclusiones rápidas y Preguntas y respuestas no están disponibles en un modelo si
alguna tabla de este tiene un modo de almacenamiento de DirectQuery.

Pasos siguientes
Para obtener más información sobre los modelos compuestos y DirectQuery, consulte
los siguientes artículos:

Usar modelos compuestos en Power BI Desktop

Administración del modo de almacenamiento en Power BI Desktop
DirectQuery en Power BI
Orígenes de datos de Power BI
Habilitación del filtrado cruzado
bidireccional para DirectQuery en
Power BI Desktop
Artículo • 23/03/2023

Al filtrar las tablas para crear la vista adecuada de los datos, los creadores de informes y
los modeladores de datos se enfrentan a desafíos que determinan cómo aplicar filtros a
un informe. Anteriormente, el contexto de filtro de la tabla se ha retenido en un lado de
la relación, pero no en el otro. Esta disposición a menudo requería una fórmula
compleja de expresiones de análisis de datos (DAX) para obtener los resultados
deseados.

Con el filtrado cruzado bidireccional, los creadores de informes y los modeladores de

datos ahora tienen más control sobre cómo pueden aplicar filtros al trabajar con tablas
relacionadas. El filtrado cruzado bidireccional permite aplicar filtros en ambos lados de
una relación de tabla. Puede aplicar los filtros propagando el contexto de filtro en una
segunda tabla relacionada en el otro lado de una relación de tabla.

Habilitación del filtrado cruzado bidireccional

para DirectQuery
Puede habilitar el filtrado cruzado en el cuadro de diálogo Editar relación. Para habilitar
el filtrado cruzado de una relación, debe configurar las opciones siguientes:

Establezca Dirección del filtro cruzado en Ambos.

Seleccione Aplicar filtro de seguridad en ambas direcciones.

 ７ Nota

Al crear fórmulas DAX de filtrado cruzado en Power BI Desktop, use

UserPrincipalName. Ese campo suele ser el mismo que el inicio de sesión de un
usuario, por ejemplo, joe@[Link], en lugar de UserName. Por tanto, puede
que necesite crear una tabla relacionada que asigne UserName o EmployeeID a
UserPrincipalName.

Para obtener más información y ejemplos de cómo funciona el filtrado cruzado

bidireccional, consulte las notas del producto sobre el filtrado cruzado bidireccional
para Power BI Desktop .
Usar modelos compuestos en Power BI
Desktop
Artículo • 26/06/2023

Anteriormente en Power BI Desktop, cuando se usaba DirectQuery en un informe, no se

permitía usar ninguna otra conexión de datos en ese informe, ya fuese que se tratara de
DirectQuery o importación. Con los modelos compuestos esa restricción ya no existe.
Un informe puede incluir sin problemas conexiones de datos de más de una conexión
de datos de DirectQuery o de importación, en la combinación de su preferencia.

La funcionalidad de modelos compuestos de Power BI Desktop consta de tres

características relacionadas:

Modelos compuestos: permiten que un informe tenga dos o más conexiones de

datos de grupos de origen diferentes. Estos grupos de origen pueden ser una o
varias conexiones de DirectQuery y una conexión de importación, dos o más
conexiones de DirectQuery, o bien cualquier combinación de ellas. En este artículo
se describen los modelos compuestos en detalle.

Relaciones de varios a varios: con los modelos compuestos, puede establecer

relaciones de varios a varios entre las tablas. Este enfoque elimina los requisitos de
valores únicos en tablas. También permite descartar las soluciones alternativas
anteriores, como el hecho de presentar nuevas tablas solo para establecer
relaciones. Para más información, consulte Relaciones de varios a varios en
Power BI Desktop.

Modo de almacenamiento: ahora puede especificar los objetos visuales que

consultan los orígenes de datos back-end. Esta característica permite mejorar el
rendimiento y reducir la carga de back-end. Anteriormente, incluso los objetos
visuales simples, como las segmentaciones, iniciaban consultas a los orígenes de
back-end. Para más información, consulte Administración del modo de
almacenamiento en Power BI Desktop.

Usar modelos compuestos

Con los modelos compuestos puede conectarse a diferentes clases de orígenes de datos
al usar Power BI Desktop o el servicio Power BI. Puede realizar esas conexiones de datos
de dos maneras:
 Mediante la importación de datos a Power BI, que es la manera más común para
obtener datos.
Mediante una conexión directa a los datos en su repositorio de origen inicial con
DirectQuery. Para más información sobre DirectQuery, vea DirectQuery en
Power BI.

Al usar DirectQuery, los modelos compuestos permiten crear un modelo de Power BI

(como un archivo .pbix de Power BI Desktop único) que tiene como resultado una de las
siguientes acciones o ambas:

Combina los datos de uno o varios orígenes de DirectQuery.

Combina los datos de orígenes de DirectQuery e importa los datos.

Por ejemplo, mediante el uso de modelos compuestos, puede crear un modelo que
combine los siguientes tipos de datos:

Datos de ventas de un almacenamiento de datos empresarial.

Datos de objetivos de ventas de una base de datos de SQL Server departamental.
Datos que se importan a partir de una hoja de cálculo.

Un modelo que combina datos de más de un origen de DirectQuery o que combina

DirectQuery con datos importados se conoce como un modelo compuesto.

Puede crear relaciones entre las tablas como siempre, incluso cuando las tablas
procedan de orígenes diferentes. Cualquier relación entre orígenes se crea con una
cardinalidad de varios a varios, independientemente de su cardinalidad real. Puede
cambiar a una cardinalidad de uno a varios, de varios a uno o de uno a uno. Sea cual sea
la cardinalidad que se establezca, las relaciones entre orígenes tienen un
comportamiento diferente. No se pueden usar las funciones de expresiones de análisis
de datos (DAX) para recuperar valores en el lado one del lado many . Es posible que
también observe un impacto en el rendimiento en comparación con las relaciones de
varios a varios dentro del mismo origen.

７ Nota

En el contexto de los modelos compuestos, todas las tablas importadas son

efectivamente un solo origen, independientemente del origen de datos.

Ejemplo de un modelo compuesto

Un ejemplo de modelo compuesto podría ser un informe que se ha conectado a un
almacenamiento de datos corporativos en SQL Server mediante el uso de DirectQuery.
En este caso, el almacenamiento de datos contiene datos de Sales by Country (Ventas
por país), Quarter (Trimestre) y Bike (Product) (Bicicleta [Producto]), como se muestra
en la siguiente imagen:

En este momento, podría crear objetos visuales sencillos con campos de este origen. La
siguiente imagen muestra las ventas totales por ProductName para un trimestre
seleccionado.

Pero, ¿qué ocurre si tiene datos en una hoja de cálculo de Excel sobre el administrador
de productos asignado a cada artículo con la prioridad de marketing? Si quiere conocer
el valor de Sales Amount (Cantidad de ventas) por Product Manager (Administrador de
producto), es posible que no se puedan agregar estos datos locales en el
almacenamiento de datos corporativos. O bien, en el mejor de los casos, se trata de una
tarea que puede llevar meses.

Es posible importar los datos de ventas del almacenamiento de datos, en lugar de usar
DirectQuery. Después, se podrían combinar los datos de ventas con los datos que haya
importado desde la hoja de cálculo. Este enfoque es poco razonable, por los motivos
que han llevado a usar DirectQuery en primer lugar. Los motivos pueden incluir:

Alguna combinación de las reglas de seguridad aplicadas en el origen subyacente.

Existencia de la necesidad de poder consultar los datos más recientes.
Dimensiones de los datos, que pueden ser bastante grandes.

Aquí es donde aparecen los modelos compuestos. Los modelos compuestos le permiten
conectarse al almacenamiento de datos mediante DirectQuery y luego usar Obtener
datos para más orígenes. En este ejemplo, establecemos primero la conexión de
DirectQuery al almacén de datos corporativos. Utilice Obtener datos, elija Excel y,
después, vaya a la hoja de cálculo que contiene los datos locales. Por último, importe la
hoja de cálculo que contiene los valores Product Names (Nombres de producto), Sales
Manager (Administrador de ventas) asignado y Priority (Prioridad).

En la lista Campos, puede ver dos tablas: la tabla Bike (Bicicleta) original de SQL Server y
una tabla ProductManagers nueva. La nueva tabla contiene los datos que se han
importado de Excel.
Del mismo modo, en la vista Relaciones de Power BI Desktop, ahora se ve otra tabla
denominada ProductManagers (Administradores de productos).

Ahora necesitamos relacionar estas tablas con las otras en el modelo. Como siempre,
creamos una relación entre la tabla Bike (Bicicleta) de SQL Server y la tabla
ProductManagers importada. Es decir, la relación se establece entre
Bike[ProductName] y ProductManagers[ProductName] . Como se ha explicado
anteriormente, todas las relaciones entre el origen tienen la cardinalidad de varios a
varios de forma predeterminada.
Una vez que se ha establecido esta relación, se muestra en la vista Relaciones en Power
BI Desktop tal como se esperaría.

Ahora podemos crear objetos visuales mediante cualquiera de los campos de la lista
Campos. Este enfoque combina sin problemas datos de varios orígenes. Por ejemplo, el
valor SalesAmount (Cantidad de ventas) total para cada Product Manager (Administrador
de productos) se muestra en la siguiente imagen:
En el ejemplo siguiente se muestra un caso común de una tabla de dimensiones, como
Producto o Cliente, que se extiende con algunos datos adicionales que se importan
desde otro lugar. También es posible hacer que las tablas usen DirectQuery para
conectarse a diversos orígenes. Para continuar con el ejemplo, imaginemos que Sales
Targets (Objetivos de ventas) por Country (País) y Period (Período) se almacenan en una
base de datos departamental independiente. Como es habitual, puede usar Obtener
datos para conectarse a esos datos, tal como se muestra en la siguiente imagen:
Como ha hecho antes, puede crear relaciones entre la tabla nueva y las demás tablas del
modelo. Después, puede crear objetos visuales que combinen los datos de la tabla.
Volvamos a examinar la vista Relaciones, donde establecimos relaciones nuevas:

La siguiente imagen se basa en los nuevos datos y las relaciones que hemos creado. El
objeto visual en la esquina inferior izquierda muestra el valor Sales Amount (Cantidad de
ventas) total frente a Target (Objetivo), mientras que el cálculo de la varianza muestra la
diferencia. Los datos de Sales Amount (Cantidad de ventas) y Target (Objetivo)
proceden de dos bases de datos de SQL Server diferentes.
Establecer el modo de almacenamiento
Cada tabla de un modelo compuesto tiene un modo de almacenamiento que indica si la
tabla se basa en DirectQuery o en importación. El modo de almacenamiento se puede
ver y modificar en el panel Propiedad. Para mostrar el modo de almacenamiento, haga
clic en una tabla en la lista Campos y, después, seleccione Propiedades. En la siguiente
imagen se muestra el modo de almacenamiento para la tabla SalesTargets (Objetivos de
ventas).

El modo de almacenamiento también se puede ver en la información sobre

herramientas de cada tabla.
En el caso de los archivos de Power BI Desktop (. .pbix) que contengan tablas
DirectQuery e Importación, la barra de estado mostrará un modo de almacenamiento
denominado Combinado. Puede seleccionar ese término en la barra de estado y
cambiar fácilmente todas las tablas para la importación.

Para más información sobre el modo de almacenamiento, consulte Administración del

modo de almacenamiento en Power BI Desktop.

７ Nota

Puede usar el modo de almacenamiento mixto en Power BI Desktop y en el servicio

Power BI.

Tablas calculadas
Puede agregar tablas calculadas a un modelo que use DirectQuery. Las expresiones de
análisis de datos (DAX) que definen la tabla calculada pueden hacer referencia a
cualquier tabla importada o de DirectQuery, o una combinación de ambas.

Las tablas calculadas siempre se importan y los datos se actualizan cuando se actualizan
las tablas. Si una tabla calculada hace referencia a una tabla DirectQuery, los objetos
visuales que hagan referencia a la tabla DirectQuery siempre mostrarán los valores más
recientes en el origen subyacente. Como alternativa, los objetos visuales que hacen
referencia a la tabla calculada muestran los valores en el momento de la última
actualización de la tabla calculada.

Implicaciones de seguridad
Los modelos compuestos tienen algunas implicaciones de seguridad. Una consulta
enviada a un origen de datos puede incluir valores de datos que se han recuperado
desde otro origen de datos. En el ejemplo anterior, el objeto visual que muestra Sales
Amount (Cantidad de ventas) por Product Manager (Administrador de productos) envía
una consulta SQL para la base de datos relacional Sales (Ventas). La consulta SQL puede
contener los nombres de Product Managers (Administradores de producto) y sus
productos asociados.
Por tanto, la información que se almacena en la hoja de cálculo ahora se incluye en una
consulta enviada a la base de datos relacional. Si esta información es confidencial, se
deben considerar las implicaciones de seguridad. En concreto, tenga en cuenta lo
siguiente:

Cualquier administrador de la base de datos que pueda ver los seguimientos o

registros de auditoría puede ver esta información, incluso sin permisos para los
datos de su fuente original. En este ejemplo, el administrador necesitaría permisos
para el archivo de Excel.

Se debe considerar la configuración de cifrado para cada origen. Lo habitual es

querer evitar tener que recuperar la información desde un origen mediante una
conexión cifrada y, después, incluirla de forma accidental en una consulta que se
envía a otro origen mediante una conexión no cifrada.

Con el fin de permitir la confirmación de que se consideraron todas las implicaciones de

seguridad, Power BI Desktop muestra un mensaje de advertencia cuando se realiza una
acción para crear un modelo compuesto.

Además, si un autor agrega Table1 de Model A a un modelo compuesto (que se

denomina Model C para referencia), un usuario que vea un informe basado en Model C
podría consultar cualquier tabla de Model A que no esté protegida mediante la
seguridad de nivel de fila (RLS).

Por motivos similares, se debe tener cuidado al abrir un archivo de Power BI Desktop
enviado desde un origen que no es de confianza. Si el archivo contiene modelos
compuestos, la información que alguien recupere de un origen, con las credenciales del
usuario que abre el archivo, se enviará a otro origen de datos como parte de la consulta.
El autor del archivo de Power BI Desktop malintencionado podría ver esta información.
Por lo tanto, al abrir inicialmente un archivo de Power BI Desktop que contiene varios
orígenes, Power BI Desktop muestra una advertencia. La advertencia es similar a la que
aparece al abrir un archivo que incluye consultas SQL nativas.

Implicaciones de rendimiento
Siempre se debe considerar el rendimiento al usar DirectQuery, principalmente para
garantizar que el origen de back-end tenga los recursos suficientes para proporcionar
una buena experiencia para los usuarios. Para que la experiencia se considere buena, los
objetos visuales deben actualizarse en cinco segundos o menos. Para más información
sobre el rendimiento, vea DirectQuery en Power BI.

El uso de modelos compuestos agrega otras consideraciones de rendimiento. Un solo

objeto visual puede producir que se envíen consultas a varios orígenes, lo que a
menudo pasa los resultados de una consulta a un segundo origen. Esta situación puede
generar las siguientes formas de ejecución:

Consulta de origen con un gran número de valores literales: por ejemplo, un

objeto visual que solicita el valor Cantidad de ventas total para un conjunto de
Administradores de productos seleccionado primero tendría que determinar qué
elementos Productos administraban. Esta secuencia debe realizase antes de que el
objeto visual envíe una consulta SQL que incluya todos los identificadores de
producto en una cláusula WHERE .

Consulta de origen con un nivel de granularidad inferior y en la que los datos se

agregan de forma local posteriormente: cuando el número de Productos que
cumplen los criterios de filtro de Administrador de productos aumenta, puede
resultar ineficaz o imposible incluir todos los productos en una cláusula WHERE . En
su lugar, puede consultar el origen relacional en el nivel inferior de Product
(Producto) y después agregar los resultados localmente. Si la cardinalidad de los
Productos (Productos) supera un límite de 1 millón, la consulta generará un error.

Varias consultas de origen, una por grupo por valor: cuando la agregación usa
DistinctCount y se agrupa por una columna de otro origen, y si el origen externo
no admite pasar de manera eficaz varios valores literales que definen la
agrupación, es necesario enviar una consulta SQL por grupo por valor.

Un objeto visual que solicita un recuento distinto de CustomerAccountNumber

(Número de cuenta de cliente) (desde la tabla de SQL Server) por Product
Manager (Administrador de productos) (importado desde una hoja de cálculo)
debería pasar los detalles de la tabla Product Managers (Administradores de
productos) en la consulta enviada a SQL Server. Esta acción es inviable a través de
otros orígenes, por ejemplo, Redshift. En su lugar, habría una consulta SQL enviada
 por el administrador de ventas, hasta algún límite práctico, momento en el cual se
generaría un error en la consulta.

Cada uno de estos casos tiene sus propias implicaciones en el rendimiento y los detalles
exactos varían en función de cada origen de datos. Aunque la cardinalidad de las
columnas usadas en la relación que combina ambos orígenes permanece baja (unos
pocos miles), el rendimiento no debería verse afectado. A medida que crece esta
cardinalidad, debe prestar más atención a la repercusión en el rendimiento resultante.

Además, el uso de las relaciones de varios a varios significa que se deben enviar
consultas independientes al origen subyacente de cada nivel total o subtotal, en lugar
de agregar localmente los valores detallados. Un objeto visual de tabla simple con
totales podría enviar dos consultas de origen en lugar de una.

Grupos de origen
Un grupo de origen es una colección de elementos como tablas y relaciones, de un
origen de DirectQuery o de todos los orígenes de importación implicados en un modelo
de datos. Un modelo compuesto está formado por uno o varios grupos de origen.
Considere los siguientes ejemplos:

Un modelo compuesto que se conecta a un conjunto de datos de Power BI

denominado Ventas y lo enriquece mediante la agregación de una medida Ventas
del año hasta la fecha, que no está disponible en el conjunto de datos original.
Este modelo consta de un grupo de origen.
Un modelo compuesto que combina datos mediante la importación de una tabla
de una hoja de Excel denominada Destinos y un archivo CSV denominado
Regiones, y una conexión de DirectQuery a un conjunto de datos de Power BI
denominado Ventas. En este caso, hay dos grupos de origen, como se muestra en
la siguiente imagen:
El primer grupo de origen contiene las tablas de la hoja de Excel Destinos y el
archivo CSV Regiones.
El segundo grupo de origen contiene los elementos del conjunto de datos
Ventas de Power BI.
Si agregó otra conexión de DirectQuery a otro origen, como una conexión de
DirectQuery a una base de datos de SQL Server denominada Inventario, los elementos
de ese origen se agregarán como otro grupo de origen:

７ Nota

La importación de datos desde otro origen no agregará otro grupo de origen, ya

que todos los elementos de todos los orígenes importados se encuentran en un
grupo de origen.

Grupos de origen y relaciones

Hay dos tipos de relaciones en un modelo compuesto:

Relaciones intragrupo de origen. Estas relaciones relacionan elementos dentro de

un grupo de origen juntos. Estas relaciones siempre son normales a menos que
sean de varios a varios, en cuyo caso están limitadas.
 Relaciones entre grupos de origen. Estas relaciones comienzan en un grupo de
origen y terminan en un grupo de origen diferente. Estas relaciones siempre son
relaciones limitadas.

Obtenga más información sobre la distinción entre las relaciones normales y limitadas y
su impacto.

Por ejemplo, en la imagen siguiente, se han agregado tres relaciones entre grupos de
origen, que relacionan tablas entre los distintos grupos de origen:

Local y remoto
Cualquier elemento de un grupo de origen que sea de DirectQuery se considera
remoto, a menos que el elemento se haya definido localmente como parte de una
extensión o enriquecimiento del origen de DirectQuery y no forme parte del origen
remoto, como una medida o una tabla calculada. Una tabla calculada basada en una
tabla del grupo de origen DirectQuery pertenece al grupo de origen "Import" y se
considera local.
Cualquier elemento que se encuentra en el grupo de origen "Importar"
se considera local.
Por ejemplo, si define la siguiente medida en un modelo compuesto
que usa una conexión DirectQuery al origen de inventario, la medida se considera local:

DAX

[Average Inventory Count] = Average(Inventory[Inventory Count])

Grupos de cálculo, consulta y evaluación de medidas

Los grupos de cálculo proporcionan una manera de reducir el número de medidas
redundantes y de agrupar expresiones de medida comunes. Los casos de uso típicos
son los cálculos de inteligencia de tiempo en los que quiere poder cambiar de los
cálculos actuales a los de mes a fecha, trimestre a fecha o año a fecha.
Al trabajar con
modelos compuestos, es importante tener en cuenta la interacción entre los grupos de
cálculo y si una medida solo hace referencia a elementos de un único grupo de origen
remoto. Si una medida solo hace referencia a elementos de un único grupo de origen
remoto y el modelo remoto define un grupo de cálculo que afecta a la medida, ese
grupo de cálculo se aplicará, aunque si la medida se haya definido en el modelo remoto
o en el modelo local.
Pero si una medida no hace referencia a elementos de un único
grupo de origen remoto exclusivamente, sino a elementos de un grupo de origen
remoto en el que se aplica un grupo de cálculo remoto, los resultados de la medida
podrían verse afectados por el grupo de cálculo remoto. Considere el ejemplo siguiente:

Ventas de revendedor es una medida definida en el modelo remoto.

El modelo remoto contiene un grupo de cálculo que cambia el resultado de Ventas
de revendedor
Ventas por Internet es una medida definida en el modelo local.
Ventas totales es una medida definida en el modelo local y tiene la siguiente
definición:

DAX

[Total Sales] = [Internet Sales] + [Reseller Sales]

En este escenario, la medida Ventas por Internet no se ve afectada por el grupo de

cálculo definido en el modelo remoto, ya que no forma parte del mismo modelo. Pero el
grupo de cálculo puede cambiar el resultado de la medida Ventas de revendedor, ya
que está en el mismo modelo. Este dato significa que los resultados devueltos por la
medida Ventas totales se deben evaluar cuidadosamente. Imagine que usamos el grupo
de cálculo en el modelo remoto para devolver resultados de año a fecha. El resultado
devuelto por Ventas de revendedor es ahora un valor anual a fecha, mientras que el
resultado devuelto por Ventas por Internet sigue siendo actual. El resultado de Ventas
totales ahora es inesperado, ya que agrega un resultado actual a un resultado anual a la
fecha.

Modelos compuestos en conjuntos de datos de

Power BI y Analysis Services
Con modelos compuestos con conjuntos de datos de Power BI y Analysis Services,
puede crear un modelo compuesto mediante una conexión directQuery para conectarse
a conjuntos de datos de Power BI, Azure Analysis Services (AAS) y SQL Server 2022
Analysis Services. Con un modelo compuesto, puede combinar los datos de estos
orígenes con otros datos de DirectQuery e importados. Esta función resultará
especialmente útil para autores de informes que quieran combinar los datos de su
modelo semántico empresarial con otros datos que posean, como una hoja de cálculo
de Excel, o que quieran personalizar o enriquecer los metadatos de su modelo
semántico empresarial.

Administración de modelos compuestos en conjuntos de

datos de Power BI
Para habilitar la creación de modelos compuestos en conjuntos de datos de Power BI, el
inquilino debe tener habilitados los siguientes conmutadores:

Permitir puntos de conexión de XMLA y Analizar en Excel con conjuntos de datos

locales. Si este conmutador está deshabilitado, no se puede establecer una
conexión de DirectQuery a un conjunto de datos de Power BI.
Los usuarios pueden trabajar con conjuntos de datos Power BI en Excel mediante
una conexión dinámica. Si este conmutador está deshabilitado, los usuarios no
pueden realizar conexiones dinámicas a conjuntos de datos de Power BI para que
no se pueda acceder al botón para Realizar cambios en este modelo.
Permitir conexiones de DirectQuery a conjuntos de datos de Power BI. Consulte los
párrafos siguientes para obtener más información sobre este conmutador y el
efecto que tiene la acción de deshabilitarlo.

Además, para las capacidades Premium y Premium por usuario, la opción de "Punto de
conexión XMLA" debe habilitarse y establecerse en "Solo lectura" o "Lectura y escritura".

Los administradores de inquilinos pueden habilitar o deshabilitar las conexiones de

DirectQuery a conjuntos de datos de Power BI en el portal de administración. Si bien
esta característica está habilitada de manera predeterminada, deshabilitarla impedirá
que los usuarios publiquen modelos compuestos nuevos de conjuntos de datos de
Power BI en el servicio.
Los informes que ya existen y aprovechan un modelo compuesto de un conjunto de
datos de Power BI seguirán funcionando y los usuarios todavía podrán crear el modelo
compuesto mediante Desktop, pero no podrán publicar en el servicio. En su lugar,
cuando cree una conexión de DirectQuery al conjunto de Power BI al seleccionar Hacer
cambios en este modelo, verá el mensaje de advertencia siguiente:

De este modo, todavía puede explorar el conjunto de datos en el entorno local de

Power BI Desktop y crear el modelo compuesto. Sin embargo, no podrá publicar el
informe en el servicio. Al publicar el informe y el modelo, verá el mensaje de error
siguiente y se bloqueará la publicación:
Tenga en cuenta que las conexiones dinámicas a conjuntos de datos de Power BI no se
ven influidas por esta opción, y tampoco las conexiones dinámicas o de DirectQuery a
Analysis Services. Estas seguirán funcionando independientemente de si la opción se
desactivó. Además, los informes publicados que aprovechan un modelo compuesto de
un conjunto de datos de Power BI seguirán funcionando incluso si la opción se
desactivó después de su publicación.

Creación de un modelo compuesto en un conjunto de

datos o modelo
La creación de un modelo compuesto en un conjunto de datos de Power BI o un
modelo de Analysis Services requiere que el informe tenga un modelo local. Puede
empezar a partir de una conexión dinámica y agregar o actualizar a un modelo local, o
bien empezar con una conexión de DirectQuery o datos importados, lo que crea
automáticamente un modelo local en el informe.

Para ver las conexiones que se usan en el modelo, compruebe la barra de estado que se
encuentra en la esquina inferior derecha de Power BI Desktop. Si solo está conectado a
un origen de Analysis Services, verá un mensaje similar a la imagen siguiente:

Si está conectado a un conjunto de datos de Power BI, verá un mensaje en el que se le

indicará el conjunto de Power BI al que está conectado:

Si quiere personalizar los metadatos de los campos del conjunto de datos con conexión
dinámica, seleccione Hacer cambios en este modelo en la barra de estado. Como
alternativa, puede seleccionar el botón Hacer cambios en este modelo que está en la
cinta de opciones, tal como se muestra en la imagen siguiente. En Vista de informe, el
botón Hacer cambios en este modelo en la pestaña Modelado. En Vista de modelo, el
botón está en la pestaña Inicio.

Al seleccionar el botón, se muestra un cuadro de diálogo para confirmar la

incorporación de un modelo local. Seleccione Agregar un modelo local para permitir la
creación de columnas o modificar los metadatos para los campos de los conjuntos de
Power BI o Analysis Services. En la imagen siguiente se muestra el cuadro de diálogo
que aparece.

Cuando establece una conexión dinámica a un origen de Analysis Services, no hay

ningún modelo local. Si desea usar DirectQuery para orígenes con conexión dinámica,
como conjuntos de datos de Power BI y Analysis Services, debe agregar un modelo local
al informe. Al publicar un informe con un modelo local en el servicio Power BI, también
se publica un conjunto de datos para ese modelo local.

Encadenamiento
Los conjuntos de datos, y los conjuntos de datos y los modelos en los que se basan,
conforman una cadena. Este proceso, denominado encadenamiento, le permite publicar
un informe y un conjunto de datos en función de otros conjuntos de datos de Power BI,
una característica que antes no era posible.

Por ejemplo, imagine que un colega suyo publica un conjunto de datos de Power BI
denominado Ventas y presupuesto basado en un modelo de Analysis Services
denominadoVentas, y lo combina con una hoja de Excel denominada Presupuesto.

Cuando publica un informe (y conjunto de datos) nuevo denominado Ventas y

presupuesto Europa que se basa en el conjunto de datos Ventas y presupuesto de
Power BI que publicó su colega, y le hace algunas modificaciones o extensiones
adicionales, efectivamente agrega un informe y un conjunto de datos a una cadena con
longitud de tres, que empezó con el modelo Ventas de Analysis Services y finaliza con el
conjunto de datos Ventas y presupuesto Europa de Power BI. En la imagen siguiente se
muestra este proceso de encadenamiento.

La cadena de la imagen anterior tiene una longitud de tres, que es la máxima longitud
permitida. No se permite ir más allá de una cadena con longitud de tres, ya que
generaría un error.

Permisos y licencias
Los usuarios que acceden a los informes deben tener los permisos adecuados para
todos los conjuntos de datos y modelos de la cadena formada por el conjunto de datos
o el modelo al que desean acceder y los conjuntos de datos o modelos en los que se
basan los informes. Este permiso puede ser Leer o Compilar en función de si necesitan
ver los informes o realizar cambios y crear nuevos informes.

７ Nota

Consulte esta entrada de blog para obtener información importante sobre los
permisos necesarios para los modelos compuestos en conjuntos de datos de
Power BI y modelos de Analysis Services .
Si algún conjunto de datos de la cadena está en un área de trabajo Premium por
usuario, el usuario que accede a él necesita una Licencia Premium por usuario. Si algún
conjunto de datos de la cadena está en un área de trabajo Pro, el usuario que accede a
él necesita una licencia Pro. Si todos los conjuntos de datos de la cadena están en
capacidades Premium, un usuario puede acceder a él mediante una licencia gratuita.

Advertencia de seguridad
El uso de la característica DirectQuery para conjuntos de datos de Power BI y Analysis
Services le mostrará un diálogo de advertencia de seguridad, como se ve en la imagen
siguiente.

Los datos se pueden insertar de un origen de datos a otro, que es la misma advertencia
de seguridad que aparece al combinar DirectQuery e importar orígenes en un modelo
de datos. Para más información sobre este comportamiento, consulte este artículo sobre
cómo usar modelos compuestos en Power BI Desktop.

Escenarios admitidos
Puede crear modelos compuestos mediante datos de conjuntos de datos de Power BI o
modelos de Analysis Services para dar servicio a los escenarios siguientes:

Conectarse a datos de varios orígenes: importaciones (como archivos), conjuntos

de datos de Power BI, Analysis Services.
Crear relaciones entre distintos orígenes de datos.
Escribir medidas que usen campos de distintos orígenes de datos.
Crear columnas nuevas para tablas de conjuntos de datos de Power BI y Azure
Analysis Services.
Crear objetos visuales que usen columnas de distintos orígenes de datos.
 Con la lista de campos, puede quitar una tabla del modelo a fin de mantener los
modelos lo más concisos y ligeros posibles (si se conecta a una perspectiva, no
puede quitar tablas del modelo).
Puede especificar qué tablas cargar, en lugar de tener que cargarlas todas cuando
solo quiere un subconjunto específico de tablas. Consulte Carga de un
subconjunto de tablas más adelante en este documento.
Puede especificar si quiere agregar tablas que se agreguen posteriormente al
conjunto de datos después de establecer la conexión en el modelo.

Trabajar con un modelo compuesto basado en un

conjunto de datos o modelo
Al trabajar con DirectQuery para conjuntos de datos de Power BI y Analysis Services,
tenga en cuenta lo siguiente:

Si actualiza los orígenes de datos y hay errores en nombres de campos o tablas en

conflicto, Power BI resuelve estos errores de manera automática.

No puede editar, eliminar ni crear nuevas relaciones en el mismo conjunto de

datos de Power BI u origen de Analysis Services. Si tiene acceso de edición a estos
orígenes, en su lugar puede realizar los cambios directamente en el origen de
datos.

No se pueden cambiar los tipos de datos de columnas que se cargan desde un

conjunto de datos de Power BI o un origen de Analysis Services. Si necesita
cambiar el tipo de datos, cámbielo en el origen o use una columna calculada.

Para generar informes en el servicio Power BI de un modelo compuesto basado en

otro conjunto de datos, se deben establecer todas las credenciales.

Las conexiones a un servidor local de Analysis Services de SQL Server 2022 y

versiones posteriores o IaaS necesitan una puerta de enlace de datos local (modo
Estándar).

Todas las conexiones a los modelos de conjuntos de datos de Power BI remotos se

establecen mediante el inicio de sesión único. Actualmente, no se admite la
autenticación con una entidad de servicio.

Las reglas de RLS se aplicarán en el origen en el que se definen, pero no se

aplicarán a ningún otro conjunto de datos del modelo. La RLS definida en el
informe no se aplicará a los orígenes remotos y la RLS establecida en orígenes
remotos no se aplicará a otros orígenes de datos. Además, no puede definir una
RLS en una tabla de otro grupo de orígenes ni puede definir una RLS en una tabla
local que tenga una relación con otro grupo de orígenes.

Los KPI, la seguridad de nivel de fila y las traducciones no se importarán desde el

origen.

Puede que vea un comportamiento inesperado al usar una jerarquía de fechas.

Para resolver este problema, use en su lugar una columna de fechas. Después de
agregar una jerarquía de fechas a un objeto visual, puede cambiar a una columna
de fechas si hace clic en la flecha hacia abajo que está en el nombre del campo y,
luego, hace clic en el nombre de ese campo en lugar de usar Date Hierarchy
(Jerarquía de fechas):

Para más información sobre el uso de columnas de fecha frente a jerarquías de

fechas, consulte Aplicación de la fecha u hora automáticas en Power BI Desktop.

La longitud máxima de una cadena de modelos es tres. No se permite ir más allá

de una cadena con longitud de tres, lo que generaría un error.

Se puede establecer una marca para impedir el encadenamiento en un modelo a

fin de evitar que se cree o se extienda una cadena. Vea Administración de
conexiones de DirectQuery a un conjunto de datos publicado para obtener más
información.

La conexión a un conjunto de datos de Power BI no se mostrará en Power Query.

Al trabajar con DirectQuery para conjuntos de datos de Power BI y Analysis Services,
tenga en cuenta las siguientes limitaciones:

Los parámetros de los nombres de servidor y base de datos están deshabilitados

actualmente.
No se admite la definición de RLS en las tablas de un origen remoto.
No se admite el uso de ninguno de los orígenes siguientes como origen de
DirectQuery:
Modelos tabulares de SQL Server Analysis Services (SSAS) anteriores a la
versión 2022
Modelos multidimensionales de SSAS
SAP HANA
SAP Business Warehouse
Conjuntos de datos en tiempo real
Conjunto de datos de ejemplo
Ponerse al día con Excel Online
Datos importados desde archivos de Excel o CSV al servicio
Métricas de uso
Conjuntos de datos almacenados en "Mi área de trabajo"
Actualmente, no se permite usar Power BI Embedded con conjuntos de datos que
incluyan una conexión de DirectQuery a un modelo de Azure Analysis Services.
No se admite la publicación de un informe en la Web mediante la característica
Publicar en la Web.
No se admiten grupos de cálculo en orígenes remotos, con resultados de consulta
no definidos.
Las tablas calculadas no son compatibles con el servicio con esta característica. Al
intentar realizar una actualización en un conjunto de datos con una tabla calculada
o una columna calculada que hace referencia a un origen de datos de DirectQuery,
se producirá un mensaje de error que indica que no se proporciona la credencial
de inicio de sesión único (SSO).
Si cambia el nombre de un área de trabajo después de configurar la conexión de
DirectQuery, deberá actualizar el origen de datos en Power BI Desktop para que el
informe siga funcionando.
La actualización automática de páginas (APR) solo se permite en ciertos escenarios,
en función del tipo de origen de datos. Para más información, consulte
Actualización automática de páginas en Power BI.
Actualmente, no se admite la adquisición de un conjunto de datos que usa la
característica DirectQuery para otros conjuntos de datos.
Al igual que ocurre con cualquier origen de datos de DirectQuery, las jerarquías
definidas en un modelo de Analysis Services o un conjunto de datos Power BI no
 se mostrarán al conectarse al modelo o conjunto de datos en modo DirectQuery
con Excel.

Hay otras cosas que se deben tener en cuenta al trabajar con DirectQuery para
conjuntos de datos de Power BI y Analysis Services:

Usar columnas de baja cardinalidad en relaciones entre grupos de origen: al

crear una relación entre dos grupos de origen diferentes, las columnas que
participan en la relación (también denominadas columnas de combinación) deben
tener una baja cardinalidad, idealmente 50 000 o menos. Esta consideración se
aplica a columnas de clave que no sean de cadena; para las columnas de clave de
cadena, consulte la siguiente consideración.
Evitar utilizar columnas de clave de cadenas grandes en relaciones entre grupos
de origen: al crear una relación entre grupos de origen, evite usar columnas de
cadena grandes como columnas de relación, especialmente para las columnas que
tienen una mayor cardinalidad. Cuando tenga que utilizar columnas de cadenas
como columna de relación, calcule la longitud de cadena esperada para el filtro
multiplicando la cardinalidad (C) por la longitud media de la columna de cadena
(A). Asegúrese de que la longitud de cadena esperada sea inferior a 250 000, de
modo que A ∗ C < 250 000.

Para obtener más consideraciones e instrucciones, consulte la guía del modelo

compuesto.

Consideraciones sobre inquilinos

Cualquier modelo con una conexión de DirectQuery a un conjunto de datos de Power BI
o a Analysis Services se debe publicar en el mismo inquilino, lo que es especialmente
importante al acceder a un conjunto de datos de Power BI o a un modelo de Analysis
Services mediante identidades de invitado B2B, tal como se muestra en el diagrama
siguiente. Vea Usuarios invitados que pueden editar y administrar contenido a fin de
encontrar la dirección URL del inquilino para la publicación.

Observe el diagrama siguiente. Los pasos numerados del diagrama se describen en los
párrafos siguientes.
En el diagrama, Ash trabaja con Contoso y accede a datos proporcionados por
Fabrikam. Con Power BI Desktop, Ash crea una conexión DirectQuery a un modelo de
Analysis Services que se hospeda en el inquilino de Fabrikam.

Para autenticarse, Ash utiliza una identidad de usuario invitado B2B (paso 1 del
diagrama).

Si el informe se publica en el servicio Power BI de Contoso (paso 2), el conjunto de datos

publicado en el inquilino de Contoso no se puede autenticar correctamente en el
modelo de Analysis Services de Fabrikam (paso 3). Como resultado, el informe no
funcionará.

En este escenario, como el modelo de Analysis Services utilizado se hospeda en el

inquilino de Fabrikam, el informe también se debe publicar en el inquilino de Fabrikam.
Después de la publicación correcta en el inquilino de Fabrikam (paso 4), el conjunto de
datos puede acceder correctamente al modelo de Analysis Services (paso 5) y el informe
funcionará sin problemas.

Trabajar con seguridad de nivel de objeto

Cuando un modelo compuesto recibe datos de un conjunto de datos de Power BI o
Analysis Services a través de DirectQuery, y ese modelo de origen está protegido por la
seguridad de nivel de objeto, los consumidores del modelo compuesto pueden
experimentar resultados inesperados. En la sección siguiente se explica cómo pueden
presentarse estos resultados.

La seguridad de nivel de objeto (OLS) permite a los autores de modelos ocultar objetos
que integran el esquema del modelo (es decir, tablas, columnas, metadatos, etc.) de los
consumidores del modelo (por ejemplo, un generador de informes o el autor de
modelos compuestos). Al configurar OLS para un objeto, el autor del modelo crea un rol
y, a continuación, quita el acceso al objeto para los usuarios que están asignados a ese
rol. Desde el punto de vista de esos usuarios, el objeto oculto simplemente no existe.

OLS se define para el modelo de origen y se aplica en el mismo. No se puede definir

para un modelo compuesto basado en el modelo de origen.

Cuando un modelo compuesto se basa en un conjunto de datos de Power BI protegido

por OLS o un modelo de Analysis Services a través de una conexión de DirectQuery, el
esquema de modelo del modelo de origen en realidad se copia en el modelo
compuesto. Lo que se copia depende de lo que el autor del modelo compuesto tenga
permitido ver en el modelo de origen según las reglas OLS que se apliquen. Los datos
no se copian en el modelo compuesto; en su lugar, siempre se recuperan a través de
DirectQuery desde el modelo de origen cuando es necesario. En otras palabras, la
recuperación de datos siempre vuelve al modelo de origen, donde se aplican las reglas
OLS.

Dado que el modelo compuesto no está protegido por reglas OLS, los objetos que ven
los consumidores del modelo compuesto son los que el autor de dicho modelo podría
ver en el modelo de origen, en lugar de aquellos a los que podría tener acceso. Esto
puede resultar en las situaciones siguientes

Alguien que mira el modelo compuesto podría ver objetos que OLS oculta en el
modelo de origen.
Por el contrario, es posible que NO vea un objeto en el modelo compuesto que SÍ
puede ver en el modelo de origen, porque ese objeto estaba oculto para el autor
del modelo compuesto debido a las reglas OLS que controlan el acceso al modelo
de origen.

Un punto importante es que, a pesar del caso descrito en la primera viñeta, los
consumidores del modelo compuesto nunca verán los datos reales que no deberían ver,
porque los datos no se encuentran realmente en el modelo compuesto. En su lugar,
debido a DirectQuery, se recuperan según sea necesario del conjunto de datos de
origen, donde OLS bloquea el acceso no autorizado.

Teniendo estos antecedentes esto en cuenta, considere el siguiente escenario:

1. Admin_user ha publicado un modelo semántico empresarial mediante un conjunto
de datos de Power BI o un modelo de Analysis Services que tiene una tabla
Customer y una tabla Territory. Admin_user publica el conjunto de datos en el
servicio Power BI y establece reglas OLS que tienen el efecto siguiente:

Los usuarios de finanzas no pueden ver la tabla Customer

Los usuarios de marketing no pueden ver la tabla Territory

2. Finance_user publica un conjunto de datos denominado "Finance dataset" y un

informe denominado "Finance report" que se conecta a través de DirectQuery con
el modelo semántico empresarial publicado en el paso 1. El informe Finance report
incluye un objeto visual que usa una columna de la tabla Territory.

3. Marketing_user abre el informe Finance report. Se muestra el objeto visual que usa
la tabla Territory, pero devuelve un error, porque cuando se abre el informe,
DirectQuery intenta recuperar los datos del modelo de origen con las credenciales
de Marketing_user, quien tiene bloqueada la visualización de la tabla Territory
según las reglas OLS establecidas en el modelo semántico empresarial.

4. Marketing_user crea un nuevo informe denominado "Marketing report" que usa el

conjunto de datos Finance como origen. La lista de campos muestra las tablas y
columnas a las que Finance_user tiene acceso. Por lo tanto, la tabla Territory se
muestra en la lista de campos, pero la tabla Customer no. Sin embargo, cuando
Marketing_user intenta crear un objeto visual que usa una columna de la tabla
Territory, se devuelve un error, porque en ese momento DirectQuery intenta
recuperar datos del modelo de origen mediante las credenciales de
 Marketing_user y las reglas OLS una vez más bloquean el acceso. Lo mismo sucede
cuando Marketing_user crea un nuevo conjunto de datos y un informe que se
conectan al conjunto de datos Finance mediante una conexión DirectQuery. Ve la
tabla Territory en la lista de campos, ya que eso es lo que Finance_user podría ver,
pero cuando intenta crear un objeto visual que use esa tabla, las reglas OLS lo
bloquearán en el modelo semántico empresarial.

5. Ahora supongamos que Admin_user actualiza las reglas OLS en el modelo

semántico empresarial para impedir que Finance vea la tabla Territory.

6. Las reglas OLS actualizadas solo se reflejan en el conjunto de datos Finance

cuando se actualiza. Por lo tanto, cuando Finance_user actualiza el conjunto de
datos Finance, la tabla Territory ya no se mostrará en la lista de campos y el objeto
visual del informe Finance que usa una columna de la tabla Territory devolverá un
error para Finance_user, porque ahora no tiene permiso para acceder a la tabla
Territory.

En resumen:

Los consumidores de un modelo compuesto ven los resultados de las reglas OLS
que eran aplicables al autor del modelo compuesto cuando crearon dicho modelo.
Por lo tanto, cuando se crea un nuevo informe basado en el modelo compuesto, la
lista de campos mostrará las tablas a las que el autor del modelo compuesto tuvo
acceso cuando creó el modelo, independientemente de a qué tenga acceso el
usuario actual en el modelo de origen.
Las reglas OLS no se pueden definir en el modelo compuesto mismo.
Un consumidor de un modelo compuesto nunca verá los datos reales que no
debería ver, porque las reglas OLS pertinentes en el modelo de origen los
bloqueará cuando DirectQuery intente recuperar los datos con sus credenciales.
Si el modelo de origen actualiza sus reglas OLS, esos cambios solo afectarán al
modelo compuesto cuando se actualice.

Carga de un subconjunto de tablas desde un conjunto de

datos de Power BI de o un modelo de Analysis Services
Al conectarse a un conjunto de datos de Power BI o a un modelo de Analysis Services
mediante una conexión de DirectQuery, puede decidir a qué tablas conectarse. También
puede optar por agregar automáticamente cualquier tabla que se pueda agregar al
conjunto de datos o al modelo después de establecer la conexión con el modelo.
Cuando se conecte a una perspectiva, el modelo contendrá todas las tablas del conjunto
de datos o del modelo y se ocultarán las tablas que no se incluyan en la perspectiva.
Además, todas las tablas que se puedan agregar a la perspectiva lo harán
automáticamente.
Este cuadro de diálogo no se mostrará para las conexiones dinámicas.

７ Nota

Este cuadro de diálogo solo se mostrará si agrega una conexión de DirectQuery a

un conjunto de datos de Power BI o un modelo de Analysis Services a uno
existente. También puede abrir este cuadro de diálogo cambiando la conexión de
DirectQuery al conjunto de datos de Power BI o al modelo de Analysis Services en
la configuración del origen de datos después de crearlo.

Consideraciones y limitaciones
Los modelos compuestos presentan algunas limitaciones:

En estos momentos, la actualización incremental solo es compatible con modelos

compuestos que se conectan con orígenes de datos de SQL, Oracle y Teradata.
Los orígenes tabulares de Live Connect siguientes no se pueden usar con modelos
compuestos:

SAP HANA
SAP Business Warehouse
SQL Server Analysis Services anterior a la versión 2022
Métricas de uso (Mi área de trabajo)

No se admite el uso de conjuntos de datos de streaming en modelos compuestos.

Las limitaciones existentes de DirectQuery siguen aplicándose cuando se usan los

modelos compuestos. Muchas de esas limitaciones son ahora por tabla, en función del
modo de almacenamiento de la tabla. Por ejemplo, una columna calculada en una tabla
de importación puede hacer referencia a otras tablas, pero una columna calculada en
una tabla DirectQuery puede hacer referencia solo a columnas de la misma tabla. Otras
limitaciones se aplican al modelo como un todo, si cualquiera de las tablas dentro del
modelo son DirectQuery. Por ejemplo, la característica Conclusiones rápidas no está
disponible en un modelo si cualquiera de las tablas que este incluye tiene un modo de
almacenamiento de DirectQuery.

Pasos siguientes
Para obtener más información sobre los modelos compuestos y DirectQuery, consulte
los siguientes artículos:

Aplicación de relaciones de varios a varios en Power BI Desktop

Administración del modo de almacenamiento en Power BI Desktop
DirectQuery en Power BI
Orígenes de datos de Power BI
Relaciones de modelos en Power BI Desktop
Agregaciones definidas por el usuario
Artículo • 06/06/2023

Las agregaciones de Power BI pueden mejorar el rendimiento de las consultas en

conjuntos de datos de DirectQuery muy grandes. Mediante el uso de agregaciones, los
datos se almacenan en caché en el nivel de agregado en memoria. Las agregaciones de
Power BI se pueden configurar manualmente en el modelo de datos, como se describe
en este artículo, o bien para suscripciones Premium, si se habilita automáticamente la
característica Agregaciones automáticas en la configuración del conjunto de datos.

Creación de tablas de agregación

En función del tipo de origen de datos, se puede crear una tabla de agregaciones en el
origen de datos como una tabla o vista, como una consulta nativa o para obtener el
máximo rendimiento, como una tabla de importación creada en Power Query. Después,
use el cuadro de diálogo Administrar agregaciones de Power BI Desktop para definir
agregaciones para columnas de agregación con propiedades de resumen, tabla de
detalles y columna de detalles.

Los orígenes de datos dimensionales, como los almacenes de datos y data marts,
pueden usar agregaciones basadas en relaciones. Los orígenes de macrodatos basados
en Hadoop suelen ser agregaciones base en columnas GroupBy. En este artículo se
describen las diferencias de modelado de datos habituales en Power BI para cada tipo
de origen de datos.

Administración de agregaciones
En el panel Campos de cualquier vista de Power BI Desktop, haga clic con el botón
derecho en la tabla de agregaciones y, después, seleccione Administrar agregaciones.
El cuadro de diálogo Administrar agregaciones muestra una fila para cada columna de
la tabla, donde se puede especificar el comportamiento de la agregación. En el ejemplo
siguiente, las consultas a la tabla de detalles Sales se redirigen internamente a la tabla
de agregación Sales Agg.
En este ejemplo de agregación basada en relaciones, las entradas de GroupBy son
opcionales. Excepto DISTINCTCOUNT, no afectan al comportamiento de la agregación y
su función principal es mejorar la legibilidad. Sin las entradas GroupBy, se seguirían
obteniendo agregaciones en función de las relaciones. Esto es diferente del ejemplo de
macrodatos que aparece más adelante en este artículo, donde se requieren entradas
GroupBy.

Validaciones
El cuadro de diálogo Administrar agregaciones aplica validaciones:

La columna de detalles debe tener el mismo tipo de datos que la columna de

agregación, excepto las funciones de Resumen de las filas Recuento y Contar filas
de tabla. Recuento y Contar filas de tabla solo están disponibles para las columnas
de agregación de enteros y no necesitan un tipo de datos coincidente.
No se permiten las agregaciones encadenadas que abarcan tres o más tablas. Por
ejemplo, las agregaciones en la Tabla A no pueden hacer referencia a una Tabla B
que tenga agregaciones que hagan referencia a una Tabla C.
No se permiten las agregaciones duplicadas donde dos entradas usen la misma
función de Resumen y hagan referencia a la misma tabla de detalles y a la misma
 columna de detalles.
La tabla de detalles debe usar el modo de almacenamiento DirectQuery, no
Importar.
No se admite la agrupación por una columna de clave externa usada por una
relación inactiva, ni tampoco recurrir a la función USERELATIONSHIP para los
aciertos de agregación.
Las agregaciones basadas en columnas GroupBy pueden aprovechar las relaciones
entre las tablas de agregación, pero las relaciones de creación entre tablas de
agregación no se admiten en Power BI Desktop. Si es necesario, puede crear
relaciones entre tablas de agregación mediante una herramienta de terceros o una
solución de scripting a través de puntos de conexión XMLA.

La mayoría de las validaciones se aplican al deshabilitar los valores de la lista

desplegable y mostrar texto explicativo en la información sobre herramientas.

Tablas de agregación ocultas

Los usuarios con acceso de solo lectura al conjunto de datos no pueden consultar las
tablas de agregación. Esto evita problemas de seguridad cuando se usan con seguridad
de nivel de fila (RLS) . Los consumidores y las consultas hacen referencia a la tabla de
detalles, no a la tabla de agregación, y no necesitan saber que dicha tabla de
agregación existe.

Por este motivo, las tablas de agregación están ocultas en la vista Informes. Si la tabla
no está oculta, el cuadro de diálogo Administrar agregaciones la establecerá como
oculta al seleccionar Aplicar todo.

Modos de almacenamiento
La característica de agregación interactúa con los modos de almacenamiento de nivel
de tabla. Las tablas de Power BI pueden usar los modos de almacenamiento
DirectQuery, Importar o Dual. DirectQuery consulta el back-end directamente, mientras
que Importar almacena los datos en la memoria caché y envía las consultas a los datos
almacenados en caché. Todos los orígenes de datos de Importar de Power BI y
DirectQuery no multidimensionales funcionan con agregaciones.

Para establecer el modo de almacenamiento de una tabla agregada en Importar a fin de

acelerar las consultas, seleccione la tabla agregada en la vista Modelo de Power BI
Desktop. En el panel Propiedades, expanda Avanzado y, en la lista desplegable situada
bajo Modo de almacenamiento, seleccione Importar. Tenga en cuenta que esta acción
es irreversible.

Para obtener más información sobre los modos de almacenamiento de tablas, vea
Administración del modo de almacenamiento en Power BI Desktop.
RLS para agregaciones
Para funcionar correctamente con las agregaciones, las expresiones de RLS deben filtrar
la tabla de agregación y la tabla de detalles.

En el ejemplo siguiente, la expresión RLS en la tabla Geography funciona con las

agregaciones, dado que Geografía se encuentra en el lado de filtrado de las relaciones
con las tablas Sales y Sales Agg. RLS se aplicará correctamente tanto en las consultas
que alcanzan la tabla de agregación como en las que no.

Una expresión de RLS en la tabla Product solo filtrará la tabla Sales, no la tabla
agregada Sales Agg. Como la tabla de agregación es otra representación de los datos
de la tabla de detalles, no sería seguro responder a las consultas de la tabla de
agregación si no se puede aplicar el filtro RLS. No se recomienda filtrar solo la tabla de
detalles, ya que las consultas de usuario de este rol no se beneficiarán de los aciertos de
agregación.

No se permite una expresión de RLS que filtre solo la tabla de agregación Sales Agg y
no la tabla de detalles Sales.
En las agregaciones basadas en columnas GroupBy, se puede usar una expresión RLS
aplicada a la tabla de detalles para filtrar la tabla de agregación, ya que todas las
columnas GroupBy de la tabla de agregación se incluyen en la tabla de detalles. Por otro
lado, un filtro RLS en la tabla de agregación no se puede aplicar a la tabla de detalles,
por lo que no se permite.

Agregación basada en relaciones

Los modelos dimensionales suelen usar agregaciones basadas en relaciones. Los
conjuntos de datos de Power BI que proceden de almacenes de datos y data marts son
similares a esquemas de estrella o copo de nieve, con relaciones entre tablas de
dimensiones y de hechos.

En el ejemplo siguiente, el modelo obtiene datos de un único origen de datos. Las

tablas usan el modo de almacenamiento DirectQuery. La tabla de hechos Sales contiene
miles de millones de filas. Si se establece el modo de almacenamiento de Sales en
Importar para almacenamiento en caché, se consumirá una cantidad considerable de
memoria y habrá una sobrecarga de recursos.
En su lugar, cree la tabla de agregación Sales Agg. En la tabla Sales Agg, el número de
filas es igual a la suma de SalesAmount, agrupadas por CustomerKey, DateKey y
ProductSubcategoryKey. La tabla Sales Agg tiene una granularidad más alta que Sales,
por lo que, en lugar de miles de millones, podría contener solo millones de filas, que son
mucho más fáciles de administrar.

Si las siguientes tablas de dimensiones son las que se usan con más frecuencia para las
consultas con un valor de negocio alto, pueden filtrar Sales Agg mediante relaciones
uno a varios o varios a uno.

Geography
Customer
Date (Fecha)
Subcategoría de producto
Categoría de productos

La siguiente imagen muestra este modelo.

En esta tabla se muestran las agregaciones para la tabla Sales Agg.

７ Nota

La tabla Sales Agg, como cualquier tabla, tiene la flexibilidad de cargarse de

distintas formas. Se puede realizar la agregación en la base de datos de origen
mediante procesos ETL/ELT, o mediante la expresión M para la tabla. La tabla
agregada puede usar el modo de almacenamiento Importar, con o sin
actualización incremental para conjuntos de datos, o bien puede usar DirectQuery
y optimizarse para consultas rápidas con índices de almacén de columnas. Esta
flexibilidad permite arquitecturas equilibradas que pueden distribuir la carga de
consultas para evitar cuellos de botella.

Si se cambia el modo de almacenamiento de la tabla Sales Agg agregada a Importar, se

abre un cuadro de diálogo que indica que las tablas de dimensiones relacionadas
pueden establecerse en el modo de almacenamiento Dual.
Al configurar las tablas de dimensiones relacionadas en Dual, pueden actuar como
Importar o DirectQuery, según la subconsulta. En el ejemplo:

De la caché en memoria se pueden devolver consultas que agregan métricas

desde la tabla Sales Agg, cuyo modo es Importar, y se agrupan por atributos
desde las tablas Dual relacionadas.
Las consultas que agregan métricas desde la tabla Sales de DirectQuery, y se
agrupan por atributos desde las tablas Dual, pueden devolverse en el modo
DirectQuery. La lógica de consulta, incluida la operación GroupBy, se pasará a la
base de datos de origen.

Para obtener más información sobre el modo de almacenamiento Dual, consulte

Administración del modo de almacenamiento en Power BI Desktop.

Relaciones normales frente a limitadas

Los aciertos de agregaciones basadas en relaciones requieren relaciones normales.
Las relaciones normales incluyen las siguientes combinaciones de modo de
almacenamiento, en las que ambas tablas proceden de un único origen:

Tabla en los lados de varios Tabla en el lado de uno

Dual Dual

Importación Importación o dual

DirectQuery DirectQuery o dual

El único caso en el que una relación de origen cruzado se considera normal es cuando
ambas tablas se establecen en Importar. Las relaciones varios a varios siempre se
consideran limitadas.

Para los aciertos de agregaciones de origen cruzado que no dependen de las relaciones,
consulte Agregaciones basadas en columnas GroupBy.

Ejemplos de consulta de agregación basada en relaciones

La siguiente consulta alcanzará la agregación porque las columnas de la tabla Date
están en la granularidad que les permite alcanzar la agregación. La columna
SalesAmount usa la agregación SUM.

La siguiente consulta no alcanza la agregación. A pesar de solicitar la suma de

SalesAmount, la consulta realiza una operación GroupBy en una columna en la tabla
Product, que no está en la granularidad que puede alcanzar la agregación. Si observa
las relaciones en el modelo, una subcategoría de producto puede tener varias filas
Product. La consulta no podría determinar a qué producto se agrega. En este caso, la
consulta revierte a DirectQuery y envía una consulta SQL al origen de datos.
Las agregaciones no son solo para cálculos sencillos que realizan una suma sencilla.
También se pueden beneficiar los cálculos complejos. Conceptualmente, un cálculo
complejo se desglosa en subconsultas para cada SUM, MIN, MAX y COUNT, y cada
subconsulta se evalúa para determinar si puede alcanzar la agregación. Esta lógica no es
verdadera en todos los casos debido a la optimización del plan de consulta, pero en
general debería aplicarse. En el ejemplo siguiente se alcanza la agregación:

La función COUNTROWS puede beneficiarse de las agregaciones. La siguiente consulta

alcanza la agregación porque hay una agregación Contar filas de tabla definida para la
tabla Sales.

La función AVERAGE puede beneficiarse de las agregaciones. La siguiente consulta

alcanza la agregación porque AVERAGE se dobla internamente en SUM dividido por
COUNT. Puesto que la columna UnitPrice tiene agregaciones definidas para SUM y
COUNT, se alcanza la agregación.
En algunos casos, la función DISTINCTCOUNT puede beneficiarse de las agregaciones.
La siguiente consulta alcanza la agregación porque hay una entrada de GroupBy para
CustomerKey, que mantiene la diferenciación de CustomerKey en la tabla de
agregación. Esta técnica todavía podría alcanzar el umbral de rendimiento donde más
de entre dos y cinco millones de valores distintos pueden afectar al rendimiento de las
consultas. A pesar de ello, puede ser útil en escenarios donde hay miles de millones de
filas en la tabla de detalles, pero entre dos y cinco millones de valores distintos en la
columna. En este caso, DISTINCTCOUNT puede realizarse más rápido que si se examina
la tabla con miles de millones de filas, aunque se hayan almacenado en caché en
memoria.

Las funciones de inteligencia de tiempo de DAX reconocen las agregaciones. La

siguiente consulta encuentra la agregación porque la función DATESYTD genera una
tabla de valores de CalendarDay y la tabla de agregación se encuentra en una
granularidad cubierta para las columnas de agrupación de la tabla Date. Este es un
ejemplo de un filtro con valores de tabla en la función CALCULATE, que puede funcionar
con agregaciones.
Agregación basada en columnas GroupBy
Los modelos de macrodatos basados en Hadoop tienen características diferentes de
modelos dimensionales. Para evitar combinaciones entre tablas grandes, los modelos de
macrodatos no suelen usar relaciones, sino que desnormalizan los atributos de
dimensión en tablas de hechos. Estos modelos de datos tan grandes pueden
desbloquearse para un análisis interactivo mediante agregaciones basadas en columnas
GroupBy.

Esta tabla contiene la columna numérica Movement que se va a agregar. El resto de las
columnas son atributos para GroupBy. La tabla contiene datos de IoT y un gran número
de filas. El modo de almacenamiento es DirectQuery. Las consultas en el origen de datos
que se agregan a través de todo el conjunto de datos son lentas debido simplemente al
volumen.
Para habilitar los análisis interactivos en este conjunto de datos, se puede agregar una
tabla de agregación que se agrupa por la mayoría de los atributos, pero excluye los
atributos de alta cardinalidad, como la longitud y la latitud. De este modo se reduce
drásticamente el número de filas y es lo suficientemente pequeña como para encajar
cómodamente en una caché en memoria.

En el cuadro de diálogo Administrar agregaciones, se definen las asignaciones de

agregaciones para la tabla Actividad de conductor agregada.
En las agregaciones basadas en columnas GroupBy, las entradas de GroupBy no son
opcionales. Sin ellas, las agregaciones no se alcanzarán. Esto es diferente de usar
agregaciones basadas en relaciones, en las que las entradas de GroupBy son opcionales.

En esta tabla se muestran las agregaciones para la tabla Driver Activity Agg.
El modo de almacenamiento de la tabla Actividad de conductor agregada se puede
establecer en Importar.

Ejemplo de consulta de agregación de GroupBy

La siguiente consulta alcanza la agregación porque la tabla de agregación abarca la
columna Activity Date. La función COUNTROWS usa la agregación Contar filas de tabla.

Especialmente para los modelos que contienen atributos de filtro en tablas de hechos,
es buena idea usar agregaciones de Contar filas de tabla. Es posible que Power BI envíe
consultas al conjunto de datos mediante COUNTROWS en casos donde el usuario no lo
pida expresamente. Por ejemplo, en el cuadro de diálogo de filtro se muestra el
recuento de filas para cada valor.

Técnicas de agregación combinadas

Las técnicas de relaciones y las columnas GroupBy se pueden combinar para las
agregaciones. Puede que para las agregaciones basadas en relaciones sea necesario que
las tablas de dimensiones desnormalizadas se dividan en varias tablas. Si esto resulta
costoso o poco práctico para algunas tablas de dimensión, se pueden replicar los
atributos necesarios en la tabla de agregación para ciertas dimensiones y usar relaciones
para otras.

Por ejemplo, en este modelo se replica Mes, Trimestre, Semestre y Año en la tabla Sales
Agg. No hay ninguna relación entre Sales Agg y la tabla Date, pero sí que hay
relaciones para Customer y Product Subcategory. El modo de almacenamiento de Sales
Agg es Import.

En esta tabla se muestran las entradas establecidas en el cuadro de diálogo Administrar

agregaciones para la tabla Sales Agg. Las entradas GroupBy donde Date es la tabla de
detalles son obligatorias para alcanzar agregaciones para las consultas que se agrupan
por atributos de tipo Date. Como se muestra en el ejemplo anterior, las entradas
GroupBy para CustomerKey y ProductSubcategoryKey no afectan a los aciertos de
agregaciones debido a la presencia de relaciones (a excepción de DISTINCTCOUNT).
Ejemplo de consulta de agregación combinada
Esta consulta alcanza la agregación porque CalendarMonth está cubierto por la tabla de
agregación y CategoryName es accesible a través de relaciones de uno a varios.
SalesAmount usa la agregación SUM.

La siguiente consulta no alcanza la agregación porque la tabla de agregación no abarca

CalendarDay.

La siguiente consulta de inteligencia de tiempo no alcanzará la agregación porque la

función DATESYTD genera una tabla de valores de tipo CalendarDay y la tabla de
agregación no abarca CalendarDay.
Prioridad de agregación
La prioridad de agregación permite que una única subconsulta tenga en cuenta varias
tablas de agregación.

El ejemplo siguiente es un modelo compuesto que contiene varios orígenes:

La tabla Driver Activity es DirectQuery y contiene más de un billón de filas de

datos de IoT procedentes de un sistema de macrodatos. Atiende consultas de
obtención de detalles para ver lecturas de IoT individuales en contextos de filtro
controlado.
La tabla Drive Activity Agg es una tabla de agregación intermedia en el modo
DirectQuery. Contiene más de mil millones de filas en Azure Synapse Analytics
(anteriormente, SQL Data Warehouse) y está optimizada en el origen mediante
índices de almacén de columnas.
La tabla Driver Activity Agg2 es Importar y tiene una granularidad alta porque los
atributos group-by son pocos y de baja cardinalidad. El número de filas podría ser
de tan solo unos miles, por lo que puede adaptarse fácilmente a una caché en
memoria. Estos atributos suelen usarse en un panel ejecutivo de alto perfil, por lo
que las consultas que hacen referencia a ellos deben ser tan rápidas como sea
posible.

７ Nota

Las tablas de agregación de DirectQuery que usan un origen de datos distinto al de

la tabla de detalles solo se admiten si la tabla de agregación procede de un origen
de SQL Server, Azure SQL o Azure Synapse Analytics (anteriormente, SQL Data
Warehouse).

La superficie de memoria de este modelo es relativamente pequeña, pero desbloquea

un enorme conjunto de datos. Representa una arquitectura equilibrada porque
distribuye la carga de consultas a través de los componentes de la arquitectura y los usa
en función de sus puntos fuertes.
El cuadro de diálogo Administrar agregaciones de Driver Activity Agg2 establece el
campo Prioridad en 10, que es mayor que para Driver Activity Agg. La configuración de
mayor prioridad significa que las consultas que usan agregaciones tendrán primero en
cuenta Driver Activity Agg2. En su lugar, las subconsultas que no están en la
granularidad a la que se puede responder mediante Driver Activity Agg2 contemplarán
Driver Activity Agg. Las consultas de detalles que no se pueden responder mediante
cualquier tabla de agregación se dirigirán a Driver Activity.

La tabla especificada en la columna Tabla de detalles es Driver Activity, en lugar de

Driver Activity Agg porque no se permiten las agregaciones encadenadas.
En esta tabla se muestran las agregaciones para la tabla Driver Activity Agg2.

Detección de si las consultas alcanzan o no las

agregaciones
SQL Profiler puede detectar si las consultas se devuelven desde el motor de
almacenamiento en caché en memoria o si se insertan en el origen de datos mediante
DirectQuery. Ese proceso también puede usarse para detectar si se están alcanzando las
agregaciones. Para obtener más información, vea Consultas que aciertan o pierden la
memoria caché.
SQL Profiler también proporciona el evento extendido Query Processing\Aggregate
Table Rewrite Query .

El siguiente fragmento de código JSON muestra un ejemplo de la salida del evento

cuando se usa una agregación.

matchingResult muestra que la subconsulta ha usado una agregación.

dataRequest muestra las columnas GroupBy y las columnas agregadas usadas por
la subconsulta.
mapping muestra las columnas en la tabla de agregación que se les asignó.
Sincronización de las cachés
Las agregaciones que combinan los modos de almacenamiento DirectQuery, Importar y
Dual pueden devolver datos diferentes a menos que la caché en memoria se mantenga
sincronizada con los datos de origen. Por ejemplo, la ejecución de consultas no
intentará enmascarar los problemas de datos mediante el filtrado de los resultados de
DirectQuery para coincidir con los valores en caché. Hay técnicas establecidas para
controlar este tipo de problemas en el origen, si es necesario. Las optimizaciones de
rendimiento deben usarse solo de forma que no pongan en peligro su capacidad para
satisfacer los requisitos de negocio. Es su responsabilidad conocer los flujos de datos,
así que conviene diseñarlos en consecuencia.

Consideraciones y limitaciones
Las agregaciones no admiten parámetros de consulta M dinámicos.

Debido a cambios en la funcionalidad, a partir de agosto de 2022 Power BI

ignorará las tablas de agregación de modo de importación con orígenes de datos
habilitados para el inicio de sesión único (SSO) debido a posibles riesgos de
seguridad. Para garantizar un rendimiento óptimo de las consultas con
agregaciones, se recomienda deshabilitar el inicio de sesión único para estos
orígenes de datos.

Comunidad
Power BI tiene una comunidad dinámica donde MVP, profesionales de BI y colegas
comparten sus experiencias en grupos de debate, vídeos, blogs, entre otros. Cuando
esté aprendiendo sobre las agregaciones, asegúrese de consultar estos recursos
adicionales:

Comunidad de Power BI
Búsqueda de "agregaciones de Power BI" en Bing

Vea también
Agregaciones automáticas
Modelos compuestos
Administración del modo de
almacenamiento en Power BI Desktop
Artículo • 19/06/2023

En Microsoft Power BI Desktop, puede especificar el modo de almacenamiento de una

tabla. El modo de almacenamiento le permite controlar si Power BI Desktop almacena
datos en caché en memoria para los informes.

El hecho de establecer el modo de almacenamiento proporciona varias ventajas. Puede

establecer el modo de almacenamiento para cada tabla individualmente en el modelo.
Esta acción permite un único conjunto de datos, lo cual proporciona las siguientes
ventajas:

Rendimiento de las consultas: cuando los usuarios interactúan con objetos

visuales en los informes de Power BI, las consultas de expresiones de análisis de
datos (DAX) se envían al conjunto de datos. Si almacena datos en caché en
memoria establecimiento correctamente el modo de almacenamiento, puede
mejorar el rendimiento de consulta y la interactividad de los informes.

Conjuntos de datos de gran tamaño: las tablas que no se almacenan en caché no

consumen memoria para el almacenamiento en caché. Puede habilitar el análisis
interactivo de conjuntos de datos de gran tamaño que son demasiado grandes o
costosos de almacenar completamente en caché en la memoria. Puede elegir las
tablas que merezca la pena almacenar en caché y las que no.

Optimización de la actualización de datos: no es necesario actualizar las tablas

que no se almacenan en caché. Puede reducir los tiempos de actualización
mediante el almacenamiento en caché solo de los datos necesarios para cumplir
los acuerdos de nivel de servicio y los requisitos del negocio.

Requisitos casi en tiempo real: las tablas con requisitos casi en tiempo real se
pueden beneficiar de que no se almacenan en caché con el fin de reducir la
latencia de los datos.

Escritura diferida: la escritura diferida permite que los usuarios profesionales

exploren escenarios hipotéticos cambiando los valores de las celdas. Las
aplicaciones personalizadas pueden aplicar cambios al origen de datos. Las tablas
que no se almacenan en caché pueden mostrar los cambios de inmediato, lo que
permite analizar los efectos de manera instantánea.
La configuración del modo de almacenamiento de Power BI Desktop es una de tres
características relacionadas:

Modelos compuestos: esta característica permite que un informe tenga dos o

varias conexiones de datos, incluidas conexiones DirectQuery o Importación, en
cualquier combinación. Para más información, consulte Usar modelos compuestos
en Power BI Desktop.

Relaciones de varios a varios: con los modelos compuestos, puede establecer

relaciones de varios a varios entre las tablas. En una relación varios a varios se
eliminan los requisitos de valores únicos en tablas. También permite descartar las
soluciones alternativas anteriores, como la presentación de nuevas tablas solo para
establecer relaciones. Para obtener más información, vea Relaciones de varios a
varios en Power BI Desktop.

Modo de almacenamiento: con el modo de almacenamiento, ahora puede

especificar los objetos visuales que requieren una consulta a los orígenes de datos
de back-end. Los objetos visuales que no requieran una consulta se importarán
incluso aunque estén basados en DirectQuery. Esta característica permite mejorar
el rendimiento y reducir la carga de back-end. Anteriormente, incluso los objetos
visuales simples, como las segmentaciones, iniciaban consultas que se enviaban a
los orígenes de back-end.

Uso de la propiedad de modo de

almacenamiento
Modo de almacenamiento es una propiedad que se puede establecer en cada tabla del
modelo y controla cómo Power BI almacena en caché los datos de tabla.

Para establecer la propiedad Modo de almacenamiento o ver su configuración actual:

1. En la vista Modelo, seleccione la tabla cuyas propiedades quiera ver o establecer.

2. En el panel Propiedades, expanda la sección Opciones avanzadas y la lista

desplegable Modo de almacenamiento.
Establezca la propiedad Modo de almacenamiento en uno de estos tres valores:

Importación: las tablas importadas con esta configuración se almacenan en caché.

Las consultas enviadas al conjunto de datos de Power BI que devuelven datos
desde las tablas de importación solo se pueden satisfacer desde los datos en
caché.

DirectQuery: las tablas con esta configuración no se almacenan en caché. Las

consultas que envíe al conjunto de datos de Power BI (por ejemplo, las consultas
DAX) y que devuelvan datos desde tablas de DirectQuery solo se pueden satisfacer
mediante la ejecución de consultas a petición al origen de datos. Las consultas que
envíe al origen de datos usan el lenguaje de consulta de ese origen de datos (por
ejemplo, SQL).

Dual: las tablas con esta configuración pueden actuar como tablas en caché o no
en caché, en función del contexto de la consulta enviada al conjunto de datos de
Power BI. En algunos casos, puede satisfacer las consultas a partir de datos en
caché. Sin embargo, en otros casos puede hacerlo ejecutando una consulta a
petición al origen de datos.

El cambio del modo de almacenamiento de una tabla a Importación es una operación

irreversible. Una vez establecida, esta propiedad no se puede cambiar después a
DirectQuery o Dual.

７ Nota
 Puede usar el modo de almacenamiento Dual en Power BI Desktop y en el servicio
Power BI.

Restricciones en las tablas de DirectQuery y las

tablas duales
Las tablas duales tienen las mismas restricciones funcionales que las tablas de
DirectQuery. Estas restricciones pueden incluir transformaciones M limitadas y funciones
DAX restringidas en las columnas calculadas. Para obtener más información, consulte
Limitaciones de DirectQuery.

Propagación de la configuración Dual

Considere el modelo siguiente, donde todas las tablas provienen de un solo origen que
admite la importación y DirectQuery.

Imagine que todas las tablas de este modelo están establecidas inicialmente en
DirectQuery. Si después cambia el modo de almacenamiento de la tabla
SurveyResponse a Importación, se mostrará la siguiente ventana de advertencia:
Puede establecer las tablas de dimensiones (Customer, Geography y Date) en Dual para
reducir el número de relaciones limitadas en el conjunto de datos y mejorar el
rendimiento. Las relaciones limitadas implican normalmente al menos una tabla de
DirectQuery, donde no se puede insertar lógica de combinación en los sistemas de
origen. Como las tablas duales pueden actuar como tablas de DirectQuery o
Importación, se evita esta situación.

La lógica de propagación está diseñada para ayudar con los modelos que contienen
muchas tablas. Imagine que tiene un modelo con 50 tablas y solo se deben almacenar
en caché algunas tablas de hechos (transaccionales). La lógica de Power BI Desktop
calcula el conjunto mínimo de tablas de dimensiones que se deben establecer en Dual
para que no tenga que hacerlo el usuario.

La lógica de propagación solo se desplaza al lado "uno" de las relaciones uno a varios.

Ejemplo de uso del modo de almacenamiento

Imagine que aplica la siguiente configuración de propiedades de modo de
almacenamiento:
 Tabla Modo de almacenamiento

Ventas DirectQuery

SurveyResponse Importación

Fecha Dual

Cliente Dual

Geografía Dual

Al establecer estas propiedades de modo de almacenamiento se producen los

comportamientos siguientes, siempre que la tabla Sales (Ventas) tenga un volumen de
datos considerable:

Power BI Desktop almacena en caché las tablas de dimensiones (Date, Customer y

Geography), por lo que los tiempos de carga de los informes iniciales son rápidos
al recuperar los valores de segmentación que se van a mostrar.

Power BI Desktop no almacena en caché la tabla Sales. Al no almacenar esta tabla

en caché, Power BI Desktop proporciona los resultados siguientes:
Se mejoran los tiempos de actualización de los datos y se reduce el consumo de
memoria.
Las consultas de informes que se basan en la tabla Sales se ejecutan en el modo
DirectQuery. Es posible que estas consultas tarden más tiempo, pero están más
cerca de realizarse en tiempo real, ya que no se ha introducido ninguna latencia
de almacenamiento en caché.

Las consultas de informes que se basan en la tabla SurveyResponse se devuelven

desde la caché en memoria y, por tanto, son relativamente rápidas.

Consultas que aciertan o pierden la memoria

caché
Si conecta SQL Profiler al puerto de diagnóstico de Power BI Desktop, puede ver las
consultas que alcanzan o no la caché en memoria mediante un seguimiento basado en
los eventos siguientes:

Eventos de consultas\Inicio de consulta

Procesamiento de consulta\Inicio de consulta de Vertipaq SE
Procesamiento de consulta\Inicio de consulta DirectQuery
Para cada evento de Inicio de consulta, compruebe otros eventos con el mismo
ActivityID. Por ejemplo, si no hay ningún evento Inicio de consulta DirectQuery, pero sí
un evento Inicio de consulta de Vertipaq SE, significa que la consulta se responde desde
la caché.

Las consultas que hacen referencia a las tablas Dual devuelven datos de la caché si es
posible; de lo contrario, se revierten a DirectQuery.

La consulta siguiente continúa desde la tabla anterior. Solo hace referencia a una
columna de la tabla Date, que está en modo Dual. Por tanto, la consulta debe alcanzar
la caché:

La consulta siguiente solo hace referencia a una columna de la tabla Sales (Ventas), que
está en el modo DirectQuery. Por tanto, no debe alcanzar la memoria caché:

La consulta siguiente resulta interesante porque combina ambas columnas. Esta

consulta no alcanza la caché. Inicialmente podría esperar que recuperase los valores de
CalendarYear desde la caché y los valores de SalesAmount desde el origen y, luego,
combinase los resultados, pero este enfoque sería menos eficaz que enviar la operación
SUM/GROUP BY al sistema de origen. Si la operación se transfiere al origen, el número
de filas devueltas probablemente será mucho menor:

７ Nota

Este comportamiento es distinto del de las relaciones de varios a varios de

Power BI Desktop, donde se combinan tablas en caché y no en caché.
Las cachés se deben mantener sincronizadas
Las consultas de la sección anterior muestran que las tablas de tipo Dual a veces
alcanzan la caché y, otras, no. Como resultado, si la caché está obsoleta, se pueden
devolver distintos valores. La ejecución de consultas no intentará enmascarar los
problemas de datos mediante, por ejemplo, el filtrado de los resultados de DirectQuery
para coincidir con los valores en caché. Es su responsabilidad conocer los flujos de datos
y debe diseñar en consecuencia. En caso de ser necesario, hay técnicas establecidas para
controlar este tipo de casos en el origen.

El modo de almacenamiento dual es una optimización del rendimiento. Solo se debe

usar de maneras que no pongan en peligro la capacidad de cumplir con los requisitos
empresariales. Para el comportamiento alternativo, considere la posibilidad de usar las
técnicas que se describen en Relaciones de varios a varios en Power BI Desktop.

Vista de datos
Si al menos una tabla del conjunto de datos tiene el modo de almacenamiento
establecido en Importación o Dual, aparece la pestaña de la vista Datos.

Al seleccionar tablas de tipo Dual e Importación en la vista Datos, muestran los datos en
caché. Las tablas DirectQuery no muestran datos, y se muestra un mensaje en el que se
indica que las tablas DirectQuery no se pueden mostrar.

Consideraciones y limitaciones
Existen algunas limitaciones para la versión actual del modo de almacenamiento y su
correlación con los modelos compuestos.

Los orígenes de conexión dinámica (multidimensionales) siguientes no se pueden usar

con los modelos compuestos:

SAP HANA
SAP Business Warehouse

Al conectarse a esos orígenes multidimensionales mediante DirectQuery, no se puede

conectar a otro origen de DirectQuery ni combinarlo con los datos importados.

Las limitaciones existentes del uso de DirectQuery siguen aplicándose cuando se usan
los modelos compuestos. Muchas de esas limitaciones son ahora por tabla, en función
del modo de almacenamiento de la tabla. Por ejemplo, una columna calculada en una
tabla importada puede hacer referencia a otras tablas, pero una columna calculada en
una tabla de DirectQuery sigue restringida para hacer referencia solo a columnas de la
misma tabla. Otras limitaciones se aplican al modelo como un todo, si cualquiera de las
tablas dentro del modelo son DirectQuery.

Pasos siguientes
Para obtener más información sobre los modelos compuestos y DirectQuery, consulte
los siguientes artículos:

Usar modelos compuestos en Power BI Desktop

Aplicación de relaciones de varios a varios en Power BI Desktop
DirectQuery en Power BI
Orígenes de datos de Power BI
Trabajo con modelos
multidimensionales en Power BI
Artículo • 23/03/2023

Puede conectarse a modelos multidimensionales en Power BI y crear informes que en

los que se visualizan todos los tipos de datos dentro del modelo. Con modelos
multidimensionales, Power BI aplica reglas al modo de procesar datos, en función de la
columna que se defina como miembro predeterminado.

Con los modelos multidimensionales, Power BI trata los datos del modelo en función de
dónde se utilice la columna que contiene el valor DefaultMember. El valor de propiedad
DefaultMember para una jerarquía de atributo se establece en CSDL (lenguaje de
definición de esquemas conceptuales) para una columna determinada en un modelo
multidimensional. Para más información sobre el miembro predeterminado, consulte
Propiedades de atributos: definir un miembro predeterminado. Cuando se ejecuta una
consulta de expresión de análisis de datos (DAX), el miembro predeterminado
especificado en el modelo se aplica automáticamente.

En este artículo se describe cómo se comporta Power BI en diversas circunstancias

cuando se trabaja con modelos multidimensionales, en función de dónde se encuentre
el modelo predeterminado.

Trabajo con tarjetas de filtro

Al crear una tarjeta de filtro en un campo con un miembro predeterminado, el valor de
dicho campo se selecciona automáticamente en la tarjeta de filtro. Como resultado,
todos los objetos visuales que se ven afectados por la tarjeta de filtro conservan sus
modelos predeterminados en la base de datos. Los valores de dichas tarjetas de filtro
reflejan ese miembro predeterminado.

Si se quita el miembro predeterminado, la anulación de la selección del valor lo borra

para todos los objetos visuales a los que se aplica la tarjeta de filtro y los valores
mostrados no reflejan el miembro predeterminado.

Por ejemplo, imagine que tenemos una columna Moneda y un miembro predeterminado
establecido en USD:

En este caso de ejemplo, si tenemos una tarjeta que muestra Ventas totales, el
valor tendrá el miembro predeterminado aplicado y las ventas que corresponden a
USD.
 Si arrastramos Currency al panel de la tarjeta de filtro, vemos USD como valor
predeterminado seleccionado. El valor de Total Sales sigue siendo el mismo,
porque está aplicado el miembro predeterminado.
Sin embargo, si desactivamos el valor USD de la tarjeta de filtro, el miembro
predeterminado Currency se elimina y ahora Total Sales refleja todas las monedas.
Cuando se selecciona otro valor en la tarjeta de filtro (supongamos que
seleccionamos EURO) junto con el miembro predeterminado, Ventas totales refleja
el filtro Moneda IN {USD, EURO}.

Objetos visuales de grupo

En Power BI, cada vez que agrupa un objeto visual en una columna que tiene un
miembro predeterminado, Power BI borra el miembro predeterminado de esa columna
y su ruta de acceso de relación de atributo. Este comportamiento garantiza que el
objeto visual muestre todos los valores, en lugar de solo los valores predeterminados.

Rutas de acceso de relación de atributo

Las rutas de acceso de relación de atributo proporcionan miembros predeterminados
con funciones eficaces, pero también presentan cierta complejidad. Cuando se
encuentran rutas de acceso de relación de atributo, Power BI sigue la ruta de acceso de
tales rutas para borrar otros miembros predeterminados de otras columnas, a fin de
ofrecer un control coherente y preciso de los datos para los elementos visuales.

Veamos un ejemplo para aclarar este comportamiento. Supongamos que la

configuración de las rutas de acceso de relación de atributo es la siguiente:

Ahora imaginemos que se establecen los siguientes miembros predeterminados para

estas columnas:

City > Seattle

 State > WA
País-región > EE. UU.
Population > Large

Ahora examinemos lo que sucede cuando cada columna se usa en Power BI. Cuando los
objetos visuales se agrupan en las siguientes columnas, estos son los resultados:

Ciudad: Power BI muestra todas las ciudades borrando todos los miembros
predeterminados para Ciudad, Estado, País o región, pero conserva el miembro
predeterminado para Población; Power BI borra toda la ruta de acceso de relación
de atributo para Ciudad.

７ Nota

Población no está en la ruta de acceso de relación de atributo de Ciudad, está

relacionado únicamente con Estado y, por tanto, Power BI no la desactiva.

Estado: Power BI muestra todos los valores de Estado borrando todos los
miembros predeterminados para Ciudad, Estado, País o región y Población.
País o región: Power BI muestra todos los países o regiones borrando todos los
miembros predeterminados para Ciudad, Estado y País o región, pero conserva el
miembro predeterminado para Población.
City y State: Power BI borra todos los miembros predeterminados para todas las
columnas.

Los grupos que se muestran en el objeto visual tienen toda su ruta de acceso de
relación de atributo borrada.

Si un grupo no se muestra en el objeto visual, pero forma parte de la ruta de acceso de

relación de atributo de otra alumna agrupada, se aplica lo siguiente:

No todas las ramas de la ruta de acceso de relación de atributo se borran

automáticamente.
Ese grupo todavía se filtra por ese miembro predeterminado no borrado.

Segmentaciones de datos y tarjetas de filtro

Cuando trabaja con segmentaciones de datos o tarjetas de filtro, se produce el siguiente
comportamiento:

Cuando se carga con datos una segmentación de datos o una tarjeta de filtro,
Power BI agrupa según la columna en el objeto visual, así que el comportamiento
de la visualización es el mismo que se describe en la sección anterior.
Puesto que las segmentaciones de datos y las tarjetas de filtro a menudo se utilizan para
interactuar con otros objetos visuales, la lógica de borrado de miembros
predeterminados de los objetos visuales afectados se produce como se explica en la
tabla siguiente.

Para esta tabla, se utilizan los mismos datos de ejemplo usados anteriormente en este
artículo:

Se aplican las siguientes reglas al comportamiento de Power BI en estas circunstancias.

Power BI borra un miembro predeterminado para una columna especificada si:

Power BI agrupa según esa columna.

Power BI agrupa según una columna relacionada con esa columna (en cualquier
lugar de la ruta de acceso de relación de atributo, hacia arriba o hacia abajo).
Power BI filtra según una columna que está en la ruta de acceso de relación de
atributo (arriba o abajo).
La columna tiene una tarjeta de filtro con el estado ALL.
La columna tiene una tarjeta de filtro con cualquier valor seleccionado (Power BI
recibe un filtro para la columna).

Power BI no borra un miembro predeterminado para una columna especificada si:

La columna tiene una tarjeta de filtro con el estado predeterminado y Power BI

agrupa según una columna en su ruta de acceso de relación de atributo.
La columna está por encima de otra columna en la ruta de acceso de relación de
atributo y Power BI tiene una tarjeta de filtro para esa otra columna en estado
predeterminado.

Pasos siguientes
En este artículo se describe el comportamiento de Power BI cuando se trabaja con
miembros predeterminados en modelos multidimensionales. Puede que también esté
interesado en los siguientes artículos:

Característica Mostrar elementos sin datos de Power BI

Orígenes de datos en Power BI Desktop
Introducción a datamarts
Artículo • 06/06/2023

Los usuarios empresariales dependen en gran medida de los orígenes de datos

regulados centralmente creados por equipos de tecnología de la información (TI), pero
puede tardar meses en que un departamento de TI entregue un cambio en un origen de
datos determinado. En respuesta, los usuarios suelen recurrir a la creación de sus
propios datamarts con bases de datos de Access, archivos locales, sitios y hojas de
cálculo de SharePoint, lo que da lugar a una falta de gobernanza y supervisión adecuada
para asegurarse de que dichos orígenes de datos son compatibles y tienen un
rendimiento razonable.

Datamarts ayuda a salvar la brecha entre los usuarios empresariales y el departamento

de TI. Datamarts son soluciones de análisis de autoservicio, lo que permite a los usuarios
almacenar y explorar datos que se cargan en una base de datos totalmente
administrada. Datamarts proporciona una experiencia sencilla y opcionalmente sin
código para ingerir datos de distintos orígenes de datos, extraer la transformación y
cargar (ETL) los datos mediante Power Query, cargarlos en una base de datos de Azure
SQL totalmente administrada y no requiere ajuste ni optimización.

Una vez cargados los datos en un datamart, también puede definir relaciones y
directivas para la inteligencia empresarial y el análisis. Datamarts genera
automáticamente un conjunto de datos o un modelo semántico, que se puede usar para
crear informes y paneles de Power BI. También puede consultar un datamart mediante
un punto de conexión de T-SQL o mediante una experiencia visual.

Datamarts ofrece las siguientes ventajas:

Los usuarios de autoservicio pueden realizar fácilmente análisis de bases de datos

relacionales, sin necesidad de un administrador de bases de datos.
Datamarts proporciona ingesta, preparación y exploración de datos de un extremo
a otro con SQL, incluidas las experiencias sin código.
 Habilitación de la creación de modelos semánticos e informes dentro de una
experiencia holística

Características de Datamart:

100 % basado en web, no se requiere ningún otro software

Una experiencia sin código que da como resultado un datamart totalmente
administrado
Ajuste del rendimiento automatizado
Editor de consultas SQL y visual integrados para el análisis ad hoc
Compatibilidad con SQL y otras herramientas de cliente populares
Integración nativa con Power BI, Microsoft Office y otras ofertas de Análisis de
Microsoft
Se incluye con capacidades de Power BI Premium y Premium por usuario

Cuándo usar datamarts

Datamarts se destinan a cargas de trabajo de datos interactivas para escenarios de
autoservicio. Por ejemplo, si está trabajando en contabilidad o finanzas, puede crear sus
propios modelos de datos y colecciones, que puede usar para realizar preguntas y
respuestas empresariales de autoservicio a través de experiencias de consulta visual y T-
SQL. Además, puede seguir usando esas colecciones de datos para experiencias de
informes de Power BI más tradicionales. Los datamarts se recomiendan para los clientes
que necesitan una arquitectura y propiedad de datos descentralizadas orientadas al
dominio, como los usuarios que necesitan datos como un producto o una plataforma de
datos de autoservicio.

Los flujos de datos están diseñados para admitir los siguientes escenarios:

Datos de autoservicio departamentales: centralice un volumen de datos pequeño

a moderado (aproximadamente 100 GB) en una base de datos SQL totalmente
administrada de autoservicio. Datamarts le permite designar un único almacén
para las necesidades de informes de bajada de departamento de autoservicio
(como Excel, informes de Power BI, otros), lo que reduce la infraestructura en
soluciones de autoservicio.

Análisis de bases de datos relacionales con Power BI: acceda a los datos de
datamart mediante clientes SQL externos. Azure Synapse y otros servicios o
herramientas que usan T-SQL también pueden usar datamarts en Power BI.

Modelos semánticos de un extremo a otro: permitir que los creadores de Power

BI compilen soluciones de un extremo a otro sin dependencias en otros equipos
 de TI o herramientas. Datamarts se deshace de administrar la orquestación entre
flujos de datos y conjuntos de datos a través de conjuntos de datos generados
automáticamente, al tiempo que proporciona experiencias visuales para consultar
datos y análisis ad hoc, todo respaldado por Azure SQL DB.

En la tabla siguiente se describen estas ofertas y los mejores usos para cada una,
incluido su rol con datamarts.

Elemento Caso de uso Complementar el rol con datamarts

recomendado

Datamarts Almacenamiento de datos Datamarts se puede usar como orígenes para otros
basado en el usuario y datamarts o elementos, mediante el punto de
acceso SQL a los datos conexión de SQL:
Uso compartido externo
Uso compartido entre límites departamentales u
organizativos con la seguridad habilitada

Flujos de Preparación de datos Los datamarts usan un único flujo de datos integrado
datos reutilizables (ETL) para para ETL. Los flujos de datos pueden acentuar esto, lo
conjuntos de datos o que permite:
datamarts Carga de datos en datamarts con diferentes
programaciones de actualización
Separación de los pasos de preparación de datos
y ETL del almacenamiento, por lo que los
conjuntos de datos pueden reutilizarlos.

Conjuntos Métricas y capa semántica Datamarts proporciona un conjunto de datos

de datos para informes de BI generado automáticamente para los informes, lo que
permite:
Combinación de datos de varios orígenes
Uso compartido selectivo de las tablas datamart
para informes específicos
Modelos compuestos: un conjunto de datos con
datos de datamart y otros orígenes de datos
fuera de datamart
Modelos de proxy: un conjunto de datos que usa
DirectQuery para el modelo generado
automáticamente, mediante un único origen de
verdad.

Integración de datamarts y flujos de datos

En algunos casos, puede ser útil incorporar flujos de datos y datamarts en la misma
solución. Las siguientes situaciones podrían encontrar la incorporación de flujos de
datos y datamarts ventajosos:

Para soluciones con flujos de datos existentes:

Consumir fácilmente los datos con datamarts para aplicar transformaciones
adicionales o habilitar el análisis ad hoc y la consulta mediante consultas SQL
Integrar fácilmente una solución de almacenamiento de datos sin código sin
administración de conjuntos de datos

Para soluciones con datamarts existentes:

Realizar extracción, transformación y carga reutilizables (ETL) a escala para
grandes volúmenes de datos
Traiga su propio lago de datos y use flujos de datos como canalización para
datamarts

Comparación de flujos de datos con datamarts

En esta sección se describen las diferencias entre los flujos de datos y los datamarts.

Los flujos de datos proporcionan extracción, transformación y carga reutilizables (ETL).

Las tablas no se pueden examinar, consultar ni explorar sin un conjunto de datos, pero
se pueden definir para su reutilización. Los datos se exponen en formato Power BI o
CDM si trae su propio lago de datos. Power BI usa flujos de datos para ingerir datos en
los datamarts. Debe usar flujos de datos siempre que quiera reutilizar la lógica de ETL.

Use flujos de datos cuando necesite:

Cree la preparación de datos reutilizables y que se pueden compartir para los

elementos de Power BI.

Datamarts es una base de datos totalmente administrada que permite almacenar y

explorar los datos en una base de datos relacional y totalmente administrada Azure SQL.
Datamarts proporciona compatibilidad con SQL, un diseñador de consultas visuales sin
código, seguridad de nivel de fila (RLS) y generación automática de un conjunto de
datos para cada datamart. Puede realizar análisis ad hoc y crear informes, todos en la
web.

Use flujos de datos cuando necesite:

Ordenar, filtrar, realizar una agregación simple visualmente o a través de

expresiones definidas en SQL
Para las salidas que son resultados, conjuntos, tablas y tablas filtradas de datos
Proporcionar datos accesibles a través de un punto de conexión de SQL
Habilitar a los usuarios que no tienen acceso a Power BI Desktop

Pasos siguientes
Este artículo proporciona información general de los datamarts y de las muchas
maneras en que se pueden utilizar.

En los artículos siguientes encontrará más información sobre datamarts y Power BI:

Descripción de datamarts
Comenzar con datamarts
Análisis de datamarts
Creación de informes con datamarts
Control de acceso en datamarts
Administración de datamarts
Guía de decisión de Microsoft Fabric: almacenamiento de datos o almacén de lago
de datos

Para más información sobre los flujos de datos y la transformación de datos, consulte
los artículos siguientes:

Introducción a los flujos de datos y la preparación de datos de autoservicio

Tutorial: Dar forma a los datos y combinarlos en Power BI Desktop
Descripción de datamarts
Artículo • 18/04/2023

En este artículo se describen y se explican conceptos importantes sobre datamarts.

Descripción del conjunto de datos (valor

predeterminado)
Los datamarts ofrecen una capa semántica que se genera y se sincroniza de forma
automática con el contenido de las tablas de datamart, su estructura y los datos
subyacentes, todo ello en un conjunto de datos que se genera automáticamente. Esta
generación y sincronización automáticas le permiten describir mejor el dominio de los
datos con elementos como jerarquías, nombres descriptivos y descripciones. También
puede establecer el formato específico de los requisitos de configuración regional o
empresarial. Con los datamarts puede crear medidas y métricas estandarizadas para los
informes. Power BI (y otras herramientas de cliente) pueden crear objetos visuales y
proporcionar resultados para estos cálculos en función de los datos en contexto.

El conjunto de datos de Power BI predeterminado creado a partir de un datamart

elimina la necesidad de conectarse a un conjunto de datos independiente, de configurar
programaciones de actualización y de administrar varios elementos de datos. En su
lugar, puede compilar la lógica de negocios en un datamart y los datos estarán
disponibles de forma inmediata en Power BI, lo que permite lo siguiente:

Acceso a los datos del datamart a través del centro de conjuntos de datos
Funcionalidad para analizar en Excel
Capacidad de crear informes en el servicio Power BI de forma rápida
Elimina la necesidad actualizar o sincronizar los datos y de comprender los detalles
de la conexión
Compilación de soluciones en la Web sin necesidad de usar Power BI Desktop

Durante la versión preliminar, la conectividad de los conjuntos de datos

predeterminados solo está disponible con DirectQuery. En la imagen siguiente se
muestra cómo los datamarts se ajustan al proceso en su conjunto, empezando por la
conexión a los datos hasta la creación de los informes.
Los conjuntos de datos predeterminados son distintos de los conjuntos de datos
tradicionales de Power BI en los aspectos siguientes:

El punto de conexión XMLA admite operaciones de solo lectura y los usuarios no

pueden editar el conjunto de datos directamente.
Los conjuntos de datos predeterminados no tienen configuración del origen de
datos y los usuarios no necesitan escribir las credenciales. En su lugar, utilizan el
inicio de sesión único (SSO) automático para las consultas.
Para las operaciones de actualización, los conjuntos de datos usan las credenciales
del autor del conjunto de datos para conectarse al punto de conexión SQL del
datamart administrado.

Con Power BI Desktop, los usuarios pueden crear modelos compuestos, lo que le
permite conectarse al conjunto de datos de datamart y realizar las operaciones
siguientes:

Selección de las tablas específicas que se van a analizar

Adición de más orígenes de datos

Por último, si no quiere usar el conjunto de datos predeterminado directamente, puede

conectarse al punto de conexión SQL de datamart. Para obtener más información,
consulte Creación de informes mediante datamarts.
Descripción de lo que se encuentra en el conjunto de
datos predeterminado
Actualmente, las tablas del datamart se agregan automáticamente al conjunto de datos
predeterminado. Los usuarios también pueden seleccionar manualmente tablas o vistas
del datamart que quieren incluir en el modelo para obtener más flexibilidad. Los objetos
que se encuentran en el conjunto de datos predeterminado se crearán como un diseño
en la vista de modelo.

La sincronización en segundo plano que incluye objetos (tablas y vistas) esperará a que
el conjunto de datos de bajada no esté en uso para actualizar el conjunto de datos, lo
que respeta la obsolescencia limitada. Los usuarios siempre pueden elegir manualmente
las tablas que quieren o no quieren en el conjunto de datos.

Descripción de la actualización incremental y

los datamarts
Con el editor de datamart, puede crear y modificar una actualización incremental de los
datos, similar a la actualización incremental de los flujos de datos y los conjuntos de
datos. La actualización incremental amplía las operaciones de actualización programada
al proporcionar la creación y administración automatizadas de particiones para las
tablas de datamart que cargan datos nuevos y actualizados con frecuencia.

Para la mayoría de datamarts, la actualización incremental implicará a una o varias tablas

que contienen datos de transacción que cambian con frecuencia y pueden crecer
exponencialmente, como una tabla de hechos en un esquema de base de datos
relacional o de estrella. El uso de una directiva de actualización incremental para crear
particiones de la tabla y actualizar solo las particiones de importación más recientes
puede reducir significativamente la cantidad de datos que debe actualizarse.

La actualización incremental y los datos en tiempo real para datamarts ofrecen las
ventajas siguientes:

Menos ciclos de actualización para los datos que cambian rápidamente

Las actualizaciones son más rápidas
Las actualizaciones son más confiables
El consumo de recursos es menor
Permiten crear datamarts de gran tamaño
Fácil de configurar.
Reconocimiento del almacenamiento en caché
automático
El almacenamiento en caché automático permite la importación automática de los datos
subyacentes para el conjunto de datos predeterminado, por lo que no es necesario
administrar ni organizar el modo de almacenamiento. El modo de importación del
conjunto de datos predeterminado proporciona aceleración del rendimiento para el
conjunto de datos datamart mediante el motor Vertipaq rápido. Mediante el
almacenamiento en caché automático, Power BI cambia el modo de almacenamiento del
modelo para importar, que usa el motor en memoria en Power BI y Analysis Services.

El almacenamiento en caché automático funciona de la siguiente manera: después de

cada actualización, el modo de almacenamiento del conjunto de datos predeterminado
se cambia a DirectQuery. El almacenamiento en caché proactivo crea un modelo de
importación en paralelo de forma asincrónica y se administra mediante Datamart y no
afecta a la disponibilidad ni al rendimiento de Datamart. Las consultas que entren
después de que se complete el conjunto de datos predeterminado usarán el modelo de
importación.

La generación automática del modelo de importación se produce en aproximadamente

10 minutos después de que no se detecten cambios en Datamart. El conjunto de datos
de importación cambia de las siguientes maneras:

Actualizaciones
Orígenes de datos nuevos
Cambios de esquema:
Orígenes de datos nuevos
Novedades pasos de preparación de datos en Power Query Online
Cualquier actualización de modelado, como:
Medidas
Jerarquías
Descripciones

Procedimientos recomendados para el almacenamiento

en caché automático
Use las canalizaciones de implementación para los cambios para garantizar el mejor
rendimiento y para asegurarse de que los usuarios usan el modelo de importación. El
uso de canalizaciones de implementación ya es un procedimiento recomendado para
compilar Datamarts, pero, al hacerlo, se asegura de aprovechar el almacenamiento en
caché proactivo con más frecuencia.
Consideraciones y limitaciones para el almacenamiento
en caché automático
Actualmente, Power BI limita la duración de las operaciones de almacenamiento en
caché a 10 minutos.
Las restricciones de unicidad o no null para columnas concretas se aplicarán en el
modelo de importación y se producirá un error en la compilación de la memoria
caché si los datos no se ajustan.

Pasos siguientes
En este artículo se proporciona información general para comprender los conceptos
importantes de los elementos datamart.

En los artículos siguientes encontrará más información sobre los datamarts y Power BI:

Introducción a datamarts
Comenzar con datamarts
Análisis de datamarts
Creación de informes mediante datamarts
Control del acceso a datamarts
Administración de datamarts

Para más información sobre los flujos de datos y la transformación de datos, consulte
los artículos siguientes:

Introducción a los flujos de datos y la preparación de datos de autoservicio

Tutorial: Dar forma a los datos y combinarlos en Power BI Desktop
Introducción a los datamarts
Artículo • 17/04/2023

En este artículo, se describe cómo empezar a trabajar con datamarts, incluidos diversos
datos de ejemplos que lo ayudarán a comenzar. Obtendrá información sobre los
conjuntos de datos de ejemplo que puede usar con datamarts, aprenderá a crear
datamarts desde cero, a cambiar el nombre de un datamart o eliminarlo, además de
otra información útil para conocer y dominar los datamarts.

Datos de ejemplo
Puede usar los tipos de datos de ejemplo siguientes para explorar los datamarts. Todos
los recursos siguientes contienen datos de ejemplo gratis:

Ocho ejemplos de departamentos en formato de libro de Excel, que son versiones

de Excel de los ejemplos integrados de Power BI que contienen los conjuntos de
datos de diversos casos de uso:
Rentabilidad de clientes
Análisis de gastos de TI
Recursos humanos
Análisis de oportunidades
Análisis de adquisiciones
Análisis de venta al por menor
Análisis de calidad de los proveedores de ventas y marketing

Un libro de ejemplo de datos financieros, que es una tabla plana sencilla en un

archivo de Excel disponible para descarga. Contiene datos anónimos con
productos ficticios, incluidas ventas divididas por segmentos y regiones.

Una versión del libro de Excel del modelo dimensional de AdventureWorks, en un

tutorial que lo guía en la creación de un informe de Power BI con los datos.

Los datos mundiales sobre COVID 19 se basan en datos de la Universidad Johns

Hopkins. Antes de publicar estos datos, se recomienda revisar el artículo de
declinación de responsabilidades.

Fuente de OData de Northwind Traders , datos de una organización ficticia que

administra los pedidos, productos, clientes, proveedores y muchos otros aspectos
de una empresa pequeña.
También puede empezar a usar datamarts desde cualquier flujo de datos que tenga
actualmente. Si parte de un flujo de datos existente, copiará los datos en el datamart y,
en ese momento, podrá puede aplicar otras transformaciones o simplemente usarlo
como origen de datos para explorar los datamarts.

Creación de un datamart
Para crear un datamart, vaya al área de trabajo de Power BI Premium o Premium por
usuario (PPU). Los datamarts requieren una suscripción a Power BI Premium. En el área
de trabajo Premium, seleccione + Nuevo y elija **Datamart (versión preliminar) para
crear un datamart.

El aprovisionamiento de un datamart nuevo suele tardar unos 10 segundos. Una vez que
se inicialice, puede cargar datos en el datamart. Para información sobre cómo obtener
datos en un datamart, consulte la sección Obtención y transformación de datos de este
artículo.

Obtención y transformación de datos

Hay muchas maneras de conectarse a los datos y transformarlos en un datamart. Para
información general sobre los datos en Power BI, consulte Conexión a los datos en
Power BI.

Si desea cargar datos en el datamart, ábralo (o cree uno nuevo) y seleccione Obtener
datos.

En caso de que decida obtener datos de otro origen, aparece una ventana de selección
de origen de datos en la que puede seleccionar entre una gran variedad de orígenes de
datos.

También puede arrastrar y colocar archivos desde el equipo para cargar datos en el
datamart; por ejemplo, archivos de Excel. Algunos orígenes de datos pueden requerir
parámetros o cadenas de conexión para conectarse correctamente.
Una vez que se conecte, seleccione las tablas que quiere cargar en el datamart. Puede
aplicar transformaciones a los datos seleccionados y cargarlos en datamart. Una vez que
carga los datos, las tablas se importan al datamart. Puede supervisar el progreso en la
barra de estado.

Para cada tabla que seleccione, se crea una vista correspondiente en el datamart que
aparece en el Explorador de objetos en la Vista de datos.

Modelado de datos
Para modelar los datos, navegue a la Vista de modelo; para ello, seleccione el icono
Vista de modelo en la parte inferior de la ventana, tal como se muestra en la imagen
siguiente.
Añadir o eliminar objetos al conjunto de datos
predeterminado
En Power BI, siempre se requiere un conjunto de datos para compilar informes. Por ello,
el conjunto de datos predeterminado permite funcionalidades de informes rápidas
sobre la base de datamart. En datamart, un usuario puede agregar objetos datamart
(tablas) a su conjunto de datos predeterminado. También se pueden agregar
propiedades de modelado semántico adicionales, como jerarquías y descripciones. Estas
se usan luego para crear las tablas del conjunto de datos de Power BI. Los usuarios
también pueden quitar objetos del conjunto de datos predeterminado.
Para agregar objetos (tablas o vistas) al conjunto de datos predeterminado, un usuario
tiene 2 opciones:

Agregar automáticamente objetos al conjunto de datos, lo que sucede de forma

predeterminada sin necesidad de intervención del usuario.
Agregar objetos manualmente al conjunto de datos

La experiencia de detección automática determina las tablas o vistas y las agrega de

forma oportuna.

La opción de detectar manualmente en la cinta de opciones permite un control

específico de los objetos (tablas o vistas) que se deben agregar al conjunto de datos
predeterminado:

Seleccionar todo
Filtrar por tablas o vistas
Seleccionar objetos específicos

Para quitar objetos, un usuario puede usar el botón de selección manual en la cinta de
opciones y:

Anular la selección de todo

Filtrar por tablas o vistas
Anular la selección de objetos específicos

Uso de diseños de vista de modelo

Durante la sesión, los usuarios pueden crear varias pestañas en la vista de modelo para
facilitar aún más el diseño de la base de datos. Actualmente, los diseños de la vista de
modelo solo se guardan mientras dure la sesión. Los usuarios pueden usar el diseño
automático cada vez que se crea una nueva pestaña para inspeccionar visualmente el
diseño de la base de datos y comprender el modelado.

Creación de una medida

Para crear una medida (una colección de métricas estandarizadas), seleccione la tabla en
el Explorador de tablas y seleccione el botón Nueva medida en la cinta de opciones, tal
como se muestra en la imagen siguiente.
Escriba la medida en la barra de fórmulas y especifique la tabla y la columna a las que se
aplica. La barra de fórmulas le permite escribir la medida. De manera similar a Power BI
Desktop, la experiencia de edición de DAX en los datamarts proporciona un editor
enriquecido con la función de autocompletar para las fórmulas (IntelliSense). El editor
DAX le permite desarrollar con facilidad medidas directamente en el datamart, lo que
hace que sea un origen único más eficaz para la lógica de negocios, la semántica y los
cálculos críticos para la empresa.

Puede expandir la tabla para buscar la medida en la tabla.

Creación de una relación

Si desea crear una relación en un datamart, seleccione la Vista de modelo y el datamart;
luego, arrastre la columna de una tabla a la columna en la otra tabla para iniciar la
relación. En la ventana que aparece, configure las propiedades de la relación.
Una vez que se complete la relación, seleccione el botón Confirmar para guardar la
información de esta.

Ocultamiento de elementos de los informes posteriores

Si desea ocultar elementos del datamart de los informes posteriores, seleccione Vista de
datos y haga clic con el botón derecho en la columna o la tabla que quiere ocultar.
Luego, seleccione Ocultar en la vista de informes del menú que aparece para ocultar el
elemento de los informes posteriores.
También puede ocultar toda la tabla y columnas individuales. Para ello, use las opciones
del lienzo Vista de modelos, tal como se muestra en la imagen siguiente.

Acceso a conjuntos de datos generados automáticamente

Para acceder a conjuntos de datos generados automáticamente, vaya al área de trabajo
Premium y busque el conjunto de datos que coincide con el nombre del datamart.
Haga clic en el nombre del conjunto de datos para cargarlo.

Administración de la actualización de un
datamart
Puede actualizar un datamart de dos maneras:

1. En el menú contextual del datamart, seleccione Actualizar ahora o Actualización

programada.
 2. En la página de configuración del datamart, seleccione Actualización programada.

Para configurar la actualización incremental de un datamart, seleccione la tabla para la

que desea configurar la actualización incremental en el editor de Datamart. En la cinta
de opciones Herramientas de tabla, seleccione el icono Actualización incremental.
Aparecerá un panel a la derecha en el que podrá configurar la actualización incremental
de la tabla seleccionada.
Datamarts y canalizaciones de implementación
Los datamarts son compatibles con las canalizaciones de implementación. Puede usar
las canalizaciones de implementación para implementar actualizaciones en el datamart
en una canalización designada. También puede usar reglas para conectarse a los datos
pertinentes en cada fase de la canalización. Si quiere aprender a usar las canalizaciones
de implementación, consulte Introducción a las canalizaciones de implementación.

Carga o acceso a un datamart existente

Para acceder a un datamart, vaya al área de trabajo de Power BI Premium y búsquelo en
la lista global de elementos de datos del área de trabajo, como se muestra en la
siguiente imagen.
También puede seleccionar la pestaña Datamarts (versión preliminar) en el área de
trabajo Premium y ver una lista de los datamarts disponibles.

Seleccione el nombre del datamart para cargarlo.

Cambio de nombre de un datamart

Hay dos maneras de cambiar el nombre de un datamart:

En primer lugar, en la parte superior del editor de Datamart, seleccione el nombre del
datamart y edítelo en la ventana que aparece, tal como se muestra en la imagen
siguiente. Para guardar el nombre nuevo, seleccione la cinta de opciones fuera de la
ventana de cambio de nombre.
También puede cambiar el nombre del datamart en la vista de lista del área de trabajo.
Seleccione el menú Más (…) junto al nombre del datamart en la vista del área de trabajo.

En el menú que aparece, seleccione Cambiar nombre.

Cuando cambia el nombre de un datamart, también se cambia automáticamente el
nombre del conjunto de datos generado automáticamente en función de ese datamart.

Eliminación de un datamart
Para eliminar un datamart, navegue al área de trabajo y busque el datamart que quiere
eliminar. Seleccione el menú Más (…) y seleccione Eliminar en el menú que aparece.
La eliminación de un datamart no es inmediata y requiere unos días para completarse.

Menús contextuales de un datamart

Los datamarts ofrecen una experiencia familiar para crear informes y acceder a las
acciones admitidas mediante sus menús contextuales.

En la tabla siguiente, se describen las opciones del menú contextual del datamart:

Opción de Descripción de la opción

menú

Analizar en Usa la funcionalidad existente Analizar en Excel en un conjunto de datos

Excel generado automáticamente. Más información sobre Analizar en Excel

Crear informe Crea un informe de Power BI en modo DirectQuery. Más información sobre
cómo empezar a crear en el servicio Power BI
Opción de Descripción de la opción
menú

Eliminar Elimina el conjunto de datos del área de trabajo. Un cuadro de diálogo de

confirmación notifica sobre el impacto de la acción de eliminación. Si se
confirma la acción Eliminar, se eliminarán el datamart y los elementos
posteriores relacionados.

Administración Permite a los usuarios agregar otros destinatarios con permisos especificados,
de permisos de manera similar a permitir el uso compartido de un conjunto de datos
subyacente o permitir crear contenido con los datos asociados al conjunto de
datos subyacente.

Opción de Descripción de la opción

menú

Actualizar Proporciona el historial de la actividad de actualización con la duración de la

historial actividad y el estado.

Cambiar Actualiza el datamart y el conjunto de datos generado automáticamente con el

nombre nombre nuevo.

Configuración Más información sobre la configuración de un datamart

Opción de Descripción de la opción
menú

Compartir Permite que los usuarios compartan el datamart para crear contenido basado en
el conjunto de datos subyacente generado automáticamente y consultar el
punto de conexión SQL correspondiente. Comparte el acceso al datamart (SQL:
de solo lectura, y el conjunto de datos generado automáticamente) con otros
usuarios de la organización. Los usuarios reciben un correo electrónico con
vínculos para acceder a la página de detalles en la que pueden encontrar la
dirección URL de SQL Server y acceder al conjunto de datos generado
automáticamente para crear informes basados en él.

Visualización Muestra el linaje de un extremo a otro de los datamarts desde los orígenes de
del linaje datos hasta el datamart, el conjunto de datos generado automáticamente y
otros conjuntos de datos (si los hay) que se crearon sobre los datamarts, hasta
los informes, los paneles y las aplicaciones.

Configuración de un datamart
Se puede acceder a la configuración de un datamart en el menú contextual para
datamarts. En esta sección, se describen y explican las opciones de configuración de un
datamart y su descripción. En la imagen siguiente, se muestra el menú de configuración
de un datamart.

A continuación, se muestra una lista de la configuración disponible para cada datamart.

Setting Detalle

Descripción del Permite a los usuarios agregar detalles de metadatos para proporcionar
datamart información descriptiva sobre un datamart.

Setting Detalle

Configuración Cadena de conexión del punto de conexión de SQL de un datamart. Puede

del servidor usar la cadena de conexión para crear una conexión al datamart mediante
diversas herramientas, como SSMS.

Credenciales del Permite obtener información del origen de datos y editar las credenciales.

origen de datos

Programar Información de actualización de los datos de un datamart, según la

actualización programación definida por el usuario.

 Setting Detalle

Etiqueta de Etiqueta de confidencialidad aplicada en un datamart, la que también se

confidencialidad propaga en el conjunto de datos generado automáticamente y los informes
posteriores, etc.

La propagación de etiquetas de confidencialidad al conjunto de datos y los

informes posteriores no se producirá en los escenarios siguientes:

Degradación de las etiquetas de confidencialidad

Elementos específicos cuando se estableció manualmente la etiqueta de
confidencialidad.

En la tabla siguiente, se muestra la configuración de los conjuntos de datos generados

automáticamente. Cuando se aplica esta configuración en un conjunto de datos
generado automáticamente, también se aplica al datamart.

Configuración Detalles

Aprobación y
detección

Solicitar acceso

Preguntas y
respuestas

Almacenamiento
en caché de
consultas

Consideraciones y limitaciones de Datamart

Al usar datamarts con conexiones con nombre, se aplican las limitaciones siguientes:
 Solo puede crear una conexión en la nube de una ruta y un tipo concretos; por
ejemplo, solo podría crear una conexión en la nube de SQL más un servidor o una
base de datos. Puede crear varias conexiones de puerta de enlace.
No se pueden asignar nombres ni cambiar el nombre de los orígenes de datos en
la nube; puede asignar un nombre o cambiar el nombre de las conexiones de
puerta de enlace.

Pasos siguientes
En este artículo, se proporcionaron datos de ejemplo e instrucciones sobre cómo crear
datamarts e interactuar con ellos.

En los artículos siguientes, encontrará más información sobre los datamarts y Power BI:

Introducción a datamarts
Descripción de datamarts
Análisis de datamarts
Creación de informes con datamarts
Control de acceso en datamarts
Administración de datamarts

Para más información sobre los flujos de datos y la transformación de datos, consulte
los artículos siguientes:

Introducción a los flujos de datos y la preparación de datos de autoservicio

Tutorial: Dar forma a los datos y combinarlos en Power BI Desktop
Análisis de datamarts
Artículo • 19/04/2023

Puede analizar datamarts con varias herramientas, incluido el editor de Datamart y el

Editor de consultas SQL entre otros. En este artículo se describe cómo analizar
datamarts con esas herramientas y se proporcionan sugerencias sobre cómo ver mejor
la información que necesita.

Análisis dentro del editor de Datamart

El editor de Datamart proporciona una interfaz visual sencilla para analizar datamarts.
En las secciones siguientes se proporcionan instrucciones sobre cómo usar el editor de
Datamart para obtener información de los datamarts y los datos.

Consulta visual
Una vez cargados los datos en el datamart, puede usar el editor de Datamart para crear
consultas para analizar los datos. Puede usar el Editor de consultas visuales para obtener
una experiencia sin código para crear las consultas.

Hay dos maneras de acceder al Editor de consultas visuales:

En la vista Cuadrícula de datos, cree una nueva consulta con el botón + Nueva consulta
de la cinta de opciones, como se muestra en la imagen siguiente.

Alternativamente, puede usar el icono de Vista de diseño que se encuentra en la parte

inferior de la ventana del editor de Datamart, como se muestra en la siguiente imagen.

Para crear una consulta, arrastre y coloque tablas desde el Explorador de objetos que
está a la izquierda hasta el lienzo.
Una vez que haya arrastrado una o varias tablas al lienzo, puede usar la experiencia
visual para diseñar las consultas. El editor de Datamart usa la experiencia de Vista de
diagrama similar de Power Query para permitirle consultar y analizar fácilmente los
datos. Obtenga más información sobre la Vista de diagrama de Power Query.

A medida que trabaja en la consulta visual, las consultas se guardan automáticamente

cada pocos segundos. Un "indicador de guardado" que se muestra en la pestaña de
consulta en la parte inferior indica que la consulta se está guardando.

En la imagen siguiente se muestra una consulta de ejemplo creada con el editor de

consultas visuales sin código para encontrar los clientes principales por pedidos.
Hay algunas cosas que se deben tener en cuenta al usar el editor de consultas visuales:

Solo se puede escribir DQL (ni DDL ni DML)

Actualmente solo se admite un subconjunto de operaciones de Power Query que
admitan el plegado de consultas
Actualmente no se puede abrir la consulta visual en Excel

Editor de consultas SQL

El Editor de consultas SQL proporciona un editor de texto para escribir consultas
mediante T-SQL. Para acceder al editor de consultas SQL integrado, seleccione el icono
de Vista del editor de consultas SQL situado en la parte inferior de la ventana del editor
de Datamart.

El Editor de consultas SQL proporciona compatibilidad con IntelliSense, finalización de

código, resaltado de sintaxis y análisis y validación del lado cliente. Una vez que haya
escrito la consulta T-SQL, seleccione Ejecutar para ejecutar la consulta. A medida que
trabaja en la consulta de SQL, las consultas se guardan automáticamente cada pocos
segundos. Un "indicador de guardado" que se muestra en la pestaña de consulta en la
parte inferior indica que la consulta se está guardando. La vista previa de Resultados se
muestra en la sección Resultados. El botón Descargar en Excel abre la consulta T-SQL
correspondiente en Excel y ejecuta la consulta, lo que le permite ver los resultados en
Excel. La opción Visualizar resultados le permite crear informes a partir de los
resultados de las consultas en el editor de consultas SQL.

Hay algunas cosas que se deben tener en cuenta al usar el editor de consultas visuales:

Solo se puede escribir DQL (ni DDL ni DML)

Análisis fuera del editor

Datamarts proporciona una experiencia de SQL DQL (consulta) a través de su propio
entorno de desarrollo, como SSMS o Azure Data Studio. Debe ejecutar la versión más
reciente de las herramientas y autenticarse mediante Azure Active Directory o MFA. El
proceso de inicio de sesión es el mismo que el proceso de inicio de sesión para Power
BI.
Elección entre consultas integradas o herramientas SQL
externas
El editor de consultas visuales sin código y el editor de Datamart están disponibles para
el datamart en Power BI. El editor de consultas visuales sin código habilita a los usuarios
que no están familiarizados con el lenguaje SQL, mientras que el editor de Datamart es
útil para la supervisión rápida de la base de datos SQL.

Para obtener una experiencia de consulta que proporcione una utilidad más completa
mediante la combinación de un amplio grupo de herramientas gráficas con muchos
editores de scripts enriquecidos, SQL Server Management Studio (SSMS) y Azure Data
Studio (ADS) son entornos de desarrollo más sólidos.

Elección entre SQL Server Management Studio o Azure

Data Studio
Aunque ambas experiencias de análisis ofrecen amplios entornos de desarrollo para
consultas SQL, cada entorno se adapta a casos de uso independientes.

Puede usar SSMS para:

 La configuración compleja administrativa o de plataforma
La administración de seguridad, incluida la administración de usuarios y la
configuración de características de seguridad
Estadísticas de consultas dinámicas o estadísticas de cliente

Use ADS para:

Usuarios de macOS y Linux

Editar o ejecutar consultas, si es lo que hace fundamentalmente
Gráficos rápidos y visualización de los resultados del conjunto

Obtener la cadena de conexión de T-SQL

Para los desarrolladores y analistas con experiencia en SQL, el uso de SQL Server
Management Studio o Azure Data Studio como una extensión para los datamarts de
Power BI puede proporcionar un entorno de consulta más exhaustivo.

Para conectarte a un punto de conexión SQL de Datamart con herramientas de cliente,

ve a la página de configuración del conjunto de datos seleccionando la pestaña
Datamarts (versión preliminar) en Power BI. Desde allí, expanda la sección
Configuración del servidor y copie la cadena de conexión, como se muestra en la
siguiente imagen.

Introducción a SSMS
Para usar SQL Server Management Studio (SSMS), debe usar SSMS versión 18.0 o
superior. Al abrir SQL Server Management Studio, aparece la ventana Conectarse al
servidor. Para abrirlo manualmente, seleccione Explorador de objetos > Conectar >
Motor de base de datos.

Una vez abierta la ventana Conectarse al servidor, pegue la cadena de conexión

copiada en la sección anterior de este artículo en el cuadro de diálogo Nombre del
servidor. Seleccione Conectar y continúe con las credenciales adecuadas para la
autenticación. Recuerde que solo se admite la autenticación de Azure Active Directory o
de MFA.
Cuando se ha establecido la conexión, el explorador de objetos muestra la base de
datos SQL de datamarts conectada, así como sus respectivas tablas y vistas, las cuales
están, todas, listas para consultarse.
Para obtener una vista previa sencilla de los datos de una tabla, haga clic con el botón
derecho en una tabla y seleccione Seleccionar las 1000 primeras filas en el menú
contextual que aparece. Una consulta generada automáticamente devuelve una
colección de resultados que muestra las 1000 primeras filas en función de la clave
principal de la tabla.

La imagen siguiente muestra los resultados de dicha consulta.

Para ver las columnas de una tabla, expanda la tabla en el Explorador de objetos.

Al conectarse a datamart mediante SSMS u otras herramientas de cliente, puede ver las
vistas creadas en el esquema de Modelo del datamart. La configuración de esquema
predeterminada en un datamart se establece en Modelo.

Un datamart muestra otros dos roles como administrador y espectador bajo seguridad
cuando se conecta mediante SSMS. Los usuarios agregados a un área de trabajo en
cualquiera de los roles administrador, miembro o colaborador se agregan al rol
administrador en el datamart. Los usuarios agregados al rol Espectador en el área de
trabajo se agregan al rol de espectador en el datamart.
Metadatos de relaciones
La propiedad extendida isSaaSMetadata agregada en el datamart le permite saber que
estos metadatos se usan para la experiencia de SaaS. Puede consultar esta propiedad
extendida como se indica a continuación:

SQL

SELECT [name], [value]
FROM sys.extended_properties

WHERE [name] = N'isSaaSMetadata'

Los clientes (como el conector SQL) pueden leer las relaciones consultando la función
con valores de tabla como la siguiente:

SQL

SELECT *

FROM [metadata].[fn_relationships]();

Observe que hay vistas con nombres relationships y relationshipColumns en el esquema

de metadatos para mantener relaciones en el datamart. En las tablas siguientes se
proporciona una descripción de cada una de ellas:

[metadatos]. [relationships]

Nombre de la columna Tipo de Descripción

datos

RelationshipId Bigint Identificador único de una relación

Nombre Nvarchar(128) Nombre de la relación

FromSchemaName Nvarchar(128) Nombre de esquema de la tabla de origen «From»

cuya relación se define

FromObjectName Nvarchar(128) Nombre de tabla o vista «From» cuya relación se

define

ToSchemaName Nvarchar(128) Nombre de esquema de la tabla receptora «To»

cuya relación se define

ToObjectName Nvarchar(128) Nombre de tabla o vista «To» cuya relación se

define
 Nombre de la columna Tipo de Descripción
datos

TypeOfRelationship Tinyint Cardinalidad de la relación. Los valores posibles son:

0 – None 1 – OneToOne 2 – OneToMany 3 –
ManyToOne 4 – ManyToMany

SecurityFilteringBehavior Tinyint Indica cómo influyen las relaciones en el filtrado de

datos al evaluar expresiones de seguridad de nivel
de fila. Los valores posibles son 1 – OneDirection 2 –
BothDirections 3 – None

IsActive bit Valor booleano que indica si la relación está

marcada como activa o inactiva.

RelyOnReferentialIntegrity bit Valor booleano que indica si la relación puede

basarse en la integridad referencial o no.

CrossFilteringBehavior Tinyint Indica cómo influyen las relaciones en el filtrado de

datos. Los valores posibles son 1 – OneDirection 2 –
BothDirections 3 – None

CreatedAt Datetime Fecha en que se ha creado la relación.

UpdatedAt datetime Fecha en que se ha modificado la relación.

DatamartObjectId Navrchar(32) Identificador único de datamart

[metadatos]. [relationshipColumns]

Nombre de la Tipo de Descripción

columna datos

RelationshipColumnId bigint Identificador único de la columna de una relación.

RelationshipId bigint Clave externa, referencia a la clave RelationshipId en la

tabla de relaciones.

FromColumnName Navrchar(128) Nombre de la columna «From»

ToColumnName Nvarchar(128) Nombre de la columna «To»

CreatedAt datetime Fecha en que se ha creado la relación.

DatamartObjectId Navrchar(32) Identificador único de datamart

Puede combinar estas dos vistas para obtener relaciones agregadas en el datamart. La
consulta siguiente combinará estas vistas:
 SQL

SELECT

[Link]

,R.[Name]

,R.[FromSchemaName]

,R.[FromObjectName]

,C.[FromColumnName]

,R.[ToSchemaName]

,R.[ToObjectName]

,C.[ToColumnName]

FROM [METADATA].[relationships] AS R

JOIN [metadata].[relationshipColumns] AS C

ON [Link]=[Link]

Limitaciones
Actualmente, la visualización de resultados no admite consultas SQL con una
cláusula ORDER BY.

Pasos siguientes
En este artículo se proporciona información sobre cómo analizar datos en datamarts.

En los artículos siguientes encontrará más información sobre datamarts y Power BI:

Introducción a datamarts
Descripción de datamarts
Comenzar con datamarts
Creación de informes con datamarts
Control de acceso en datamarts
Administración de datamarts

Para más información sobre los flujos de datos y la transformación de datos, consulte
los artículos siguientes:

Introducción a los flujos de datos y la preparación de datos de autoservicio

Tutorial: Dar forma a los datos y combinarlos en Power BI Desktop
Detección de datos mediante datamarts
(versión preliminar)
Artículo • 22/07/2023

Puede detectar datos mediante del centro de datos y crear conjuntos de datos
reutilizables y generados automáticamente para crear informes de varias maneras en
Power BI. En este artículo se describen las distintas formas en que puede detectar
datamarts.

Detección de datamarts en el centro de datos

Puede ver datamarts y su conjunto de datos asociado generado automáticamente en el
centro de datos, lo que facilita la búsqueda, exploración y uso de los datos.

En el centro de datos, al seleccionar un datamart, se abrirá su página de información,

donde puede ver los metadatos del datamart, las acciones admitidas, el linaje y el
análisis de impacto, así como los informes relacionados sobre ese datamart.

El conjunto de datos generado automáticamente a partir de un datamart se comporta

igual que otros conjuntos de datos en Power BI. Para más información, consulte
Detección de datos mediante el centro de datos

Detalles e informes relacionados de datamarts

Para obtener más información sobre un datamart, explorar informes, ver el linaje o crear
un nuevo informe basado en el conjunto de datos, seleccione un datamart de los
datamarts recomendados o de los datamarts de la lista de datos.

Una página muestra la información sobre el datamart y proporciona un botón para crear
un nuevo informe, compartir un datamart, extraer datos en Excel o ver el linaje. También
se muestran informes relacionados del datamart seleccionado, si existe alguno. Además,
puede ir al editor de datamart, a su configuración o administrar permisos.

La página también muestra el área de trabajo donde se encuentra el datamart, su

estado de aprobación, la hora de la última actualización y cualquier configuración de
confidencialidad que se haya aplicado. También muestra la cadena de conexión del
punto de conexión SQL del datamart y la descripción del datamart.

En la imagen siguiente se muestra la página de información de datamarts.

 

Para ver el linaje del datamart, seleccione Linaje > Abrir linaje en el menú de la cinta de
opciones. La ventana que aparece muestra la vista de linaje de un extremo a otro que
describe el flujo de datos del origen de datos al datamart, el conjunto de datos
subyacente generado automáticamente y todos los elementos de nivel inferior, como
informes, paneles o aplicaciones.

En la imagen siguiente se muestra el linaje de un datamart.

Para ver los elementos dependientes del datamart seleccionado, seleccione el menú
Análisis de impacto, que se muestra a lo largo del lado derecho de la pantalla.
Centro de datos en Power BI Desktop
El centro de datos de Power BI Desktop permite detectar datamarts y conjuntos de
datos. Una vez seleccionado el filtro de datamarts, la lista muestra los datamarts a los
que tiene acceso.

En la imagen siguiente se muestra cómo seleccionar datamarts en el menú de la cinta

de opciones Inicio del centro de datos en Power BI Desktop.

El centro de datos aparece en una ventana dentro de Power BI Desktop, como se

muestra en la pantalla siguiente.
 

Al seleccionar un datamart de la lista, se habilita el botón Conectar en la ventana. Al

seleccionar Conectar con un datamart seleccionado, se carga el conjunto de datos
subyacente y generado automáticamente del datamart, desde el que puede empezar a
compilar informes. Al seleccionar Conectar al punto de conexión de SQL, se hará una
conexión dinámica a la cadena de conexión SQL de datamart para leer los datos y
compilar los informes.

Pasos siguientes
En este artículo, se proporciona información sobre cómo crear informes mediante
datamarts.
En los artículos siguientes encontrará más información sobre datamarts y Power BI:

Introducción a datamarts
Uso compartido de datamarts y administración de permisos
Descripción de datamarts
Comenzar con datamarts
Análisis de datamarts
Control del acceso a datamarts
Administración de datamarts

Para más información sobre los flujos de datos y la transformación de datos, consulte
los artículos siguientes:

Introducción a los flujos de datos y la preparación de datos de autoservicio

Tutorial: Dar forma a los datos y combinarlos en Power BI Desktop
Uso compartido de datamarts y
administración de permisos (versión
preliminar)
Artículo • 22/07/2023

En este artículo se describen las formas en que puede compartir los datamarts y
administrar sus permisos para proporcionar a los usuarios acceso específico.

Uso compartido de datamarts para consumo

Una vez creado un datamart, puede compartirlo para el consumo de bajada por parte
de otros usuarios de su organización. Compartir un datamart permite al destinatario
acceder a este de las siguientes maneras:

Cadena de conexión SQL: conéctese a la cadena de conexión SQL subyacente del

datamart y consulte el datamart desde las herramientas de cliente de SQL.
Conjunto de datos generado automáticamente: Compile contenido basado en el
conjunto de datos subyacente del datamart proporcionando permisos de
Compilación.

Existen varias maneras de compartir un datamart, que se describen en las secciones

siguientes.

Uso compartido desde un área de trabajo

Mientras se encuentra en el área de trabajo, seleccione la opción Compartir en el menú
contextual del datamart, como se muestra en la siguiente imagen.
Uso compartido desde el centro de datos
Para compartir un datamart desde el centro de datos, seleccione Compartir en el menú
contextual del datamart dentro del centro de datos. Puede realizar este uso compartido
desde cualquiera de las pestañas de esa ventana: Todos, Mis datos, De confianza en su
organización o Recomendado.

En la imagen siguiente se muestra la selección del menú contextual en el centro de

datos y la selección de Compartir.
Uso compartido desde la página de información del
datamart
Para compartir un datamart desde la página de información del centro de datos,
seleccione el botón Compartir de la cinta de opciones de la parte superior de la página.

En la imagen siguiente se muestra el botón Compartir de la cinta de opciones.

También puede seleccionar el botón Compartir datamart en el propio panel de

información, dentro del centro de datos. En la imagen siguiente se resalta el botón
Compartir del panel de información.
 

Proceso de uso compartido del datamart

Independientemente de la forma en que decida compartir un datamart, aparecerá la
ventana Conceder acceso a personas para que pueda escribir los nombres o las
direcciones de correo electrónico de las personas o grupos (grupos de distribución o
grupos de seguridad) de la organización con la que desea conceder acceso al datamart.

Puede elegir si quiere que los destinatarios puedan volver a compartir el datamart con
otros usuarios de la organización; para ello, active la casilla situada junto a Permitir que
los destinatarios compartan este datamart. Hay una opción para permitir que los
usuarios creen informes de Power BI (desde cero, crear automáticamente informes
paginados) sobre el conjunto de datos predeterminado que está conectado al datamart.
Para ello, active la casilla situada junto a Crear informes en el conjunto de datos
predeterminado. Ambas opciones se establecen de manera predeterminada.

También puede optar por enviar a los destinatarios un mensaje para proporcionar más
contexto. Para ello, escriba un mensaje en el campo Agregar un mensaje (opcional) en
la ventana Conceder acceso a personas.

En la imagen siguiente se muestra la ventana Conceder acceso a personas.

Una vez que conceda acceso, los destinatarios recibirán un correo electrónico que indica
que se les ha concedido acceso al datamart. El correo electrónico incluye un botón
titulado Abrir este datamart que abre la página de información del datamart.

Cuando los destinatarios abren el vínculo o navegan al datamart compartido, su página

de información muestra la cadena de conexión SQL para conectarse al datamart. Los
usuarios pueden usar herramientas de cliente distintas de Power BI, como SSMS, para
consultar el datamart mediante T-SQL.

En la imagen siguiente se resalta la cadena de conexión SQL en la ventana de

información de un datamart.

Los usuarios pueden crear informes con el datamart o usar Analizar en Excel y también
pueden conectarse al conjunto de datos del datamart o subyacente desde Power BI
Desktop.

En la imagen siguiente se resalta el punto de entrada Crear un informe en una ventana

de información de datamart.

７ Nota

Compartir un datamart permite al destinatario acceder al datamart para el

consumo de bajada, y no para colaborar en la creación del datamart. Para permitir
que otros creadores colaboren en el datamart, debe proporcionar acceso de
 Miembro, Administrador o Colaborador al área de trabajo donde se crea el
datamart.

Administración de permisos
En la página Administrar permisos, se muestra la lista de usuarios a los que se les ha
concedido acceso mediante la asignación a roles de área de trabajo o permisos de
elemento (como se ha descrito anteriormente en este artículo).

Si es administrador o miembro, vaya al área de trabajo y seleccione Más opciones que

muestren el menú contextual y seleccione Administrar permisos.

En el caso de los usuarios a los que se proporcionaron roles de área de trabajo, muestra
el usuario, el rol de área de trabajo y los permisos correspondientes. Los
administradores y los miembros tienen acceso de lectura, escritura y para volver a
compartir los datos de esta área de trabajo. Los colaboradores tienen permisos de
lectura y escritura. Los usuarios tienen permisos de lectura y pueden consultar todos
los objetos de datamart. Para los usuarios con los que se ha compartido un datamart,
los permisos de elementos como lectura y volver a compartir se proporcionan de
manera predeterminada.
 

Puede optar por agregar o quitar los permisos mediante la experiencia Administrar
permisos. Quitar volver a compartir quita los permisos para volver a compartir. Quitar
el acceso quita todos los permisos de elementos y deja de compartir datamart con el
usuario especificado.

Pasos siguientes
En este artículo, se proporciona información sobre cómo crear informes mediante
datamarts.

En los artículos siguientes encontrará más información sobre datamarts y Power BI:

Introducción a datamarts
Uso compartido y detección de datos mediante datamarts
Descripción de datamarts
 Comenzar con datamarts
Análisis de datamarts
Control del acceso a datamarts
Administración de datamarts

Para más información sobre los flujos de datos y la transformación de datos, consulte
los artículos siguientes:

Introducción a los flujos de datos y la preparación de datos de autoservicio

Tutorial: Dar forma a los datos y combinarlos en Power BI Desktop
Creación de informes mediante
datamarts
Artículo • 06/06/2023

Los datamarts le permite crear conjuntos de datos reutilizables generados

automáticamente para crear informes de diversas maneras en Power BI. En este artículo,
se describen las distintas maneras en que puede usar los datamarts, y sus conjuntos de
datos generados automáticamente, para crear informes.

Por ejemplo, puede establecer una conexión dinámica a un conjunto de datos

compartido en el servicio Power BI y crear muchos informes diferentes a partir del
mismo conjunto de datos. Puede crear el modelo de datos perfecto en Power BI
Desktop y publicarlo en el servicio Power BI. A continuación, usted y otros usuarios
pueden crear varios informes diferentes en archivos .pbix independientes a partir de ese
modelo de datos en común y guardarlos en áreas de trabajo distintas.

Los usuarios avanzados pueden crear informes a partir de un datamart mediante un

modelo compuesto o con el punto de conexión de SQL.

Los informes que usan datamarts se pueden crear en cualquiera de estas dos
herramientas:

En el servicio Power BI
Uso de Power BI Desktop

Echemos un vistazo a cómo se pueden usar datamarts con cada una de ellas.

Creación de informes en el servicio Power BI

Escenario 1: Desde dentro de la experiencia de datamart, con la cinta de opciones y la
pestaña de inicio principal, vaya al botón Nuevo informe . Esto proporciona una manera
nativa y rápida de crear informes.

Al seleccionar Nuevo informe, se abre una pestaña de navegador con el lienzo de

edición de informes que contiene un informe nuevo basado en el conjunto de datos. Al
guardar el nuevo informe, se le pedirá que elija un área de trabajo, siempre que tenga
permisos de escritura para dicha área. Si no tiene permisos de escritura o si es un
usuario con una licencia gratuita y el conjunto de datos reside en un área de trabajo de
capacidad de Premium, el informe nuevo se guarda en Mi área de trabajo.
Escenario 2: Uso del conjunto de datos generado automáticamente y el menú de
acciones en el área de trabajo: en el área de trabajo de Power BI, navegue al conjunto de
datos generado automáticamente y seleccione el menú Más (…) para crear un informe
en el servicio Power BI.

Al seleccionar Más, se abre el lienzo de edición de informes con un informe nuevo

basado en el conjunto de datos. Al guardar el informe nuevo, se guardará en el área de
trabajo que contiene el conjunto de datos siempre que tenga permisos de escritura en
el área de trabajo. Si no tiene permisos de escritura o si es un usuario con una licencia
gratuita y el conjunto de datos reside en un área de trabajo de capacidad de Premium,
el informe nuevo se guarda en Mi área de trabajo.

Escenario 3: Uso del conjunto de datos generado automáticamente y la página de

detalles del conjunto de datos. En la lista de área de trabajo de Power BI, seleccione el
nombre del conjunto de datos generado automáticamente para ir a la página de
detalles del conjunto de datos, donde puede encontrar detalles sobre el conjunto de
datos y ver los informes relacionados. También puede crear un informe directamente en
esta página. Para más información sobre cómo crear un informe de este modo, consulte
Detalles del conjunto de datos.

En el centro de datos, verá los datamarts y sus conjuntos de datos generados

automáticamente asociados. Seleccione el datamart para ir a su página de detalles, en la
que puede ver los metadatos del datamart, las acciones admitidas, el linaje y el análisis
de impacto, junto con los informes relacionados creados a partir de dicho datamart. Los
conjuntos de datos generados automáticamente que derivan de los datamarts se
comportan igual que cualquier conjunto de datos.

Para encontrar el datamart, empiece en el centro de datos. En la imagen siguiente, se

muestra el centro de datos del servicio Power BI con la información numerada siguiente:

1. Seleccione un datamart para ver su página de detalles.

2. Seleccione el menú Más (…) para mostrar el menú de opciones.
3. Seleccione Detalles para ver un resumen de los detalles.
 

Creación de informes mediante Power BI

Desktop
Puede crear informes a partir de conjuntos de datos con Power BI Desktop mediante
una conexión dinámica al conjunto de datos. Para información sobre cómo establecer la
conexión, consulte Conexión a conjuntos de datos desde Power BI Desktop.

En el caso de situaciones avanzadas en las que desea agregar más datos o cambiar el
modo de almacenamiento, consulte Uso de modelos compuestos en Power BI Desktop.

Complete los pasos siguientes para conectarse a un datamart en Power BI Desktop:

1. Navegue a la configuración del datamart en el área de trabajo y copie la cadena de

conexión del punto de conexión de SQL.
2. En Power BI Desktop, seleccione el conector de SQL Server en la cinta de opciones
o en Obtener datos.
3. Pegue la cadena de conexión en el cuadro de diálogo del conector.
4. Para la autenticación, seleccione Cuenta organizativa.
5. Autentíquese mediante Azure Active Directory: MFA (tal como lo haría para
conectarse a Power BI).
6. Seleccione Conectar.
7. Seleccione los elementos de datos que desea incluir o no en el conjunto de datos.

Para más información, consulte Conexión a datos locales en SQL Server. No es necesario

configurar una puerta de enlace con datamarts para usarlos en Power BI.
Pasos siguientes
En este artículo, se proporciona información sobre cómo crear informes mediante
datamarts.

En los artículos siguientes encontrará más información sobre datamarts y Power BI:

Introducción a datamarts
Descripción de datamarts
Comenzar con datamarts
Análisis de datamarts
Control del acceso a datamarts
Administración de datamarts

Para más información sobre los flujos de datos y la transformación de datos, consulte
los artículos siguientes:

Introducción a los flujos de datos y la preparación de datos de autoservicio

Tutorial: Dar forma a los datos y combinarlos en Power BI Desktop
Control del acceso a datamarts
Artículo • 20/07/2023

En este artículo, se describe el control de acceso a los datamarts, incluida la Seguridad

de nivel de fila, las reglas de Power BI Desktop y cómo los datamarts pueden llegar a
estar inaccesibles o no disponibles.

Roles de área de trabajo

La asignación de usuarios a los distintos roles de área de trabajo proporciona las
siguientes funcionalidades con respecto a Datamarts:

Rol de área de Descripción

trabajo

Administrador Concede a los usuarios permisos para ingerir datos a través de un flujo de
datos, escribir consultas SQL y visuales, y actualizar el modelo o conjunto de
datos (crear relaciones, crear medidas, etc.)

Miembro Concede a los usuarios permisos para ingerir datos a través de un flujo de
datos, escribir consultas SQL y visuales, y actualizar el modelo o conjunto de
datos (crear relaciones, crear medidas, etc.)

Colaborador Concede a los usuarios permisos para ingerir datos a través de un flujo de
datos, escribir consultas SQL y visuales, y actualizar el modelo o conjunto de
datos (crear relaciones, crear medidas, etc.)

Visor Concede a los usuarios permisos para escribir consultas SQL y visuales y
acceder a la "vista modelo" en modo de solo lectura. Para obtener más
información, vea Restricciones de espectador.

Restricciones de espectador
El rol Espectador es un rol más limitado en comparación con los otros roles de área de
trabajo. Además de menos permisos de SQL concedidos a los espectadores, hay más
acciones que están restringidas.

Característica Limitación

Configuración Los espectadores tienen acceso de solo lectura, por lo que no

pueden cambiar el nombre de datamart, agregar descripción o
cambiar la etiqueta de confidencialidad.

Vista Modelo Los espectadores tienen el modo de solo lectura en la vista Modelo.
 Característica Limitación

Ejecución de consultas Los espectadores no tienen funcionalidades completas de DML/DDL,

a menos que se concedan específicamente. Los espectadores pueden
leer datos mediante la instrucción SELECT en el editor de consultas
SQL y usar todas las herramientas de la barra de herramientas en el
editor de consultas visuales. Los espectadores también pueden leer
datos de Power BI Desktop y otras herramientas de cliente SQL.

Analizar en Excel Los espectadores no tienen permiso para Analizar en Excel.

Actualizar conjunto de Los espectadores no pueden actualizar manualmente el conjunto de

datos manualmente datos predeterminado al que está conectado datamart.

Nueva medida Los espectadores no tienen permiso para crear medidas.

Vista de linaje Los espectadores no tienen acceso para leer el gráfico de vistas de
linaje.

Compartir/Administrar Los espectadores no tienen permiso para compartir datamarts con

permisos otros usuarios.

Crear un informe Los espectadores no tienen acceso para crear contenido en el área
de trabajo y, por tanto, no pueden crear informes sobre datamart.

Seguridad de nivel de fila

La Seguridad de nivel de fila (RLS) se puede usar para restringir el acceso a los datos de
usuarios específicos a un datamart. Los filtros restringen el acceso a los datos en el nivel
de fila y se pueden definir en roles. En el servicio Power BI, los miembros de un área de
trabajo tienen acceso a los datamarts del área de trabajo y RLS no restringe ese acceso a
los datos.

Puede configurar RLS para datamarts en el editor de datamarts. El RLS configurado en

datamarts se aplica automáticamente a los elementos de nivel inferior, incluidos los
conjuntos de datos y los informes generados automáticamente.

Definición de roles y reglas de Seguridad de nivel de fila

(RLS) para datamarts
Para definir roles de RLS, siga estos pasos:
1. Abra el datamart y seleccione Administrar roles en la cinta de opciones.

2. Cree nuevos roles de RLS en la ventana Configuración de seguridad de la fila.

Puede definir una combinación de filtros en las tablas y seleccionar Guardar para
guardar el rol.

3. Una vez guardado el rol, seleccione Asignar para agregar usuarios al rol. Una vez
asignado, seleccione Guardar para guardar las asignaciones del rol y cerrar el
cuadro de diálogo modal de configuración de RLS.
Para validar los roles creados, siga estos pasos:

1. Seleccione el botón Ver como en la cinta de opciones.

2. Seleccione el rol que se va a validar. Para ello, active la casilla del rol y elija
Aceptar.

3. La vista de datos muestra el acceso que tiene el rol seleccionado.

Para revertir al acceso, vuelva a seleccionar el botón Ver como en la cinta de opciones y
elija Ninguno.
Por qué los datamarts pueden dejar de estar
disponibles
Un datamart se puede marcar como datamart no disponible cuando se da alguna de las
siguientes situaciones.

Situación 1: cuando se cambia un área de trabajo Premium a no Premium, todos los

datamarts de esa área de trabajo dejan de estar disponibles. El editor de datamarts deja
de estar disponible y se bloquea el uso en sentido descendente de los datamarts y los
conjuntos de datos generados automáticamente. Los usuarios o administradores deben
actualizar el área de trabajo a su capacidad Premium original para restaurar los
datamarts.

Situación 2: cuando el flujo de datos actualiza un datamart y un conjunto de datos

asociado, pero, debido a un bloqueo del sistema, la actualización del conjunto de datos
o datamart se queda pendiente, el datamart deja de estar disponible. El editor de
datamarts no está accesible cuando un datamart deja de estar disponible. La acción
Intentar de nuevo, que se muestra en la imagen siguiente, permite a los usuarios
desencadenar la sincronización entre el flujo de datos, el datamart y el conjunto de
datos. La acción solicitada puede tardar unos minutos en completarse, pero el consumo
en sentido descendente puede continuar.
Situación 3: Cuando se migra un área de trabajo Premium a otra capacidad Premium en
otra región, datamart dejará de estar disponible con el error: "No se puede abrir
datamart porque la región del área de trabajo ha cambiado. Para abrir datamart, vuelva
a conectar el área de trabajo a la región conectada cuando se creó datamart". Este
comportamiento es por diseño, ya que la región donde se crearon los datamarts debe
ser la región donde reside el área de trabajo y no se admiten las migraciones.

Pasos siguientes
En este artículo, se proporciona información sobre cómo controlar el acceso a los
datamarts.

En los artículos siguientes, encontrará más información sobre los datamarts y Power BI:

Introducción a datamarts
Descripción de datamarts
Comenzar con datamarts
Análisis de datamarts
Creación de informes mediante datamarts
Administración de datamarts

Para más información sobre los flujos de datos y la transformación de datos, consulte
los artículos siguientes:

Introducción a los flujos de datos y la preparación de datos de autoservicio

Tutorial: Dar forma a los datos y combinarlos en Power BI Desktop
Administración de datamarts
Artículo • 18/07/2023

Puede administrar el uso y la configuración de datamarts tal como puede administrar

otros aspectos de Power BI. En este artículo, se describe y explica cómo administrar los
datamarts y dónde encontrar la configuración.

Habilitación de datamarts en el portal de

administración
Los administradores de Power BI pueden habilitar o deshabilitar la creación de la
organización entera o para grupos de seguridad específicos con la configuración que se
encuentra en el portal de administración de Power BI, tal como se muestra en la
imagen siguiente.

Seguimiento de los datamarts

En el portal de administración de Power BI, puede revisar una lista de datamarts junto
con todos los demás elementos de Power BI en cualquier área de trabajo, tal como se
muestra en la imagen siguiente.
Las API de administración de Power BI existentes para obtener información del área de
trabajo también funcionan para los datamarts, como GetGroupsAsAdmin y la API del
examinador del área de trabajo. Estas API le permiten, como administrador del servicio
Power BI, recuperar metadatos de los datamarts junto con otro tipo de información de
los elementos de Power BI, por lo que puede supervisar el uso del área de trabajo y
generar informes pertinentes.

Visualización de registros de auditoría y eventos de

actividad
Los administradores de Power BI pueden auditar las operaciones de datamart en el
Centro de administración de Microsoft 365. Las operaciones de auditoría compatibles
con los datamarts son las siguientes:

Crear
Cambiar nombre
Actualizar
Eliminar
Actualizar
Ver

Para obtener los registros de auditoría, complete estos pasos:

 1. Inicie sesión en el portal de administración de Power BI como administrador y vaya
a Registros de auditoría.

2. En la sección Registros de auditoría, seleccione el botón para ir al Centro de

administración de Microsoft 365

3. Aplique criterios de búsqueda para obtener los eventos de auditoría.

4. Exporte los registros de auditoría y aplique el filtro para las operaciones de

datamart.

Uso de las API REST para eventos de actividad

Los administradores pueden exportar eventos de actividad en datamarts mediante las
API REST admitidas existentes. En los artículos siguientes, se proporciona información
sobre las API:

Administración - Obtener eventos de actividad - API REST (Power BI API REST de

Power BI)
Seguimiento de actividades de usuario en Power BI
Uso de la capacidad e informes
El uso de la CPU por parte de los datamarts es gratis durante la versión preliminar,
incluidos los datamarts y las consultas en puntos de conexión SQL de un datamart. El
uso del conjunto de datos generado automáticamente se informa para la limitación y el
escalado automático. Para evitar incurrir en costos durante el período de versión
preliminar, considere la posibilidad de usar un área de trabajo de prueba Premium por
usuario (PPU).

Consideraciones y limitaciones
Al utilizar datamarts, debe tener en cuenta estas limitaciones:

Los datamarts no se admiten actualmente en las siguientes SKU de Power BI:

EM1/EM2 y EM3.
Los datamarts no están disponibles en áreas de trabajo enlazadas a una cuenta de
almacenamiento de Azure Data Lake Gen2.
Datamarts no están disponibles en nubes soberanas o gubernamentales.
Actualmente, las operaciones de extracción, transformación y carga (ETL) de los
datamarts solo se pueden ejecutar durante hasta 24 horas.
Los datamarts admiten actualmente volúmenes de datos de hasta 100 GB de
manera oficial.
Los datamarts no admiten actualmente el tipo de datos de moneda y los datos de
ese tipo se convierten en float.
Actualmente, los orígenes de datos que se encuentran detrás de una red virtual o
que utilizan vínculos privados no se pueden usar con los datamarts. Para evitar
esta limitación, puede usar una puerta de enlace de datos local.
Los datamarts usan el puerto 1948 para la conectividad con el punto de conexión
de SQL. El puerto 1433 debe estar abierto para que los datamarts funcionen.
Los datamarts solo admiten Microsoft Azure Active Directory (Azure AD) y en este
momento no admiten identidades administradas ni entidades de servicio.
A partir de febrero de 2023, los datamarts admiten cualquier cliente SQL.
Los datamarts no están disponibles en las regiones de Azure siguientes en este
momento:
Centro y Sur de Suecia
Oeste de la India
Centro de Emiratos Árabes Unidos
Japón Occidental

Se admiten en todas las demás regiones de Azure.

Conectores de datamart en áreas de trabajo Premium

Algunos conectores no se admiten para datamarts (o flujos de datos) en áreas de

trabajo Premium. Al usar un conector no compatible, puede recibir el siguiente error:
[Link]: La importación "<"nombre del conector">" no coincide con ninguna
exportación. ¿Perdió una referencia de módulo?

Los siguientes conectores no se admiten para flujos de datos y datamarts en áreas de

trabajo Premium:

Linkar
Actian
AmazonAthena
AmazonOpenSearchService
BIConnector
DataVirtuality
DenodoForPowerBI
Exasol
Foundry
Indexima
IRIS
JethroODBC
Kyligence
MariaDB
MarkLogicODBC
OpenSearchProject
QubolePresto
SingleStoreODBC
StarburstPresto
TibcoTdv

El uso de la lista anterior de conectores con flujos de datos o datamarts solo es

compatible con áreas de trabajo que no son Premium.

Pasos siguientes
En este artículo, se proporcionó información sobre la administración de datamarts.

En los artículos siguientes, encontrará más información sobre los datamarts y Power BI:

Introducción a datamarts
Descripción de datamarts
 Comenzar con datamarts
Análisis de datamarts
Creación de informes mediante datamarts
Control de acceso en datamarts

Para más información sobre los flujos de datos y la transformación de datos, consulte
los artículos siguientes:

Introducción a los flujos de datos y la preparación de datos de autoservicio

Tutorial: Dar forma a los datos y combinarlos en Power BI Desktop
Introducción a los flujos de datos y la
preparación de datos de autoservicio
Artículo • 25/04/2023

A medida que aumenta el volumen de datos, también se complica el desafío de limpiar

y transformar dichos datos en información accionable y con un formato correcto.
Queremos datos que estén listos para análisis, para rellenar objetos viduales, informes y
paneles, a fin de que podamos convertir los volúmenes de datos rápidamente en
información procesable. Con la preparación de los datos de autoservicio para los
macrodatos en Power BI, puede convertir los datos en información de Power BI con tan
solo unas acciones.

Cuándo usar los flujos de datos

Los flujos de datos están diseñados para admitir los siguientes escenarios:

Crear una lógica de transformación reutilizable que puedan compartir muchos

conjuntos de datos e informes en Power BI. Los flujos de datos promocionan la
reutilización de los elementos de datos subyacentes, lo que evita la necesidad de
crear conexiones independientes con los orígenes de datos locales o en la nube.

Conserve los datos en su propio almacenamiento de Azure Data Lake Gen 2, lo

que le permite exponerlos a otros servicios de Azure fuera de Power BI.
 Cree un único origen de verdad, mantenido a partir de datos sin procesar
mediante definiciones estándar del sector, que pueden trabajar con otros servicios
y productos en Power Platform. Fomentar la adopción mediante la eliminación del
acceso de los analistas a los orígenes de datos subyacentes.

Reforzar la seguridad en torno a los orígenes de datos subyacentes mediante la

exposición de datos a los creadores de informes en flujos de datos. Este enfoque
permite limitar el acceso a los orígenes de datos subyacentes, reducir la carga en
los sistemas de origen y proporciona a los administradores un control más preciso
sobre las operaciones de actualización de datos.

Si quiere trabajar con grandes volúmenes de datos y realizar ETL a escala, los flujos
de datos con Power BI Premium se escalan de forma más eficaz y proporcionan
más flexibilidad. Los flujos de datos admiten una amplia variedad de orígenes en la
nube y locales.

Puede usar Power BI Desktop y el servicio Power BI con los flujos de datos para crear
conjuntos de datos, informes, paneles y aplicaciones que usen Common Data Model. A
partir de estos recursos, puede obtener información sobre sus actividades
empresariales. La programación de actualizaciones de los flujos de datos se administra
directamente desde el área de trabajo en la que se creó el flujo de datos, al igual que los
conjuntos de datos.

７ Nota

Los flujos de datos en el servicio Power BI podrían no estar disponibles para todos
los clientes DoD del gobierno de Estados Unidos. Para obtener más información
sobre qué características están disponibles y cuáles no, consulte Disponibilidad de
características de Power BI para los clientes de la Administración Pública de
Estados Unidos.

Pasos siguientes
En este artículo se proporciona información general sobre la preparación de datos de
autoservicio para macrodatos en Power BI y las numerosas formas en que puede usarse.

En los artículos siguientes encontrará más información sobre los flujos de datos y
Power BI:

Creación de un flujo de datos

Configurar y consumir un flujo de datos
 Configuración del almacenamiento de flujo de datos para usar Azure Data Lake
Gen 2
Características prémium de flujos de datos
IA con flujos de datos
Consideraciones y limitaciones de flujos de datos
Procedimientos recomendados para flujos de datos
Escenarios de uso de Power BI: preparación de datos de autoservicio

Para más información sobre Common Data Service, puede leer su artículo de
introducción:

Introducción a Common Data Model

Creación de un flujo de datos
Artículo • 23/03/2023

Un flujo de datos es una colección de tablas que se crean y administran en las áreas de
trabajo del servicio Power BI. Una tabla es un conjunto de columnas que se usan para
almacenar datos, muy similar a una tabla en una base de datos. Puede agregar y editar
tablas en un flujo de datos, así como administrar las programaciones de actualización de
datos, directamente desde el área de trabajo en la que se creó el flujo de datos.

Para crear un flujo de datos, inicie el servicio Power BI en un explorador y luego

seleccione un área de trabajo (los flujos de datos no están disponibles en Mi área de
trabajo en el servicio Power BI) en el panel de navegación de la izquierda, como se
muestra en la siguiente pantalla. También puede crear un área de trabajo en el que crear
el flujo de datos.

Hay varias maneras de crear un flujo de datos o basarse en uno nuevo:

Creación de un flujo de datos mediante la definición de nuevas tablas

Creación de un flujo de datos mediante tablas vinculadas
Creación de un flujo de datos mediante una carpeta de CDM
Creación de un flujo de datos mediante la importación y la exportación

En las secciones siguientes se explora en detalle cada una de estas maneras de crear un
flujo de datos.
 ７ Nota

Los flujos de datos pueden ser creados por usuarios en un área de trabajo
Premium, por usuarios con una licencia Pro y por usuarios con una licencia
Premium por usuario (PPU).

Creación de un flujo de datos mediante la

definición de nuevas tablas
El uso de la opción Definición de nuevas tablas permite definir una nueva tabla y
conectarse a un nuevo origen de datos.

Al seleccionar un origen de datos, se le pedirá que proporcione la configuración de

conexión, incluida la cuenta que se debe utilizar al conectarse al origen de datos, como
se muestra en la siguiente imagen.
Una vez conectado, puede seleccionar qué datos desea utilizar para la tabla. Al elegir
datos y un origen, Power BI se vuelve a conectar al origen de datos. La reconexión
mantiene los datos en el flujo de datos actualizado con la frecuencia que seleccione más
adelante en el proceso de instalación.

Después de seleccionar los datos para usarlos en la tabla, puede usar el editor de flujo
de datos para dar forma o transformar datos en el formato necesario para su uso en el
flujo de datos.

Creación de un flujo de datos mediante tablas

vinculadas
La creación de un flujo de datos mediante tablas vinculadas permite hacer referencia a
una tabla existente, definida en otro flujo de datos, en modo de solo lectura. En la lista
siguiente se describen algunas de las razones por las que podría interesarle optar por
este enfoque:

Si quiere reutilizar una tabla en varios flujos de datos, como una tabla de fecha o
de búsqueda estática, debe crear una tabla una vez y, luego, hacer referencia a ella
en los demás flujos de datos.

Si quiere evitar la creación de varias actualizaciones en un origen de datos, es

mejor usar tablas vinculadas para que almacenen los datos y actúen como caché.
Esto permite a los consumidores subsiguientes usar esa tabla, lo que reduce la
carga en el origen de datos subyacente.

Si necesita realizar una combinación entre dos tablas.

７ Nota

Las tablas vinculadas solo están disponibles con Power BI Premium.

Creación de un flujo de datos mediante una

tabla calculada
La creación de un flujo de datos mediante una tabla calculada permite hacer referencia
a una tabla vinculada y realizar operaciones sobre ella en modo de solo escritura. El
resultado es una nueva tabla, que forma parte del flujo de datos. Hay dos maneras de
convertir una tabla vinculada en una tabla calculada. Puede crear una nueva consulta a
partir de una operación de combinación. O bien, si desea editar o transformar la tabla,
puede crear una referencia o duplicarla.

Creación de tablas calculadas

Después de disponer de un flujo de datos con una lista de tablas, puede realizar cálculos
en esas tablas.
En la herramienta de creación de flujos de datos del servicio Power BI,
seleccione Editar tablas, haga clic con el botón derecho en la tabla que desea usar
como base para la tabla calculada y en la que desea realizar cálculos. En el menú
contextual, elija Referencia.
Para que la tabla pueda actuar como una tabla calculada, la
opción Habilitar carga debe estar marcada, como se muestra en la imagen siguiente.
Haga clic con el botón derecho en la tabla para mostrar este menú contextual.

Al seleccionar Habilitar carga, se crea una tabla cuyo origen es la tabla a la que se hace
referencia. El icono cambia y se muestra como calculada, según se muestra en la
imagen siguiente.

Las transformaciones que se realizan en la tabla recién creada se ejecutan en los datos
que ya residen en el almacenamiento del flujo de datos de Power BI. Esto significa que
la consulta no se ejecutará en el origen de datos externo desde el que se importaron los
datos, como los datos extraídos de la base de datos SQL. En su lugar, la consulta se
realiza en los datos que residen en el almacenamiento del flujo de datos.

Casos de uso de ejemplo

¿Qué tipo de transformaciones se pueden realizar con tablas calculadas? Todas las
transformaciones que suelen especificarse mediante la interfaz de usuario de
transformaciones en Power BI o en el editor de M se admiten para realizar cálculos en
almacenamiento.

Considere el siguiente ejemplo: tiene una tabla Cuenta que contiene los datos sin
procesar de todos los clientes de la suscripción de Dynamics 365. También tiene datos
sin procesar ServiceCalls del centro de servicio, con los datos de las llamadas de soporte
técnico que se realizaron desde una cuenta diferente cada día del año.

Imagine que quiere enriquecer la tabla Cuenta con datos de ServiceCalls.

En primer
lugar, debe agregar los datos de ServiceCalls para calcular el número de llamadas de
soporte técnico que se realizaron para cada cuenta en el último año.

A continuación, es recomendable combinar la tabla Cuenta con la tabla

ServiceCallsAggregated para calcular la tabla enriquecida Cuenta.
Y, después, puede ver los resultados, como se muestra en EnrichedAccount en la imagen
siguiente.

Y eso es todo: la transformación se realiza en los datos del flujo de datos que reside en
la suscripción de Power BI Premium, no en los datos del origen.

７ Nota

Las tablas calculadas son una característica exclusiva de Premium

Creación de un flujo de datos mediante una
carpeta de CDM
La creación de un flujo de datos desde una carpeta de CDM permite hacer referencia a
una tabla escrita por otra aplicación en el formato Common Data Model (CDM). Se le
pedirá que proporcione la ruta de acceso completa al archivo de formato CDM
almacenado en ADLS Gen 2.

Hay algunos requisitos para la creación de flujos de datos desde las carpetas de CDS,
como se describe en la lista siguiente:

La cuenta de ADLS Gen 2 debe tener configurados los permisos adecuados para
que PBI acceda al archivo.

La cuenta de ADLS Gen 2 debe ser accesible para el usuario que intenta crear el
flujo de datos.

La dirección URL debe ser una ruta de acceso directa al archivo JSON y usar el
punto de conexión de ADLS Gen 2; [Link] no se admite (ejemplo:
[Link] ).
Creación de un flujo de datos mediante la
importación y la exportación
La creación de un flujo de datos mediante la importación y la exportación permite
importar un flujo de datos de un archivo. Esta herramienta resulta útil si quiere guardar
una copia del flujo de datos sin conexión o trasladar un flujo de datos de un área de
trabajo a otra.

Para exportar un flujo de datos, elija el que ha creado y seleccione el elemento de menú
Más (los puntos suspensivos) para expandir las opciones. Luego, seleccione Exportar
.json. Se le pedirá que inicie la descarga del flujo de datos representado en formato
CDM.

Para importar un flujo de datos, seleccione el cuadro para importar y cargue el archivo.
Power BI crea el flujo de datos automáticamente y le permite guardarlo tal cual, o bien
realizar otras transformaciones.

Pasos siguientes
Al colocar los datos en un flujo de datos, puede usar Power BI Desktop y el servicio
Power BI para crear conjuntos de datos, informes, paneles y aplicaciones. Estos nuevos
recursos pueden proporcionarle información sobre sus actividades empresariales. En los
siguientes artículos se ofrecen más detalles sobre escenarios de uso común de los flujos
de datos:

Introducción a los flujos de datos y la preparación de datos de autoservicio

Configurar y consumir un flujo de datos
Configuración del almacenamiento de flujo de datos para usar Azure Data Lake
Gen 2
Características prémium de flujos de datos
IA con flujos de datos
Consideraciones y limitaciones de flujos de datos
Procedimientos recomendados para flujos de datos
Configurar y consumir un flujo de datos
Artículo • 17/07/2023

Con los flujos de datos, puede unificar los datos de varios orígenes y preparar los datos
unificados para el modelado. Siempre que cree un flujo de datos, se le pedirá que
actualice los datos del flujo. Es necesario actualizar un flujo de datos para que se pueda
consumir en un conjunto de datos en Power BI Desktop, o bien para que se pueda hacer
referencia a él como una tabla vinculada o calculada.

７ Nota

Los flujos de datos no están disponibles en el servicio Power BI para los clientes del
DoD de la Administración Pública de Estados Unidos. Para obtener más
información sobre qué características están disponibles y cuáles no, consulte
Disponibilidad de características de Power BI para los clientes de la
Administración Pública de Estados Unidos.

Configuración de un flujo de datos

Para configurar la actualización de un flujo de datos, seleccione el menú Más opciones
(los puntos suspensivos) y elija Configuración.
Las opciones de Configuración ofrecen diversas alternativas para el flujo de datos,
como se describe en las secciones siguientes.
 Tomar posesión: si usted no es el propietario del flujo de datos, muchas de estas
opciones estarán deshabilitadas. Para tomar posesión del flujo de datos, seleccione
Tomar control para encargarse de controlarlo. Se le pedirá que proporcione
credenciales para asegurarse de que cuenta con el nivel de acceso necesario.

Conexión de puerta de enlace: en esta sección, puede elegir si el flujo de datos

usa una puerta de enlace y seleccionar qué puerta de enlace se usa. Si has
especificado la puerta de enlace como parte del flujo de datos de edición, al tomar
posesión, es posible que tengas que actualizar las credenciales mediante la opción
editar flujo de datos.

Credenciales del origen de datos: en esta sección, se eligen las credenciales que
se usan y se puede cambiar la forma de autenticarse en el origen de datos.

Etiqueta de confidencialidad: aquí puede definir la confidencialidad de los datos

del flujo de datos. Para obtener más información sobre las etiquetas de
confidencialidad, vea Aplicación de etiquetas de confidencialidad en Power BI.

Actualización programada: aquí puede definir a qué horas del día se actualiza el
flujo de datos seleccionado. Un flujo de datos se puede actualizar con la misma
frecuencia que un conjunto de datos.

Configuración mejorada del motor de proceso: aquí puede definir si el flujo de

datos se almacena en el motor de proceso. El motor de proceso permite que los
flujos de datos posteriores, que hacen referencia a este flujo de datos, realicen
fusiones, combinaciones y otras transformaciones más rápido. También permite el
uso de DirectQuery en el flujo de datos. Al seleccionar Activar, se garantiza que el
flujo de datos se admita siempre en el modo DirectQuery, de modo que todas las
referencias se benefician del motor. Al seleccionar Optimizado, el motor solo se
usa si hay una referencia a este flujo de datos. Al seleccionar Desactivar, se
deshabilita el motor de proceso y la función DirectQuery para este flujo de datos.

Aprobación: puede definir si el flujo de datos está certificado o promovido.

７ Nota

Los usuarios con una licencia Pro o Premium por usuario (PPU) pueden crear un
flujo de datos en un área de trabajo Premium.

Ｕ Precaución
 Si se elimina un área de trabajo que contiene flujos de datos, también se eliminan
todos los flujos de datos de esa área de trabajo. Incluso si es posible la
recuperación del área de trabajo, no puede recuperar flujos de datos eliminados, ya
sea directamente o a través del soporte técnico de Microsoft.

Actualización de un flujo de datos

Los flujos de datos actúan como bloques de creación que se colocan unos sobre otros.
Supongamos que tiene un flujo de datos denominado Datos sin procesar y una tabla
vinculada denominada Datos transformados que contiene una tabla vinculada a Datos
sin procesar. Cuando se desencadena la actualización programada para el flujo llamado
Datos sin procesar, se desencadenan todos los flujos de datos que hacen referencia a
este una vez finalizada. Esta funcionalidad crea un efecto en cadena de actualizaciones,
lo que le evita tener que programar flujos de datos manualmente. Hay algunos matices
que deben tenerse en cuenta cuando se trabaja con actualizaciones de tablas
vinculadas:

Una actualización desencadenará una tabla vinculada solo si existe en la misma

área de trabajo.

Si se actualiza una tabla de origen o se cancela la actualización de la tabla de

origen, no se podrá editar una tabla vinculada. Si alguno de los flujos de datos de
una cadena de referencia no puede actualizarse, todos los flujos de datos se
revertirán a los datos antiguos (las actualizaciones de flujos de datos son
transaccionales dentro de un área de trabajo).

Únicamente se actualizan las tablas a las que se hace referencia cuando se

desencadenan como consecuencia de la finalización de una actualización de
origen. Para programar todas las tablas, debe establecer también una actualización
programada en la tabla vinculada. Evite establecer una programación de la
actualización en los flujos de datos vinculados para evitar una actualización doble.

Cancelar actualización: los flujos de datos admiten la posibilidad de cancelar una

actualización, a diferencia de los conjuntos de datos. Si una actualización se ejecuta
durante mucho tiempo, puede seleccionar Más opciones (puntos suspensivos junto al
flujo de datos) y, luego, elegir Cancelar actualización.

Actualización incremental (solo Premium): los flujos de datos también se pueden

establecer para que se actualicen de manera incremental. Para ello, seleccione el flujo de
datos que quiere configurar para la actualización incremental y, después, haga clic en el
icono Actualización incremental.
Al establecer la actualización incremental, se agregan parámetros al flujo de datos para
especificar el intervalo de fechas. Para obtener información detallada sobre cómo
configurar la actualización incremental, consulte Uso de actualización incremental con
flujos de datos.

Hay algunas circunstancias en las que no se debe establecer la actualización

incremental:

Las tablas vinculadas no deben usar la actualización incremental si hacen

referencia a un flujo de datos. Los flujos de datos no admiten el plegado de
consultas (incluso si la tabla está habilitada para DirectQuery).

Los conjuntos de datos que hacen referencia a flujos de datos no deben usar la
actualización incremental. Las actualizaciones de los flujos de datos suelen
optimizar el rendimiento, por lo que las actualizaciones incrementales no deberían
ser necesarias. Si las actualizaciones tardan demasiado, considere la posibilidad de
usar el motor de proceso o el modo DirectQuery.

Consumo de un flujo de datos

Un flujo de datos se puede consumir de las tres maneras siguientes:

Crear una tabla vinculada desde el flujo de datos para permitir que otro autor de
flujo de datos use los datos.

Crear un conjunto de datos desde el flujo de datos para permitir que un usuario
emplee los datos para crear informes.

Crear una conexión desde herramientas externas que pueden leer el formato CDM
(Common Data Model).

Consumo desde Power BI Desktop: para consumir un flujo de datos, abra Power BI
Desktop y seleccione flujos de datos de Power BI en el cuadro de diálogo Obtener
datos.

７ Nota
 El conector de flujos de datos de Power BI usa un conjunto de credenciales
diferentes a las del usuario que ha iniciado sesión actualmente. Esto es así por
diseño, para admitir usuarios de varios inquilinos.

Seleccione el flujo de datos y las tablas a las que quiere conectarse.

７ Nota

Puede conectarse a cualquier flujo de datos o tabla, independientemente del área

de trabajo en la que resida y de si se definió en un área de trabajo Premium o no
Premium.
Si DirectQuery está disponible, se le pedirá que elija si quiere conectarse a las tablas
mediante DirectQuery o Importar.

En el modo DirectQuery, puede interrogar rápidamente conjuntos de datos a gran

escala de forma local. Sin embargo, no se pueden realizar más transformaciones.

El uso de Importar incorpora los datos a Power BI y es necesario que el conjunto de

datos se actualice de forma independiente al flujo de datos.

Pasos siguientes
En los artículos siguientes encontrará más información sobre los flujos de datos y
Power BI:

Introducción a los flujos de datos y la preparación de datos de autoservicio

Creación de un flujo de datos
Configuración del almacenamiento de flujo de datos para usar Azure Data Lake
Gen 2
Características prémium de flujos de datos
IA con flujos de datos
Consideraciones y limitaciones de flujos de datos
Procedimientos recomendados para flujos de datos
Configuración de cargas de trabajo de
flujo de datos de Power BI Premium
Artículo • 29/03/2023

Puede crear cargas de trabajo de flujo de datos en su suscripción de Power BI Premium.

Power BI usa el concepto de cargas de trabajo para describir el contenido de Premium.
Las cargas de trabajo incluyen conjuntos de datos, informes paginados, flujos de datos e
IA. La carga de trabajo de flujos de datos permite usar la preparación de datos de
autoservicio de flujos de datos para ingerir, transformar, integrar y enriquecer los datos.
Los flujos de datos de Power BI Premium se administran en el Portal de administración.

En las secciones siguientes se describe cómo habilitar flujos de datos en su organización

y cómo refinar la configuración de una capacidad Premium; además, se proporcionan
instrucciones para el uso común.

Habilitación de flujos de datos en Power BI

Premium
El primer requisito para usar flujos de datos en su suscripción de Power BI Premium es
habilitar la creación y el uso de flujos de datos para su organización. En el Portal de
administración, seleccione Configuración de inquilinos y cambie el control deslizante
que hay en Configuración de flujo de datos a Habilitado, tal como se muestra en la
siguiente imagen.

Después de habilitar la carga de trabajo de flujos de datos, se configura con los valores
predeterminados. Es posible que quiera modificar estos valores según le parezca
adecuado. Después, describiremos las opciones de configuración y dónde se activan, y
le ayudaremos a comprender cuándo podría querer cambiar los valores para optimizar
el rendimiento del flujo de datos.

Ajuste de la configuración del flujo de datos en

Premium
Una vez que se han habilitado los flujos de datos, puede usar el Portal de
administración para cambiar o refinar el modo en que se crean los flujos de datos y
cómo se usan los recursos en su suscripción de Power BI Premium. Power BI Premium
no requiere cambiar la configuración de la memoria. El sistema subyacente administra
automáticamente la memoria de Power BI Premium. En los pasos siguientes se muestra
cómo ajustar la configuración del flujo de datos.

1. En el Portal de administración, seleccione Configuración de inquilinos para

obtener una lista de todas las capacidades que se han creado. Seleccione una
capacidad para administrar su configuración.
 2. La capacidad de Power BI Premium refleja los recursos disponibles para los flujos
de datos. Puede cambiar el tamaño de la capacidad seleccionando el botón
Cambiar el tamaño, tal como se muestra en la imagen siguiente.

SKU de capacidad Premium: escalado vertical del hardware

Las cargas de trabajo de Power BI Premium usan núcleos virtuales para atender
consultas rápidas en los distintos tipos de cargas de trabajo. En el artículo Capacidades
y SKU se incluye un gráfico que muestra las especificaciones actuales en cada una de las
ofertas de cargas de trabajo disponibles. Las capacidades de A3 y de tamaño superior
pueden aprovechar las ventajas del motor de proceso, así que cuando quiera usar el
motor de proceso mejorado, empiece allí.

Motor de proceso mejorado: una oportunidad para la mejora del

rendimiento

El motor de proceso mejorado es un motor que puede acelerar las consultas. Power BI
usa un motor para procesar las consultas y las operaciones de actualización. El motor de
proceso mejorado es una mejora del motor estándar y funciona cargando datos en una
caché de SQL. Usa SQL para acelerar la transformación de tablas y actualizar
operaciones; también permite la conectividad de DirectQuery. Cuando se configura en
Activado o Optimizado para entidades calculadas, si la lógica empresarial lo permite,
Power BI usa SQL para acelerar el rendimiento. Tener el motor Activado también
proporciona conectividad de DirectQuery. Asegúrate de que el uso del flujo de datos
aprovecha correctamente el motor de proceso mejorado. Los usuarios pueden
configurar el motor de proceso mejorado para que esté activado, optimizado o
desactivado por flujo de datos.

７ Nota

El motor de proceso mejorado todavía no está disponible en todas las regiones.

Instrucciones para escenarios comunes

En esta sección se proporcionan instrucciones para escenarios comunes al usar cargas
de trabajo de flujos de datos con Power BI Premium.

Tiempos de actualización lentos

Los tiempos de actualización lentos suelen ser una incidencia del paralelismo. Debe
revisar las opciones siguientes, en orden:

1. Un concepto clave para los tiempos de actualización lentos es la naturaleza de la

preparación de datos. Siempre que sea posible, debes optimizar los tiempos de
actualización lentos y aprovechar el origen de datos, que realmente es el que
realiza la preparación y la lógica de consulta inicial. En concreto, al utilizar una base
de datos relacional, por ejemplo, SQL como el origen, vea si la consulta inicial se
puede ejecutar en el origen y use esa consulta de origen del flujo de datos de
extracción inicial para el origen de datos. Si no puede utilizar una consulta nativa
en el sistema de origen, realice operaciones que el motor de flujos de datos pueda
doblar en el origen de datos.

2. Evalúe la distribución de los tiempos de actualización en la misma capacidad. Las

operaciones de actualización requieren un proceso considerable. Usando la
analogía del restaurante, la distribución de los tiempos de actualización sería como
limitar el número de invitados del restaurante. Del mismo modo que los
restaurantes programarán los invitados y planearán la capacidad, también querrá
tener en cuenta las operaciones de actualización en los momentos en los que el
 uso no esté en su capacidad máxima. Puede contribuir considerablemente en
aliviar la presión sobre la capacidad.

Si los pasos de esta sección no proporcionan el grado de paralelismo deseado,

considere la posibilidad de actualizar la capacidad a una SKU superior. Después, siga de
nuevo los pasos de esta secuencia.

Uso del motor de proceso para mejorar el rendimiento

Lleva a cabo los siguientes pasos para permitir que las cargas de trabajo activen el
motor de cómputo y siempre mejoren el rendimiento:

Para entidades calculadas y vinculadas en la misma área de trabajo:

1. Para la ingesta, céntrese en obtener los datos en el almacenamiento lo más rápido

posible, usando filtros solo si reducen el tamaño total del conjunto de datos. Un
procedimiento recomendado es mantener la lógica de transformación
independiente de este paso y permitir que el motor se centre en la recopilación
inicial de los ingredientes. A continuación, separe la transformación y la lógica
empresarial en un flujo de datos independiente en la misma área de trabajo,
utilizando entidades vinculadas o calculadas. Esto permite que el motor active y
acelere los cálculos. Tu lógica debe prepararse por separado para poder
aprovechar el motor de proceso.

2. Asegúrese de realizar las operaciones que doblan, como combinaciones,

conversiones y otras.

3. Crear flujos de datos dentro de las instrucciones y limitaciones publicadas.

También puede usar DirectQuery.

El motor de proceso está activado pero el rendimiento es

lento
Siga los pasos que hay a continuación al investigar escenarios en los que el motor de
proceso está activado, pero observa un rendimiento más lento:

1. Limite las entidades calculadas y vinculadas que existen en toda el área de trabajo.

2. Cuando realice la actualización inicial con el motor de proceso activado, los datos
se escriben en el lago y en la caché. Esta doble escritura significa que estas
actualizaciones serán más lentas.
 3. Si tiene un flujo de datos vinculado a varios flujos de datos, asegúrese de
programar las actualizaciones de los de los orígenes para que no se actualicen
todas al mismo tiempo.

Pasos siguientes
En los artículos siguientes encontrará más información sobre los flujos de datos y
Power BI:

Introducción a los flujos de datos y la preparación de datos de autoservicio

Creación de un flujo de datos
Configurar y consumir un flujo de datos
Configuración del almacenamiento de flujo de datos para usar Azure Data Lake
Gen 2
IA con flujos de datos
Consideraciones y limitaciones de flujos de datos
Configuración del almacenamiento de
flujo de datos para usar Azure Data Lake
Gen 2
Artículo • 02/06/2023

Los datos que se usan con Power BI se almacenan en el almacenamiento interno

proporcionado por Power BI de forma predeterminada. Con la integración de flujos de
datos y Azure Data Lake Storage Gen 2 (ADLS Gen 2), puede almacenar los flujos de
datos en la cuenta de Azure Data Lake Storage Gen 2 de su organización. Esta
característica le permite básicamente "traer su propio almacenamiento" a los flujos de
datos de Power BI y establecer una conexión en el nivel de inquilino o de área de
trabajo.

Razones para usar el área de trabajo o la

conexión de inquilino de ADLS Gen2
Después de adjuntar el flujo de datos, Power BI configura y guarda una referencia para
que pueda leer y escribir datos en su propio ADLS Gen2. Power BI almacena los datos en
formato CDM (Common Data Model), que captura los metadatos sobre los datos,
además de los datos reales generados por el propio flujo de datos. Esta característica
desbloquea muchas funcionalidades eficaces y permite que los datos y metadatos
asociados en formato CDM ofrezcan ahora escenarios de extensibilidad, automatización,
supervisión y copia de seguridad. Al hacer que estos datos estén disponibles y sean
ampliamente accesibles en su propio entorno, puede democratizar las percepciones y
los datos creados dentro de su organización. También se pone de manifiesto la
posibilidad de crear soluciones adicionales de complejidad variable. Las soluciones
pueden ser aplicaciones y soluciones personalizadas compatibles con CDM en Power
Platform y Azure, y las disponibles mediante ecosistemas de asociados y proveedores de
software independientes (ISV). También, puede crear una aplicación para leer un archivo
CSV. Los ingenieros de datos, científicos de datos y analistas pueden trabajar ahora con
un conjunto común de datos mantenido en ADLS Gen2, usarlo y reutilizarlo.

Hay dos maneras de configurar qué almacén de ADLS Gen2 se va a usar: puede usar una
cuenta de ADLS Gen2 asignada al inquilino o bien traer su propio almacén de ADLS
Gen2 de nivel de área de trabajo.

Requisitos previos
 Para traer su propia cuenta de ADLS Gen2, debe tener permisos de Propietario en
la capa de la cuenta de almacenamiento. Los permisos en el nivel de grupo de
recursos o suscripción no funcionarán. Si es administrador, sigue teniendo que
asignarse a sí mismo permiso de propietario. En estos momentos no se admiten
las cuentas de almacenamiento de ADLS Gen2 ubicadas tras un firewall.

La cuenta de almacenamiento se debe crear con el espacio de nombres jerárquico

habilitado.

La cuenta de almacenamiento debe crearse en el mismo inquilino de Azure Active

Directory (Azure AD) que el inquilino de Power BI.

El usuario debe tener el rol Propietario de datos de Storage Blob, el rol Lector de
datos de Storage Blob y un rol de propietario en el nivel de cuenta de
almacenamiento (el ámbito debe ser este recurso y no heredado). Los cambios de
rol aplicados pueden tardar unos minutos en sincronizarse, y deben estar
sincronizados para que se puedan completar los pasos siguientes en el servicio
Power BI.

La región de inquilino del área de trabajo de Power BI debe ser la misma que la
región de la cuenta de almacenamiento.

Se necesita TLS (seguridad de la capa de transporte), versión 1.2 (o posterior), para

proteger los puntos de conexión. Los exploradores web y otras aplicaciones cliente
que utilizan versiones de TLS anteriores a TLS 1.2 no podrán conectarse.

No se admite la asociación de un flujo de datos con ADLS Gen 2 detrás de la

autenticación multifactor (MFA).

Por último, puede conectarse a cualquier instancia de ADLS Gen2 desde el portal
de administración, pero si se conecta directamente a un área de trabajo, debe
asegurarse primero de que no haya flujos de datos en el área de trabajo.

７ Nota

Traiga su propio almacenamiento (Azure Data Lake Gen 2) no está disponible en el

servicio Power BI para los clientes de GCC de la Administración Pública de Estados
Unidos. Para obtener más información sobre qué características están disponibles y
cuáles no, consulte Disponibilidad de características de Power BI para los clientes
de la Administración Pública de Estados Unidos.

En la tabla siguiente se describen los permisos para ADLS y Power BI necesarios para
ADLS Gen2y Power BI:
 Acción Permisos Permisos mínimos
de ADLS de Power BI

Conectar ADLS Gen2 al inquilino de Power BI Propietario Administrador de

Power BI

Conectar ADLS Gen2al área de trabajo Propietario Administrador del

área de trabajo

Crear flujos de datos de Power BI escribiendo de nuevo en No Colaborador del área

la cuenta de ADLS conectada aplicable de trabajo

Consumir flujo de datos de Power BI No Visor del área de

aplicable trabajo

Conexión a una instancia de Azure Data Lake

Gen2 en un nivel de área de trabajo
Vaya a un área de trabajo que no tenga flujos de datos. Seleccione Configuración del
área de trabajo. Seleccione la pestaña Conexiones de Azure y, después, elija la sección
Almacenamiento.

Si el administrador ya ha configurado una cuenta de ADLS Gen2 asignada al inquilino, la

opción Usar la conexión predeterminada de Azure estará visible. Tiene dos opciones:
 Usar la cuenta de ADLS Gen2 configurada para un inquilino mediante la selección
del cuadro denominado Usar la conexión predeterminada de Azure.
Seleccionar Conectarse a Azure para apuntar a una nueva cuenta de Azure
Storage.

Al seleccionar Conectarse a Azure, Power BI recupera una lista de las suscripciones de

Azure a las que se tiene acceso. Rellene las listas desplegables. A continuación, elija una
suscripción y un grupo de recursos de Azure válidos, así como una cuenta de
almacenamiento que tenga habilitada la opción de espacio de nombres jerárquico, que
es la marca de ADLS Gen2. La cuenta personal para conectarse a Azure solo se usa una
vez a fin de establecer la conexión inicial y conceder los derechos para leer y escribir
datos a la cuenta de servicio de Power BI. Después de ello, la cuenta de usuario original
ya no es necesaria para mantener la conexión activa.
Cuando tenga su selección, haga clic en Guardar y tendrá conectada correctamente su
área de trabajo a su propia cuenta de ADLS Gen2. Power BI configura automáticamente
la cuenta de almacenamiento con los permisos necesarios y configura el sistema de
archivos de Power BI en el que se escribirán los datos. En este momento, todos los datos
del flujo de datos de esta área de trabajo se escribirán directamente en este sistema de
archivos, que se puede usar con otros servicios de Azure. Ahora tiene un único origen
para todos los datos de organización o departamento.

Configuración de conexiones de Azure

La configuración de conexiones de Azure es un valor opcional con propiedades
adicionales que se pueden establecer opcionalmente:

Almacenamiento de nivel de inquilino, que permite establecer un valor

predeterminado, o
Almacenamiento de nivel de área de trabajo, que permite especificar la conexión
por área de trabajo.

Opcionalmente, puede configurar el almacenamiento de nivel de inquilino si quiere usar

solo un lago de datos centralizado o bien si quiere que este almacenamiento sea la
opción predeterminada. No empezamos automáticamente usando el valor
predeterminado para permitir flexibilidad en su configuración, por lo que tiene libertad
para configurar las áreas de trabajo que emplean esta conexión como mejor le parezca.
Si configura una cuenta de ADLS Gen2 asignada al inquilino, tendrá que configurar cada
área de trabajo para usar esta opción predeterminada.

Opcionalmente, o además de la opción anterior, puede configurar los permisos de

almacenamiento de nivel de área de trabajo como una opción independiente, lo que
proporciona flexibilidad total para establecer una cuenta específica de ADLS Gen2 en
función del área de trabajo.

En resumen, si se permiten permisos de almacenamiento de nivel de inquilino y de nivel

de área de trabajo, los administradores del área de trabajo podrán usar opcionalmente
la conexión ADLS predeterminada u optar por configurar otra cuenta de
almacenamiento independiente del valor predeterminado. Si no se establece el
almacenamiento de inquilinos, los administradores del área de trabajo pueden
configurar opcionalmente cuentas de ADLS basadas en el área de trabajo. Por último, si
se selecciona el almacenamiento de nivel de inquilino y no se permite el
almacenamiento de nivel de área de trabajo, los administradores del área de trabajo
pueden configurar opcionalmente sus flujos de datos para usar esta conexión.

Estructura y formato de las conexiones del área

de trabajo de ADLS Gen2
En la cuenta de almacenamiento de ADLS Gen2, todos los flujos de datos se almacenan
en el contenedor powerbi del sistema de archivos.

La estructura del contenedor powerbi tiene este aspecto: <workspace name>/<dataflow

name>/[Link] , <workspace name>/<dataflow name>/[Link]/<all

snapshots> y <workspace name>/<dataflow name>/<table name>/<tablesnapshots>

La ubicación donde los flujos de datos almacenan datos en la jerarquía de carpetas de
ADLS Gen2 viene determinada es la misma tanto si el área de trabajo se encuentra en
capacidad compartida como en capacidad Premium.

En el ejemplo siguiente se usa la tabla Orders del ejemplo Northwind Odata.

En la imagen anterior:

El archivo [Link] es la versión más reciente del flujo de datos.

El archivo [Link] son todas versiones anteriores del flujo de datos.
Este historial resulta útil si necesita una versión anterior de mashup o una
configuración incremental.
La tablename es la carpeta que contiene los datos resultantes una vez finalizada la
actualización del flujo de datos.

Solo escribimos en esta cuenta de almacenamiento y no eliminamos datos actualmente.

Así que, incluso después de la desasociación, no se eliminarán de la cuenta de ADLS, por
lo que todos los archivos mencionados en la lista anterior todavía están almacenados.

７ Nota

Los flujos de datos permiten vincular o hacer referencia a tablas en otros flujos de
datos. En estos flujos de datos, el archivo [Link] puede hacer referencia a otro
[Link] de otro flujo de datos en la misma área de trabajo o en otra.

Mover archivos entre o dentro de las cuentas

de almacenamiento de ADLS Gen 2
Al mover un flujo de datos de una cuenta de almacenamiento de ADLS Gen2 a otra,
debe asegurarse de que las rutas de acceso del archivo [Link] se actualizan para
reflejar la nueva ubicación. Esto se debe a que el archivo [Link] contiene la ruta de
acceso al flujo de datos y la ruta de acceso a los datos. Si no actualiza las rutas de
acceso, el flujo de datos no podrá encontrar los datos y provocará errores de permiso.
Para actualizar las rutas de acceso, puede seguir estos pasos:

Abra el archivo de [Link] con un editor de texto.

Busque la dirección URL de la cuenta de almacenamiento y reemplácela por la
nueva dirección URL de la cuenta de almacenamiento.
Guarde el archivo.
Sobrescriba el archivo [Link] existente en la cuenta de almacenamiento de
ADLS Gen2.

Extensibilidad de las conexiones del área de

trabajo de ADLS Gen2
Si va a conectar ADLS Gen2 a Power BI, puede hacerlo a nivel de área de trabajo o de
inquilino. Asegúrese de que tiene el nivel de acceso correcto. Obtenga más información
en Requisitos previos.

La estructura de almacenamiento se ajusta al formato de Common Data Model. Para

más información sobre la estructura de almacenamiento y CDM, consulte ¿Cuál es la
estructura de almacenamiento para flujos de datos analíticos? y Uso de Common Data
Model y Azure Data Lake Storage Gen2.

Cuando esté configurado correctamente, los datos y los metadatos estarán bajo su
control. Muchas aplicaciones son compatibles con CDM y los datos se pueden ampliar
mediante Azure, PowerApps y PowerAutomate. También puede usar ecosistemas de
terceros, ya sea ajustándose al formato o leyendo los datos sin procesar.

Desasociación de Azure Data Lake Gen 2 de un

área de trabajo o un inquilino
Para quitar una conexión de nivel de área de trabajo, primero debe asegurarse de que
se eliminen todos los flujos de datos del área de trabajo. Cuando se hayan quitado
todos los flujos de datos, seleccione Desconectar en la configuración del área de
trabajo. Lo mismo se aplica a los inquilinos, pero primero debe asegurarse de que todas
las áreas de trabajo se hayan desconectado también de la cuenta de almacenamiento
del inquilino para poder desconectarse a nivel de inquilino.

Deshabilitación de Azure Data Lake Gen 2

En el portal de administración, en flujos de datos, puede deshabilitar el acceso de los
usuarios para usar esta característica y puede impedir que los administradores del área
de trabajo traigan su propia cuenta de Azure Storage.

Reversión desde Azure Data Lake Gen 2

Después de que se ha configurado el almacenamiento de flujo de datos para usar Azure
Data Lake Gen 2, no hay ningún modo de revertir el proceso automáticamente. El
proceso para volver al almacenamiento administrado de Power BI es manual.

Para revertir la migración realizada a Gen 2, deberá eliminar los flujos de datos y volver a
crearlos en la misma área de trabajo. Después, dado que no eliminamos datos de ADLS
Gen 2, vaya al propio recurso y limpie los datos. Esta acción implicaría los pasos
siguientes.

1. Exporte una copia del flujo de datos desde Power BI. O bien, copie el archivo
[Link]. El archivo [Link] se almacena en ADLS.

2. Elimine los flujos de datos.

3. Desasocie ADLS.

4. Volver a crear los flujos de datos mediante la importación. Los datos de

actualizaciones incrementales (si procede) deberán eliminarse antes de la
importación. Esta acción se puede hacer eliminando las particiones pertinentes en
el archivo [Link].

5. Configurar directivas para actualizar o volver a crear actualizaciones incrementales.

Conexión a los datos mediante el conector de

ADLS Gen 2
El ámbito de este documento describe las conexiones de flujos de datos de ADLS Gen2y
no el conector de Power BI ADLS Gen2. El uso del conector de ADLS Gen2es un
escenario independiente, posiblemente aditivo. El conector de ADLS simplemente usa
ADLS como origen de datos. De modo que, para usar Power Query Online para
consultar datos, no es necesario que estos estén en formato CDM, pueden tener
cualquier formato de datos que quiera el cliente. Para más información, consulte Azure
Data Lake Storage Gen2.

Pasos siguientes
En los artículos siguientes encontrará más información sobre los flujos de datos y
Power BI:

Introducción a los flujos de datos y la preparación de datos de autoservicio

Creación de un flujo de datos
Configurar y consumir un flujo de datos
Características prémium de flujos de datos
IA con flujos de datos
Consideraciones y limitaciones de flujos de datos
Procedimientos recomendados para flujos de datos
Características prémium de flujos de
datos
Artículo • 27/03/2023

Los flujos de datos están admitidos para usuarios de Power BI Pro, Premium por usuario
(PPU) y Power BI Premium. Algunas características solo están disponibles con una
suscripción de Power BI Premium (que es una función Premium o una licencia Premium
por usuario (PPU)). En este artículo se describen en detalle las características exclusivas
de Premium y PPU y sus usos.

Las características siguientes solo están disponibles con Power BI Premium (suscripción
de capacidad Premium o PPU):

Motor de proceso mejorado

DirectQuery
Entidades calculadas
Entidades vinculadas
Actualización incremental

En las secciones siguientes se describen detalladamente cada una de estas

características.

７ Nota

Los flujos de datos no están disponibles en el servicio Power BI para los clientes del
DoD de la Administración Pública de Estados Unidos. Para obtener más
información sobre qué características están disponibles y cuáles no, consulte
Disponibilidad de características de Power BI para los clientes de la
Administración Pública de Estados Unidos.

Motor de proceso mejorado

El motor de proceso mejorado de Power BI permite a los suscriptores de Power BI
Premium usar su capacidad para optimizar el uso de flujos de datos. El uso del motor de
proceso mejorado proporciona las siguientes ventajas:

Reducción drástica del tiempo de actualización necesario para los pasos ETL
(extracción, transformación y carga) en entidades calculadas, como la realización
de combinaciones, distinciones, filtrados y agrupaciones.
 Realiza consultas DirectQuery sobre entidades.

７ Nota

Los procesos de validación y actualización informan sobre los flujos de datos

del esquema de modelo. Para configurar el esquema de las tablas, use el
Editor de Power Query y establezca los tipos de datos.
Esta característica está disponible en todos clústeres de Power BI excepto
WABI-INDIA-CENTRAL-A-PRIMARY

Habilitación del motor de proceso mejorado

） Importante

El motor de proceso mejorado solo funciona para las capacidades A3 o superiores

de Power BI.

En Power BI Premium, el motor de proceso mejorado se establece individualmente para

cada flujo de datos. Hay tres configuraciones para elegir:

Deshabilitada

Optimizada (valor predeterminado): el motor de proceso mejorado está apagado.

Se activa automáticamente cuando otra tabla en el flujo de datos hace referencia a
otra tabla o cuando el flujo de datos está conectado a otro flujo de datos en la
misma área de trabajo.

Activado

Si quiere cambiar la configuración predeterminada y habilitar el motor de proceso

mejorado, haga lo siguiente:

1. En el área de trabajo, junto al flujo de datos para el que quiere cambiar la

configuración, seleccione Más opciones.

2. En el menú Más opciones del flujo de datos, seleccione Configuración.

3. Expanda la configuración de motor de proceso mejorado.

4. En la configuración del motor de proceso mejorado, seleccione Activado y, luego,

Aplicar.
Use el motor de proceso mejorado
Una vez que active el motor de proceso mejorado, vuelva a los flujos de datos. Debería
ver una mejora del rendimiento en cualquier tabla mejorada que realice operaciones
complejas, como combinaciones u operaciones de agrupar por para flujos de datos
creados a partir de entidades vinculadas existentes en la misma capacidad.

Para hacer el mejor uso del motor de proceso, divida la etapa ETL en dos flujos de datos
independientes de la siguiente manera:

Flujo de datos 1: este flujo de datos solo debe ingerir todo lo necesario de un
origen de datos.
Flujo de datos 2: realice todas las operaciones ETL en este segundo flujo de datos,
pero asegúrese de que hace referencia al flujo de datos 1, que debe estar en la
misma capacidad. Asegúrese también de realizar operaciones que se pueden
plegar primero: filtrar, agrupar por, distinto, unirse). Y realice estas operaciones
antes de cualquier otra, a fin de garantizar que se utiliza el motor de proceso.

Preguntas y respuestas frecuentes

Pregunta: He habilitado el motor de proceso mejorado, pero las actualizaciones son
más lentas. ¿Por qué?

Respuesta: Si habilita el motor de proceso mejorado, hay dos posibles explicaciones

para los tiempos de actualización más lentos:

Cuando el motor de proceso mejorado está habilitado, requiere algo de memoria

para que funcione correctamente. Por lo tanto, se reduce la memoria disponible
para realizar una actualización, lo que aumenta la probabilidad de que las
actualizaciones se puedan poner en cola. Ese aumento reduce el número de flujos
de datos que se pueden actualizar simultáneamente. Para solucionarlo, al habilitar
el proceso mejorado, aumente la memoria asignada a los flujos de datos para
 asegurarse de que la memoria disponible para los flujos de datos simultáneos siga
siendo la misma.

Otro motivo por el que las actualizaciones pueden volverse más lentas es que el
motor de proceso solo funciona sobre entidades existentes. Si el flujo de datos
hace referencia a un origen de datos que no es un flujo de datos, no verá ninguna
mejora. No se producirá un aumento del rendimiento, ya que, en algunos
escenarios de macrodatos, la lectura inicial de un origen de datos sería más lenta
porque los datos deben pasarse al motor de proceso mejorado.

Pregunta: no veo la alternancia del motor de proceso mejorado. ¿Por qué?

Respuesta: el motor de proceso mejorado se está publicando por fases en regiones de

todo el mundo, pero aún no está disponible en todas las regiones.

Pregunta: ¿Cuáles son los tipos de datos admitidos en el motor de proceso?

Respuesta: El motor de proceso mejorado y los flujos de datos actualmente admiten los
siguientes tipos de datos. Si el flujo de datos no utiliza uno de los siguientes tipos de
datos, se produce un error durante la actualización:

Fecha y hora
Número decimal
Texto
Número entero
Fecha/hora/zona
Verdadero o falso
Fecha
Hora

Uso de DirectQuery con flujos de datos en

Power BI
Puede usar DirectQuery para conectarse directamente a flujos de datos y así conectarse
directamente a su flujo de datos sin tener que importar los datos.

El uso de DirectQuery con flujos de datos permite las siguientes mejoras en los procesos
de Power BI y flujos de entrada:

Evitar programaciones de actualización independientes: DirectQuery se conecta

directamente a un flujo de entrada, lo que elimina la necesidad de crear un
conjunto de datos importado. Como tal, el uso de DirectQuery con los flujos de
datos significa que ya no necesita programaciones de actualización
 independientes del flujo de datos y el conjunto de datos para asegurarse de que
los datos se sincronizan.

Filtrar datos: DirectQuery resulta útil para trabajar en una vista filtrada de los datos
dentro de un flujo de datos. Puede usar DirectQuery con el motor de proceso para
filtrar los datos de flujo de datos y trabajar con el subconjunto filtrado que
necesita. El filtrado de datos permite trabajar con un subconjunto más pequeño y
más fácil de administrar de los datos del flujo de datos.

Uso de DirectQuery para flujos de datos

El uso de DirectQuery con flujos de datos está disponible en Power BI Desktop.

También hay requisitos previos para usar DirectQuery con flujos de datos:

Su flujo de datos debe residir en un área de trabajo habilitada para Power BI

Premium.
El motor de proceso debe estar activado.

Puede obtener más información sobre DirectQuery con los flujos de datos en Uso de
DirectQuery con flujos de datos.

Habilitación de DirectQuery para flujos de datos

Para asegurarse de que el flujo de datos está disponible para el acceso de DirectQuery,
el motor de proceso mejorado debe estar en su estado optimizado. Para habilitar
DirectQuery para flujos de datos, establezca la nueva opción Configuración mejorada
del motor de proceso en Activada.

Cuando haya aplicado esa opción, actualice el flujo de datos para que la optimización
surta efecto.

Consideraciones y limitaciones relativas a DirectQuery

Existen algunas limitaciones conocidas de DirectQuery y los flujos de datos:
 Los modelos compuestos o mixtos con orígenes de datos de importación y
DirectQuery no se admiten actualmente.

Durante la visualización, los flujos de datos de gran tamaño pueden presentar

problemas relacionados con incidencias de tiempo de expiración. Los flujos de
datos de gran tamaño que presenten problemas relacionados con incidencias de
tiempo de expiración deberán usar el modo de importación.

En la configuración del origen de datos, el conector de flujo de datos mostrará las

credenciales no válidas si usa DirectQuery. Esto no afecta al comportamiento, de
modo que el conjunto de datos funcionará correctamente.

Entidades calculadas
Puede realizar cálculos en almacenamiento al usar flujos de datos con una suscripción
de Power BI Premium. Esto le permite realizar cálculos en los flujos de datos existente y
devolver resultados que le permiten centrarse en la creación y el análisis de informes.

Para realizar cálculos en almacenamiento, primero debe crear el flujo de datos e

incorporar datos en ese almacenamiento del flujo de datos de Power BI. Una vez que
disponga de un flujo de datos que contiene los datos, puede crear entidades calculadas,
que son entidades que realizan cálculos en almacenamiento.

Consideraciones y limitaciones relativas a las entidades

calculadas
 Al trabajar con flujos de datos creados en la cuenta de Azure Data Lake Storage
Gen 2 de una organización, las entidades vinculadas y las entidades calculadas solo
funcionan correctamente cuando residen en la misma cuenta de almacenamiento.

A modo de procedimiento recomendado, para realizar cálculos sobre datos combinados

de forma local y datos en la nube, cree un flujo de datos para cada origen (uno para el
entorno local y otro para la nube). Después, cree un tercer flujo de datos para combinar
o calcular los dos orígenes de datos.

Entidades vinculadas
Puede hacer referencia a flujos de datos existentes al usar entidades vinculadas con una
suscripción de Power BI Premium, ya que le permite realizar cálculos en estas entidades
mediante entidades calculadas o crear una tabla como "única fuente de confianza" que
puede reutilizar en varios flujos de datos.

Actualización incremental
Los flujos de datos se pueden configurar de modo que se actualicen incrementalmente
para evitar tener que extraer todos los datos en cada actualización. Para ello, seleccione
el flujo de datos y, a continuación, seleccione el icono de actualización incremental.

Al establecer la actualización incremental, se agregan parámetros al flujo de datos para

especificar el intervalo de fechas. Para obtener información detallada sobre cómo
configurar la actualización incremental, consulte Uso de actualización incremental con
flujos de datos.

Consideraciones sobre cuándo no se debe establecer la

actualización incremental
No establezca un flujo de datos para la actualización incremental en las siguientes
situaciones:
 Las entidades vinculadas no deben usar la actualización incremental si hacen
referencia a un flujo de datos.

Pasos siguientes
En los artículos siguientes encontrará más información sobre los flujos de datos y
Power BI:

Procedimientos recomendados para flujos de datos

Configuración de cargas de trabajo de flujo de datos de Power BI Premium

Introducción a los flujos de datos y la preparación de datos de autoservicio

Creación de un flujo de datos

Configurar y consumir un flujo de datos

Configuración del almacenamiento de flujo de datos para usar Azure Data Lake
Gen 2

IA con flujos de datos

Consideraciones y limitaciones de flujos de datos

Escenarios de uso de Power BI: preparación de datos de autoservicio

Escenarios de uso de Power BI: Preparación de datos avanzada

IA con flujos de datos
Artículo • 01/06/2023

En este artículo se describe cómo puede usar la inteligencia artificial (IA) con flujos de
datos. En este artículo se describe:

Cognitive Services
ML automatizado
Integración de Azure Machine Learning

Cognitive Services en Power BI

Con Cognitive Services en Power BI, puede aplicar diversos algoritmos de Azure
Cognitive Services para enriquecer los datos en la preparación de datos de
autoservicio para flujos de datos.

Los servicios que hoy se admiten son Análisis de sentimiento, Extracción de frases clave,
Detección de idioma y Etiquetado de imágenes. Las transformaciones se ejecutan en el
servicio Power BI y no necesitan una suscripción a Azure Cognitive Services. Esta
característica requiere Power BI Premium.

Habilitación de características de IA
Cognitive Services son compatibles con los nodos de la capacidad Premium EM2, A2 o
P1, y otros con más recursos. Cognitive Services también está disponible con una
licencia Premium por usuario (PPU). Una carga de trabajo de IA independiente en la
capacidad se usa para ejecutar Cognitive Services. Antes de usar Cognitive Services en
Power BI, se debe habilitar la carga de trabajo de IA en la Configuración de capacidad
del Portal de administración. Puede activar la carga de trabajo de IA en la sección de
cargas de trabajo y definir la cantidad máxima de memoria que desea que consuma esta
carga de trabajo. El límite de memoria recomendado es del 20 %. Superar este límite
hace que la consulta se ralentice.
Introducción a Cognitive Services en Power BI
Las transformaciones de Cognitive Services forman parte de la preparación de datos de
autoservicio para flujos de datos . Para enriquecer sus datos con Cognitive Services,
empiece editando un flujo de datos.

Seleccione el botón Conclusiones de IA en la cinta superior del Editor de Power Query.

En la ventana emergente, seleccione la función que desee usar y los datos que desee
transformar. En este ejemplo se puntúa la opinión de una columna que contiene texto
de la crítica.

LanguageISOCode es una entrada opcional para especificar el idioma del texto. En este
columna se espera un código ISO. Puede usar una columna como entrada para
LanguageISOCode, o bien puede usar una columna estática. En este ejemplo, se
especifica el idioma como inglés (en) para toda la columna. Si deja esta columna en
blanco, Power BI detectará automáticamente el idioma antes de aplicar la función. A
continuación, seleccione Invocar.
Después de invocar la función, el resultado se agrega como una nueva columna a la
tabla. También se agregará la transformación como un paso aplicado en la consulta.

Si la función devuelve varias columnas de salida, con la invocación de la función se

agrega una nueva columna con una fila de los numerosas columnas de salida.

Use la opción de expansión para agregar uno o ambos valores como columnas a sus
datos.
Funciones disponibles
En esta sección se describen las funciones disponibles en Cognitive Services en Power BI.

Detección de idioma
La función de detección de idioma evalúa la entrada de texto y, para cada columna,
devuelve el nombre del idioma y el identificador ISO. Esta función es útil para las
columnas de datos que recopilan texto arbitrario, donde se desconoce el idioma. La
función espera los datos en formato de texto como entrada.

Text Analytics reconoce hasta 120 idiomas. Para más información, vea ¿Qué es la
detección de idioma en Azure Cognitive Service para lenguaje?

Extracción de frases clave

La función Extracción de frases clave evalúa el texto no estructurado y, para cada
columna de texto, devuelve una lista de frases clave. La función necesita una columna
de texto como entrada y acepta una entrada opcional para LanguageISOCode. Para más
información, vea Introducción.

La extracción de frases clave funciona mejor si le proporciona fragmentos de texto más

grandes con los que trabajar, lo contrario que el análisis de sentimiento. El rendimiento
del análisis de sentimiento es mejor con bloques de texto más pequeños. Para obtener
los mejores resultados de ambas operaciones, considere la posibilidad de reestructurar
las entradas en consecuencia.

Puntuación de opiniones

La función Score Sentiment (Puntuar opiniones) evalúa la entrada de texto y devuelve

una puntuación de opiniones para cada documento, que va desde 0 (negativa) a 1
(positiva). Esta función es útil para detectar opiniones positivas y negativas en las redes
sociales, revisiones del cliente y foros de debate.

Text Analytics usa un algoritmo de clasificación de aprendizaje automático para generar

una puntuación de opiniones entre 0 y 1. Las puntuaciones más cercanas a 1 indican
opiniones positivas. Las puntuaciones más cercanas a 0 indican opiniones negativas. El
modelo se entrena previamente con un cuerpo de texto extenso con asociaciones de
opiniones. Actualmente, no es posible proporcionar sus propios datos de aprendizaje. El
modelo usa una combinación de técnicas durante el análisis de texto, incluidas el
procesamiento de texto, el análisis de funciones de sintaxis, la colocación de palabras y
las asociaciones de palabras. Para más información sobre el algoritmo, vea Machine
Learning y Text Analytics.

El análisis de sentimiento se realiza en toda la columna de entrada, en lugar de extraerse

opiniones para una tabla concreta del texto. En la práctica, existe una tendencia a la
precisión de la puntuación para mejorar cuando los documentos contienen una o dos
frases en lugar de un gran bloque de texto. Durante una fase de evaluación de
objetividad, el modelo determina si una columna de entrada como un todo es objetivo
o contiene opiniones. Una columna de entrada que es principalmente objetiva no
avanza a la fase de detección de opinión, lo que da lugar a una puntuación de 0,50 sin
ningún procesamiento adicional. Para las siguientes columnas de entrada de la
canalización, la siguiente fase genera una puntuación superior o inferior a 0,50, en
función del grado de opinión detectado en la columna de entrada.

Actualmente, Análisis de sentimiento admite inglés, alemán, español y francés. Otros

idiomas están en versión preliminar. Para más información, vea ¿Qué es la detección de
idioma en Azure Cognitive Service para lenguaje?

Etiquetar imágenes

La función Tag Images (Etiquetar imágenes) devuelve etiquetas basadas en más de 2000
objetos reconocibles, seres vivos, paisajes y acciones. Cuando las etiquetas son
ambiguas o no son conocimientos habituales, el resultado proporciona "sugerencias"
para aclarar el significado de la etiqueta en el contexto de una configuración conocida.
Las etiquetas no se organizan como una taxonomía y no existe ninguna jerarquía de
herencia. Una colección de etiquetas de contenido es la base de la "descripción" de una
imagen que se muestra en lenguaje natural con formato de oraciones completas.

Después de cargar una imagen o especificar una dirección URL de la imagen, los
algoritmos de Computer Vision generan etiquetas basadas en los objetos, seres vivos y
acciones identificados en la imagen. El etiquetado no se limita al sujeto principal, como
una persona en primer plano, sino que también incluye el entorno (interior o exterior),
muebles, herramientas, plantas, animales, accesorios, gadgets, etc.

Esta función requiere una dirección URL de la imagen o una columna Base 64 como
entrada. En este momento, el etiquetado de imágenes admite inglés, español, japonés,
portugués y chino simplificado. Para más información, vea Interfaz de ComputerVision.

Aprendizaje automático automatizado en

Power BI
El aprendizaje automático automatizado (AutoML) para flujos de trabajo permite a los
analistas de negocios entrenar, validar e invocar modelos de Machine Learning (ML)
directamente en Power BI. Incluye una experiencia sencilla para crear un modelo de
aprendizaje automático en el que los analistas pueden usar sus flujos de datos para
especificar los datos de entrada para entrenar el modelo. El servicio extrae
automáticamente las características más apropiadas, selecciona un algoritmo adecuado,
y ajusta y valida el modelo de ML. Después de entrenar un modelo, Power BI genera
automáticamente un informe de rendimiento que incluye los resultados de la validación.
El modelo se puede invocar sobre los datos nuevos o actualizados del flujo de datos.
Automated Machine Learning está disponible únicamente para flujos de datos
hospedados en las capacidades Premium y Embedded.

Uso de AutoML
Los flujos de datos ofrecen autoservicio de preparación de los datos para macrodatos.
AutoML está integrado en flujos de datos y le permite usar el trabajo de preparación de
los datos para compilar modelos de Machine Learning, directamente en Power BI.

AutoML en Power BI permite a los analistas de datos usar flujos de datos para compilar
modelos de Machine Learning con una experiencia simplificada, solo con usar los
conocimientos de Power BI. Power BI automatiza la mayor parte de la ciencia de datos
que subyace a la creación de los modelos de ML. Tiene límites de protección para
asegurarse de que el modelo generado sea de buena calidad y proporcione una
visibilidad sobre el proceso que se usa para crear el modelo de ML.

AutoML admite la creación de modelos de predicción binaria, clasificación y regresión

para flujos de datos. Estas características son tipos de técnicas de aprendizaje
automático supervisadas, lo que significa que aprenden de los resultados conocidos de
observaciones anteriores para predecir los resultados de otras observaciones. El
conjunto de datos de entrada para entrenar un modelo de AutoML es un conjunto de
filas que se etiquetan con los resultados conocidos.

AutoML en Power BI integra el aprendizaje automático automatizado de Azure Machine

Learning para crear los modelos de aprendizaje automático. Sin embargo, no necesita
una suscripción a Azure para usar AutoML en Power BI. El proceso de entrenamiento y
hospedaje de los modelos de Machine Learning se administra por completo en el
servicio Power BI.

Después de entrenar un modelo de aprendizaje automático, AutoML genera

automáticamente un informe de Power BI que explica el rendimiento probable del
modelo. AutoML acentúa la explicabilidad y resalta los influenciadores clave en sus
entradas que influyen en las predicciones que devuelve el modelo. El informe también
incluye métricas clave para el modelo.

Otras páginas del informe generado muestran el resumen estadístico del modelo y los
detalles del entrenamiento. El resumen estadístico es de interés para los usuarios que
desean ver las medidas estándar de ciencia de datos del rendimiento del modelo. Los
detalles de entrenamiento resumen todas las iteraciones que se ejecutaron para crear el
modelo, con los parámetros de modelado asociados. También se describe cómo se usó
cada entrada para crear el modelo de aprendizaje automático.
Luego, puede aplicar su modelo de aprendizaje automático a los datos para puntuarlos.
Cuando se actualiza el flujo de datos, los datos se actualizan con predicciones del
modelo de ML. Power BI también incluye una explicación individualizada de cada
predicción específica que genera el modelo de ML.

Creación de un modelo de Machine Learning

En esta sección se describe cómo crear un modelo de AutoML.

Preparación de los datos para crear un modelo de aprendizaje

automático

Para crear un modelo de Machine Learning en Power BI, primero debe crear un flujo de
datos para los datos que incluya información de los resultados históricos; esta
información se usa para entrenar el modelo de ML. También debe agregar columnas
calculadas para las métricas empresariales que puedan ser fuertes predictores del
resultado que intenta predecir. Para más información sobre cómo configurar el flujo de
datos, vea Configuración y consumo de un flujo de datos.

AutoML presenta unos requisitos de datos específicos para entrenar un modelo de

aprendizaje automático. Estos requisitos se describen en las secciones siguientes, en
función de los tipos de modelo correspondientes.

Configuración de las entradas del modelo de Machine Learning

Para crear un modelo de AutoML, seleccione el icono de ML en la columna Acciones de

la tabla de flujo de datos y, luego, Agregar un modelo de Machine Learning.
Se inicia una experiencia simplificada, que consta de un asistente que le guía por el
proceso de creación del modelo de Machine Learning. El asistente incluye estos sencillos
pasos.

1. Seleccione la tabla con los datos históricos y elija la columna de resultados para la
que quiere una predicción

La columna de resultados identifica el atributo de etiqueta para entrenar el modelo de

ML, que se muestra en la siguiente imagen.

2. Elija un tipo de modelo

Al especificar la columna de resultados, AutoML analiza los datos de etiqueta para

recomendar el tipo de modelo de ML más probable que se puede entrenar. Puede elegir
otro tipo de modelo en la imagen siguiente si hace clic en Seleccionar un modelo.

７ Nota

Es posible que algunos tipos de modelo no se admitan con los datos que ha
seleccionado y, por tanto, estarán deshabilitados. En el ejemplo anterior, la
regresión está deshabilitada, ya que hay una columna de texto seleccionada como
columna de resultados.

3. Seleccione las entradas que quiere que use el modelo como señales predictivas

AutoML analiza una muestra de la tabla seleccionada para sugerir las entradas que se
pueden usar para entrenar el modelo de ML. Las explicaciones se proporcionan junto a
las columnas que no están seleccionadas. Si una columna concreta tiene demasiados
valores distintos o solo un valor, o bien una correlación baja o alta con la columna de
salida, no se recomienda.

Las entradas que dependan de la columna de resultados (o de la columna de etiqueta)

no se deben utilizar para entrenar el modelo de ML, ya que afectan a su rendimiento.
Estas columnas se marcan como si tuvieran una "correlación sospechosamente alta con
la columna de salida". Al introducir estas columnas en los datos de entrenamiento se
produce una pérdida de etiquetas, donde el modelo funciona bien con los datos de
prueba o validación, pero no puede alcanzar ese rendimiento cuando se utiliza en
producción para la puntuación. La pérdida de etiquetas puede ser un posible problema
en los modelos de AutoML, cuando el rendimiento del modelo de entrenamiento es
demasiado bueno para ser cierto.
Esta recomendación de características se basa en una muestra de datos, por lo que debe
revisar las entradas utilizadas. Puede cambiar las selecciones para incluir solo las
columnas que quiera que estudie el modelo. También puede seleccionar todas las
columnas; para ello, active la casilla junto al nombre de la tabla.

4. Asigne un nombre al modelo y guarde la configuración

En el paso final, puede asignar un nombre al modelo, y seleccionar Guardar, lo que

comenzará a entrenar el modelo de ML. Puede optar por reducir el tiempo de
entrenamiento para ver unos resultados rápidos o aumentar la cantidad de tiempo
empleado en el entrenamiento para obtener el mejor modelo.

Entrenamiento del modelo de aprendizaje automático

El entrenamiento de modelos de AutoML forma parte de la actualización del flujo de
datos. AutoML prepara primero los datos para el entrenamiento.
Luego divide los datos
históricos proporcionados en conjuntos de datos de entrenamiento y prueba. El
conjunto de datos de prueba es un conjunto de datos de exclusión que se usa para
validar el rendimiento del modelo después del entrenamiento. Estos conjuntos se
consideran tablas de entrenamiento y prueba en el flujo de datos. AutoML usa la
validación cruzada para la validación del modelo.

A continuación, se analiza cada columna de entrada y se aplica imputación, que

reemplaza los valores que faltan por valores sustitutos. AutoML usa un par de
estrategias de imputación diferentes. En el caso de atributos de entrada tratados como
características numéricas, la media de los valores de columna se utiliza para imputación.
En el caso de atributos de entrada tratados como características de categorías, AutoML
utiliza el modo de los valores de columna para imputación. El marco AutoML calcula la
media y el modo de los valores usados para la imputación en el conjunto de datos de
entrenamiento de submuestreo.

A continuación, se aplica a los datos el muestreo y la normalización, tal como sea

necesario. En el caso de los modelos de clasificación, AutoML ejecuta los datos de
entrada mediante el muestreo estratificado y equilibra las clases para asegurarse de que
los recuentos de filas son iguales para todos.

AutoML aplica varias transformaciones a cada columna de entrada seleccionada en

función de su tipo de datos y sus propiedades estadísticas. Luego, usa estas
transformaciones para extraer características que se emplean para entrenar el modelo
de aprendizaje automático.

El proceso de entrenamiento de los modelos de AutoML consta de hasta 50 iteraciones

con distintos algoritmos de modelado y configuraciones de hiperparámetros hasta
encontrar el modelo con el mejor rendimiento. El entrenamiento puede finalizar pronto
con iteraciones menores si AutoML ve que no se observa ninguna mejora del
rendimiento. AutoML evalúa el rendimiento de cada uno de estos modelos mediante la
validación con el conjunto de datos de prueba de exclusión. Durante este paso del
entrenamiento, AutoML crea varias canalizaciones para el entrenamiento y la validación
de estas iteraciones. El proceso de evaluación del rendimiento de los modelos puede
llevar tiempo, entre varios minutos y un par de horas, hasta el tiempo de entrenamiento
configurado en el asistente. El tiempo necesario depende del tamaño del conjunto de
datos y de los recursos de capacidad disponibles.

En algunos casos, es posible que el modelo final generado use aprendizaje de conjunto,
donde se utilizan varios modelos para ofrecer un mejor rendimiento predictivo.
Explicabilidad del modelo de AutoML
Después de entrenar el modelo, AutoML analiza la relación entre las características de
entrada y la salida del modelo. Evalúa la magnitud del cambio con la salida del modelo
con respecto al conjunto de datos de prueba de exclusión de cada característica de
entrada. Esta relación se conoce como importancia de la característica. Este análisis
sucede como parte de la actualización después de completar el entrenamiento. Por
tanto, es posible que la actualización tarde más que el tiempo de entrenamiento
configurado en el asistente.

Informe del modelo de AutoML

AutoML genera un informe de Power BI que resume el rendimiento del modelo durante
la validación, junto con la importancia de característica global. Se puede acceder a este
informe desde la pestaña Modelos de Machine Learning después de que la
actualización del flujo de datos sea correcta. En él se resumen los resultados de aplicar
el modelo de aprendizaje automático a los datos de prueba de exclusión y comparar las
predicciones con los valores de resultado conocidos.

Puede revisar el informe del modelo para comprender su rendimiento. También puede
validar que los influenciadores clave del modelo se alineen con las conclusiones
empresariales sobre los resultados conocidos.

Los gráficos y las medidas que se usan para describir el rendimiento del modelo en el
informe dependen del tipo de modelo. Estos gráficos y medidas del rendimiento se
describen en las secciones siguientes.
Es posible que en otras páginas del informe se describan medidas estadísticas sobre el
modelo desde una perspectiva de la ciencia de datos. Por ejemplo, el informe de
Predicción binaria incluye un gráfico de ganancia y la curva ROC del modelo.

También incluye una página Detalles de aprendizaje con una descripción de cómo se
entrenó el modelo y un gráfico que indica el rendimiento del modelo en cada ejecución
de iteraciones.

Otra sección de esta página describe el tipo detectado de la columna de entrada y el

método de imputación que se usa para rellenar los valores que faltan. También incluye
los parámetros que usa el modelo final.
Si el modelo generado usa el aprendizaje de conjunto, en la página Detalles del
aprendizaje también se incluye un gráfico en el que se muestra el peso de cada modelo
constituyente en el conjunto y sus parámetros.

Aplicación del modelo de AutoML

Si está satisfecho con el rendimiento del modelo de aprendizaje automático creado,
puede aplicarlo a los datos nuevos o actualizados cuando se actualice el flujo de datos.
En el informe del modelo, seleccione el botón Aplicar en la esquina superior derecha o
el botón Aplicar el modelo de ML en las acciones de la pestaña Modelos de Machine
Learning.

Para aplicar el modelo de ML, debe especificar el nombre de la tabla a la que se debe
aplicar y un prefijo para las columnas que se agregarán a esta tabla en la salida del
modelo. El prefijo predeterminado de los nombres de columna es el nombre del
modelo. Es posible que la función Aplicar incluya más parámetros específicos del tipo de
modelo.

Al aplicar el modelo de ML, se crean dos tablas de flujo de datos que contienen las
predicciones y las explicaciones individualizadas para cada fila que puntúa en la tabla de
salida. Por ejemplo, si aplica el modelo PurchaseIntent a la tabla OnlineShoppers, la
salida genera las tablas OnlineShoppers enriched PurchaseIntent y OnlineShoppers
enriched PurchaseIntent explanations. Para cada fila de la tabla enriquecida,
Explanations se divide en varias filas de la tabla de explicaciones enriquecidas basada
en la característica de entrada. ExplanationIndex ayuda a asignar las filas de la tabla de
explicaciones enriquecidas a la fila en una tabla enriquecida.
También puede aplicar un modelo de AutoML de Power BI a tablas de cualquier flujo de
datos de la misma área de trabajo mediante Conclusiones de IA del explorador de
funciones de PQO. De esta manera, puede usar los modelos creados por otros en la
misma área de trabajo sin tener que ser propietario del flujo de datos que tiene el
modelo. Power Query detecta todos los modelos de aprendizaje automático de Power BI
del área de trabajo y los expone como funciones dinámicas de Power Query. Pueden
invocar esas funciones si accede a ellas desde la cinta del Editor de Power Query, o bien
si invoca directamente la función M. Actualmente, esta funcionalidad solo es compatible
con los flujos de datos de Power BI y con Power Query Online en el servicio Power BI.
Este proceso es diferente a aplicar modelos de Machine Learning dentro de un flujo de
datos mediante el asistente para AutoML. Con este método no se crea ninguna tabla de
explicaciones. A menos que sea el propietario del flujo de datos, no puede acceder a los
informes de entrenamiento del modelo ni volver a entrenar el modelo. Además, si el
modelo de origen se edita (se agregan o se quitan columnas de entrada), o si se elimina
el modelo o el flujo de datos de origen, este flujo de datos dependiente se interrumpirá.
Tras aplicar el modelo, AutoML mantiene siempre las predicciones actualizadas cuando
se actualiza el flujo de datos.

Para usar las conclusiones y las predicciones del modelo de ML en un informe de

Power BI, puede conectarse a la tabla de salida desde Power BI Desktop mediante el
conector de flujos de datos.

Modelos de predicción binaria

Los modelos de predicción binaria, conocidos más formalmente como modelos de
clasificación binaria, se usan para clasificar un conjunto de datos en dos grupos. Se usan
para predecir eventos que puedan tener un resultado binario. Por ejemplo, si una
oportunidad de ventas se va a convertir, si una cuenta se va a renovar, si una factura se
va a pagar a tiempo, si una transacción es fraudulenta, etc.

La salida de un modelo de predicción binaria es una puntuación de probabilidad, que

identifica la probabilidad de que se alcance el resultado objetivo.

Entrenamiento de un modelo de predicción binaria

Requisitos previos:

Se requieren 20 filas como mínimo de datos históricos para cada clase de

resultados.

El proceso de creación de un modelo de predicción binaria sigue los mismos pasos que
otros modelos de AutoML, descritos en la sección anterior Configuración de las
entradas del modelo de Machine Learning. La única diferencia se encuentra en el paso
Seleccionar un modelo, donde puede seleccionar el valor del resultado de destino que
más le interese. También puede proporcionar etiquetas descriptivas para los resultados
que se van a usar en el informe generado automáticamente y que resume los resultados
de la validación del modelo.

Informe del modelo de predicción binaria

El modelo de predicción binaria genera como salida una probabilidad de que una fila
logre el resultado objetivo. El informe incluye un sector para el umbral de probabilidad,
que influye en cómo se interpretan las puntuaciones por encima y por debajo del
umbral de probabilidad.

El informe describe el rendimiento del modelo en términos de verdaderos positivos,

falsos positivos, verdaderos negativos y falsos negativos. Los verdaderos positivos y
verdaderos negativos son resultados que se predicen correctamente para las dos clases
de los datos de resultados. Los falsos positivos son filas de las que se ha predicho que
tendrían un resultado objetivo, pero en realidad no lo han tenido. Por el contrario, los
falsos negativos son filas que han tenido un resultado objetivo, pero de las que se ha
predicho que no lo tendrían.

Las medidas, como la precisión y la recuperación, describen el efecto del umbral de

probabilidad en los resultados de predicción. Puede usar la segmentación de datos del
umbral de probabilidad para seleccionar un umbral que logre un compromiso
equilibrado entre la precisión y la recuperación.
El informe también incluye una herramienta de análisis de costos y beneficios que ayuda
a identificar el subconjunto de la población al que debe dirigirse para obtener las
mayores ganancias. Dado un costo unitario estimado de destino y un beneficio unitario
de lograr un resultado objetivo, el análisis de costos y beneficios intenta maximizar las
ganancias. Puede usar esta herramienta para elegir el umbral de probabilidad en
función del punto máximo del gráfico para maximizar las ganancias. También puede
utilizar el gráfico para calcular las ganancias o los costos para el umbral de probabilidad
elegido.

La página Accuracy Report (Informe de precisión) del informe del modelo incluye el
gráfico Cumulative Gains (Ganancias acumulativas) y la curva de ROC del modelo. Estos
datos proporcionan medidas estadísticas del rendimiento del modelo. Los informes
incluyen descripciones de los gráficos que se muestran.
Aplicación de un modelo de predicción binaria

Para aplicar un modelo de predicción binaria, debe especificar la tabla con los datos a
los que quiere aplicar las predicciones del modelo de aprendizaje automático. Otros
parámetros incluyen el prefijo de nombre de la columna de salida y el umbral de
probabilidad para clasificar el resultado de predicción.
Cuando se aplica un modelo de predicción binaria, se agregan cuatro columnas de
salida a la tabla de salida enriquecida: Outcome, PredictionScore,
PredictionExplanation y ExplanationIndex. El prefijo se especifica en los nombres de
columna de la tabla al aplicar el modelo.

PredictionScore es una probabilidad porcentual, que identifica la probabilidad de que

se alcance el resultado objetivo.

La columna Outcome contiene la etiqueta del resultado de predicción. Los registros con
probabilidades que superan el umbral se predicen como probables para lograr el
resultado objetivo y se etiquetan como verdaderos. Los registros que se encuentran por
debajo del umbral se predicen como improbables para lograr el resultado y se etiquetan
como Falsos.

La columna PredictionExplanation contiene una explicación con la influencia específica

que tuvieron las características de entrada en PredictionScore.

Modelos de clasificación
Los modelos de clasificación se usan para clasificar un conjunto de datos en varios
grupos o clases. Se utilizan para predecir eventos que pueden tener uno de los diversos
resultados posibles. Por ejemplo, si es probable que un cliente tenga un valor de
duración alto, medio o bajo. También pueden predecir si el riesgo de impago es alto,
moderado, bajo o muy bajo, etc.

La salida de un modelo de clasificación es una puntuación de probabilidad, que

identifica la probabilidad de que una fila alcance los criterios de una clase determinada.

Entrenamiento de un modelo de clasificación

La tabla de entrada que contiene los datos de entrenamiento para un modelo de

clasificación debe tener una columna de número entero o de cadena como columna de
resultados para identificar los resultados conocidos anteriores.

Requisitos previos:

Se requieren 20 filas como mínimo de datos históricos para cada clase de

resultados.

El proceso de creación de un modelo de clasificación sigue los mismos pasos que otros
modelos de AutoML, descritos en la sección anterior Configuración de las entradas del
modelo de Machine Learning.

Informe del modelo de clasificación

Power BI crea el informe del modelo de clasificación aplicando el modelo de ML a los
datos de prueba de exclusión. Después, compara la clase predicha de una fila con la
clase conocida real.

El informe del modelo incluye un gráfico con el desglose de las filas clasificadas correcta
e incorrectamente para cada clase conocida.
Una acción de exploración en profundidad adicional específica de la clase permite
analizar cómo se distribuyen las predicciones de una clase conocida. En este análisis se
muestran las otras clases en las que es probable que las filas de esa clase conocida
estén mal clasificadas.

La explicación del modelo en el informe también incluye los principales predictores de

cada clase.

El informe del modelo de clasificación también incluye una página de detalles de

entrenamiento similar a las páginas de otros tipos de modelos, como se ha descrito
antes en Informe del modelo de AutoML.

Aplicación de un modelo de clasificación

Para aplicar un modelo de Machine Learning de clasificación, debe especificar la tabla
con los datos de entrada y el prefijo del nombre de la columna de salida.

Cuando se aplica un modelo de clasificación, agrega cinco columnas de salida a la tabla

de salida enriquecida: ClassificationScore, ClassificationResult,
ClassificationExplanation, ClassProbabilities y ExplanationIndex. El prefijo se especifica
en los nombres de columna de la tabla al aplicar el modelo.

La columna ClassProbabilities contiene la lista de puntuaciones de probabilidad de la

fila de cada clase posible.

ClassificationScore es el porcentaje de probabilidad, que identifica la probabilidad de

que una fila alcance los criterios de una clase determinada.
La columna ClassificationResult contiene la clase de predicción más probable para la
fila.

La columna ClassificationExplanation contiene una explicación con la influencia

específica que tuvieron las características de entrada en ClassificationScore.

Modelos de regresión
Los modelos de regresión se usan para predecir un valor numérico y se pueden utilizar
en escenarios para determinar lo siguiente:

Los ingresos probables que se pueden obtener a partir de una venta.

El valor de duración de una cuenta.
El importe de una factura por cobrar que es probable que se pague.
La fecha en la que se puede pagar una factura, etc.

La salida de un modelo de regresión es el valor de predicción.

Entrenamiento de un modelo de regresión

La tabla de entrada que contiene los datos de entrenamiento de un modelo de

regresión debe tener una columna numérica como columna de resultados para
identificar los valores de resultados conocidos.

Requisitos previos:

En un modelo de regresión se necesitan 100 filas como mínimo de datos

históricos.

El proceso de creación de un modelo de regresión sigue los mismos pasos que otros
modelos de AutoML, descritos en la sección anterior Configuración de las entradas del
modelo de Machine Learning.

Informe del modelo de regresión

Al igual que los demás informes del modelo de AutoML, el informe de regresión se basa
en los resultados de aplicar el modelo a los datos de prueba de exclusión.

El informe del modelo incluye un gráfico que compara los valores de predicción con los
valores reales. En este gráfico, la distancia desde la diagonal indica el error en la
predicción.
El gráfico de errores residuales muestra la distribución del porcentaje de error medio de
los distintos valores del conjunto de datos de prueba de exclusión. El eje horizontal
representa la media del valor real del grupo. El tamaño de la burbuja muestra la
frecuencia o el recuento de valores en ese intervalo. El eje vertical es el error residual
medio.

En el informe del modelo de regresión también se incluye una página de detalles de

entrenamiento como los informes de otros tipos de modelos, como se describe en la
sección anterior, Informe del modelo de AutoML.

Aplicación de un modelo de regresión

Para aplicar un modelo de aprendizaje automático de regresión, debe especificar la

tabla con los datos de entrada y el prefijo del nombre de la columna de salida.
Cuando se aplica un modelo de regresión, se agregan tres columnas de salida a la tabla
de salida enriquecida: RegressionResult, RegressionExplanation y ExplanationIndex. El
prefijo se especifica en los nombres de columna de la tabla al aplicar el modelo.

La columna RegressionResult contiene el valor de predicción de la fila en función de las

columnas de entrada. La columna RegressionExplanation contiene una explicación con
la influencia específica que tuvieron las características de entrada en RegressionResult.

Integración de Azure Machine Learning en

Power BI
Muchas organizaciones usan modelos de Machine Learning para obtener mejores
conclusiones y predicciones sobre sus negocios. Puede usar el aprendizaje automático
con los informes, paneles y otros análisis para obtener estas conclusiones. La capacidad
de visualizar e invocar conclusiones a partir de estos modelos puede ayudar a divulgar
estas conclusiones a los usuarios profesionales que más lo necesiten. Ahora Power BI
facilita la incorporación de las conclusiones de modelos hospedados en Azure Machine
Learning, mediante movimientos sencillos de apuntar y hacer clic.

Para usar esta funcionalidad, un científico de datos puede conceder acceso al modelo
de Azure Machine Learning al analista de BI simplemente desde Azure Portal. Después,
al inicio de cada sesión, Power Query detecta todos los modelos de Azure Machine
Learning a los que tiene acceso el usuario y los expone como funciones de Power Query
dinámicas. Después, el usuario puede invocar esas funciones obteniendo acceso a ellas
desde la cinta de opciones del Editor de Power Query o invocando la función M
directamente. Power BI también procesa por lotes las solicitudes de acceso de forma
automática al invocar el modelo de Azure Machine Learning para que un conjunto de
filas logre un mejor rendimiento.

Actualmente, esta funcionalidad solo es compatible con los flujos de datos de Power BI
y con Power Query Online en el servicio Power BI.

Para obtener más información sobre los flujos de datos, consulte Introducción a los
flujos de datos y preparación de datos de autoservicio.

Para más información sobre Azure Machine Learning, vea lo siguiente:

Información general: ¿Qué es Azure Machine Learning?

Guías de inicio rápido y tutoriales de Azure Machine Learning: Documentación de
Azure Machine Learning

Concesión de acceso al modelo de Azure Machine

Learning a un usuario de Power BI
Para acceder a un modelo de Azure Machine Learning desde Power BI, el usuario debe
tener acceso de lectura a la suscripción de Azure y al área de trabajo de Machine
Learning.

En los pasos de este artículo se describe cómo conceder acceso a un usuario de

Power BI a un modelo hospedado en el servicio Azure Machine Learning de modo que
pueda acceder a este modelo como función de Power Query. Para más información,
consulte Asignación de roles de Azure mediante Azure Portal.

1. Inicie sesión en Azure Portal .

2. Vaya a la página Suscripciones. Encontrará la página Suscripciones mediante la

lista Todos los servicios del menú del panel de navegación de Azure Portal.
 

3. Seleccione su suscripción.

4. Seleccione Control de acceso (IAM) y, después, elija el botón Agregar.


 5. Seleccione Lector como rol. Después, seleccione el usuario de Power BI a quien
quiera conceder acceso al modelo de Azure Machine Learning.

6. Seleccione Guardar.

7. Repita los pasos del 3 al 6 para conceder acceso de Lector al usuario para el área
de trabajo de Machine Learning específica en la que se hospeda el modelo.

Detección de esquemas para modelos de Machine

Learning
Los científicos de datos usan principalmente Python para desarrollar e incluso
implementar sus modelos de Machine Learning para el aprendizaje automático. El
científico de datos debe generar explícitamente el archivo de esquema mediante
Python.

Este archivo de esquema se debe incluir en el servicio web implementado para los
modelos de Machine Learning. Para generar de forma automática el esquema para el
servicio web, debe proporcionar un ejemplo de la entrada y salida en el script de
entrada para el modelo implementado. Para más información, vea Implementación y
puntuación de un modelo de Machine Learning mediante un punto de conexión en
línea. El vínculo incluye el script de entrada de ejemplo con las instrucciones para la
generación de esquemas.

En concreto, las funciones @input_schema y @output_schema del script de entrada

hacen referencia a los formatos de ejemplo de entrada y salida de las variables
input_sample y output_sample. Las funciones usan estos ejemplos para generar una
especificación de OpenAPI (Swagger) para el servicio web durante la implementación.
Estas instrucciones para la generación de esquemas mediante la actualización del script
de entrada también se deben aplicar a los modelos creados mediante experimentos de
aprendizaje automático automatizado con el SDK de Azure Machine Learning.

７ Nota

Actualmente, en los modelos creados con la interfaz visual de Azure Machine

Learning no se admite la generación de esquemas, pero se admitirá en versiones
posteriores.

Invocación del modelo de Azure Machine Learning en

Power BI
Puede invocar cualquier modelo de Azure Machine Learning al que se le haya concedido
acceso, directamente desde el Editor de Power Query del flujo de datos. Para acceder a
los modelos de Azure Machine Learning, seleccione el botón Editar tabla de la tabla que
quiera enriquecer con conclusiones del modelo de Azure Machine Learning, como se
muestra en la siguiente imagen.

Al seleccionar el botón Editar tabla se abre el Editor de Power Query para las tablas del
flujo de datos.
 

Seleccione el botón Conclusiones de AI de la cinta de opciones y, a continuación,

seleccione la carpeta Modelos de Azure Machine Learning en el menú del panel de
navegación. Todos los modelos de Azure Machine Learning a los que tiene acceso se
enumeran aquí como funciones de Power Query. Además, los parámetros de entrada
para el modelo de Azure Machine Learning se asignan automáticamente como
parámetros de la función de Power Query correspondiente.

Para invocar un modelo de Azure Machine Learning, puede especificar cualquiera de las

columnas de la tabla seleccionadas como entrada del menú desplegable. También
puede especificar un valor constante que se va a usar como entrada cambiando el icono
de la columna a la izquierda del cuadro de diálogo de entrada.


Seleccione Invocar para ver la versión preliminar del resultado del modelo de
Azure Machine Learning como nueva columna en la tabla. La invocación del modelo se
muestra como un paso aplicado para la consulta.

Si el modelo devuelve varios parámetros de salida, se agrupan como una fila en la

columna de salida. Puede expandir la columna para producir parámetros de salida
individuales en columnas independientes.

Después de guardar el flujo de datos, el modelo se invocará automáticamente al

actualizarse el flujo de datos, para cualquier fila nueva o actualizada de la tabla.

Consideraciones y limitaciones
 Las conclusiones de IA (Cognitive Services y los modelos de Azure Machine
Learning) no se admiten en máquinas con la configuración de autenticación de
proxy.
Los modelos de Azure Machine Learning no se admiten para los usuarios invitados.
Hay algunos problemas conocidos con el uso de la puerta de enlace con AutoML y
Cognitive Services. Si necesita usar una puerta de enlace, se recomienda crear un
flujo de datos que importe primero los datos necesarios a través de la puerta de
enlace. A continuación, cree otro flujo de datos que haga referencia al primer flujo
de datos para crear o aplicar estos modelos y funciones de IA.
Si se produce un error en el trabajo de inteligencia artificial con flujos de datos, es
posible que tenga que habilitar Combinación rápida al usar IA con flujos de datos.
Una vez que haya importado la tabla y antes de empezar a agregar características
de IA, seleccione Opciones en la cinta Inicio y, en la ventana que aparece, active la
casilla situada junto a Permitir la combinación de datos de varios orígenes para
habilitar la característica y, a continuación, seleccione Aceptar para guardar la
selección. A continuación, puede agregar características de inteligencia artificial al
flujo de datos.

Pasos siguientes
En este artículo se proporciona información general de Automated Machine Learning
para flujos de datos en el servicio Power BI. Los siguientes artículos también pueden
resultarle útiles.

Tutorial: Creación de un modelo de Machine Learning en Power BI

Tutorial: Uso de Cognitive Services en Power BI
Tutorial: Consumo de modelos de Azure Machine Learning en Power BI

En los artículos siguientes encontrará más información sobre los flujos de datos y
Power BI:

Introducción a los flujos de datos y la preparación de datos de autoservicio

Creación de un flujo de datos
Configurar y consumir un flujo de datos
Configuración del almacenamiento de flujo de datos para usar Azure Data Lake
Gen 2
Características prémium de flujos de datos
Consideraciones y limitaciones de flujos de datos
Procedimientos recomendados para flujos de datos
Procedimientos recomendados para
flujos de datos
Artículo • 23/03/2023

Los flujos de datos de Power BI son una solución de preparación de datos centrada en la
empresa, que habilita un ecosistema de datos que está listo para su uso, reutilización e
integración. En este artículo se proporciona una lista de procedimientos recomendados,
con vínculos a artículos y otra información que le ayudará a comprender y usar los flujos
de datos a su capacidad máxima.

Flujos de datos en Power Platform

Los flujos de datos se pueden usar en distintas tecnologías de Power Platform, como
Power Query, Microsoft Dynamics 365 y otras ofertas de Microsoft. Consulte ¿Qué son
los flujos de datos? para obtener más información sobre el funcionamiento de los flujos
de datos en Power Platform.

Vínculos y tablas de procedimientos

recomendados de flujos de datos
En la tabla siguiente se proporciona una colección de vínculos a artículos en los que se
describen los procedimientos recomendados para crear flujos de trabajo o trabajar con
ellos. Los vínculos incluyen información sobre el desarrollo de la lógica empresarial, el
desarrollo de flujos de datos complejos, la reutilización de flujos de datos y cómo lograr
la escalabilidad empresarial con los flujos de datos.

Tema. Sección de instrucciones Vínculo a un artículo o

contenido

Power Query Sugerencias y trucos para sacar el máximo Procedimientos

partido a su experiencia de limpieza y recomendados al trabajar
transformación de datos con Power Query

Aprovechamiento Existen ventajas de rendimiento para el uso de Escenarios de tablas

de tablas tablas calculadas en un flujo de datos calculadas
calculadas

Desarrollo de Patrones para desarrollar flujo de datos de alto Procedimientos

flujos de datos rendimiento y a gran escala recomendados para
complejos diseñar y desarrollar flujos
de datos complejos
Tema. Sección de instrucciones Vínculo a un artículo o
contenido

Reutilización de Patrones, instrucciones y casos de uso Procedimientos

flujos de datos recomendados para
reutilizar flujos de datos
entre entornos y áreas de
trabajo

Implementaciones Instrucciones y uso a gran escala para Procedimientos

a gran escala complementar la arquitectura empresarial recomendados para crear
un modelo dimensional
mediante flujos de datos

Uso de proceso Mejora potencial del rendimiento de los flujos Uso del motor de proceso
mejorado de datos hasta 25 veces más para mejorar el
rendimiento

Optimización de Saque el máximo partido de su infraestructura Configuración de cargas

la configuración de flujos de datos mediante la comprensión de de trabajo de flujo de
de la carga de los mecanismos que puede extraer para datos de Power BI
trabajo maximizar el rendimiento Premium

Combinación y Creación de combinaciones de alto Optimizar Power Query al

expansión de rendimiento expandir columnas de
tablas tabla

Orientación sobre Aceleración de transformaciones mediante el Plegamiento de consultas

el plegado de sistema de origen de Power Query
consultas

Uso de la Descripción de la calidad, la distribución y el Uso de las herramientas de

generación de perfil de las columnas generación de perfiles de
perfiles de datos datos

Implementación Desarrollo de flujos de datos sólidos Tratamiento de errores en

del control de resistentes a errores de actualización, con Power Query

errores sugerencias Tratamiento de errores

Uso de la vista de Mejora de la experiencia de creación al trabajar Vista de esquema

esquema con una tabla ancha y realizar operaciones de
nivel de esquema

Tablas vinculadas Reutilización y referencias de transformaciones Creación de un flujo de

datos mediante tablas
vinculadas

Actualización Comparación entre la carga de datos recientes Uso de la actualización

incremental o modificados, y la recarga completa incremental con flujos de
datos
Pasos siguientes
En los artículos siguientes encontrará más información sobre los flujos de datos y
Power BI:

Introducción a los flujos de datos y la preparación de datos de autoservicio

Creación de un flujo de datos
Configurar y consumir un flujo de datos
Características prémium de flujos de datos
Configuración del almacenamiento de flujo de datos para usar Azure Data Lake
Gen 2
IA con flujos de datos
Consideraciones y limitaciones de flujos de datos
Descripción y optimización de la
actualización de flujos de datos
Artículo • 08/03/2023

Los flujos de datos de Power BI permiten conectar, transformar, combinar y distribuir

datos para un análisis descendente. Un aspecto clave de los flujos de datos es el
proceso de actualización, que aplica los pasos de transformación creados en los flujos
de datos y actualiza los datos de los propios elementos.

Para comprender los tiempos de ejecución, el rendimiento y si va a aprovechar al

máximo el flujo de datos, puede descargar el historial de actualización tras haber
actualizado un flujo de datos.

Descripción de las actualizaciones

Hay dos tipos de actualizaciones aplicables a los flujos de datos:

Completa, que realiza un vaciado completo y una recarga de los datos.

Incremental (solo Premium) , que procesa un subconjunto de los datos en función

de las reglas basadas en el tiempo, expresadas como un filtro, que haya
configurado. El filtro de la columna de fecha se usa particiona de forma dinámica
los datos en intervalos en el servicio Power BI. Una vez configurada la actualización
incremental, el flujo de datos modifica automáticamente la consulta para incluir el
filtrado por fecha. Puede editar la consulta generada automáticamente mediante el
Editor avanzado de Power Query para ajustar o personalizar la actualización. Si
aporta su propia instancia de Azure Data Lake Storage, puede ver los intervalos de
tiempo de los datos en función de la directiva de actualización que haya
establecido.

７ Nota

Para más información sobre la actualización incremental y cómo funciona,

consulte Uso de la actualización incremental con flujos de datos.

La actualización incremental permite flujos de datos de gran tamaño en Power BI, lo que

ofrece las siguientes ventajas:

Las actualizaciones son más rápidas después de la primera actualización debido a

los siguientes hechos:
 Power BI actualiza las últimas N particiones especificadas por el usuario (donde
partición es día, semana, mes, etc.), o bien:
Power BI solo actualiza los datos que sea necesario actualizar. Por ejemplo, se
actualizarán solo los últimos cinco días de un conjunto de datos de diez años.
Power BI solo actualiza los datos que han cambiado, siempre y cuando
especifique la columna cuyos cambios quiere comprobar.

Las actualizaciones son más confiables: ya no es necesario mantener conexiones

de larga duración a sistemas de origen volátiles.

Se reduce el consumo de recursos: al haber menos datos que actualizar, se reduce

el consumo total de memoria y de otros recursos.

Siempre que sea posible, Power BI emplea el procesamiento paralelo en las

particiones, lo que puede dar lugar a actualizaciones más rápidas.

En cualquiera de estos escenarios de actualización, si se produce un error en una

actualización, los datos no se actualizan. Los datos pueden estar obsoletos hasta que se
complete la actualización más reciente, o bien puede actualizarlos manualmente hasta
que la operación finalice sin errores. La actualización se produce en una partición o una
entidad, por lo que, si se produce un error en una actualización incremental o una
entidad tiene un error, no se producirá la transacción de la actualización completa.
Dicho de otro modo, si se produce un error en una partición (directiva de actualización
incremental) o en una entidad de un flujo de datos, la operación de actualización
completa produce un error y no se actualiza ningún dato.

Descripción y optimización de las

actualizaciones
Para comprender mejor cómo funciona una operación de actualización de flujo de
datos, revise el historial de actualización de uno de sus flujos de datos. Seleccione Más
opciones (...) en el flujo de datos. A continuación, elija Configuración > Historial de
actualización. También puede seleccionar el flujo de datos en Área de trabajo. A
continuación, elija Más opciones (...) > Historial de actualización.
El historial de actualización proporciona una visión general de las actualizaciones,
incluido el tipo (a petición o programada), la duración y el estado de ejecución. Para ver
los detalles en forma de archivo CSV, seleccione el icono de descarga situado en el
extremo derecho de la fila de la descripción de la actualización. El CSV descargado
incluye los atributos descritos en la tabla siguiente. Las actualizaciones Premium
proporcionan más información basada en las capacidades adicionales de proceso y flujo
de datos, frente a los flujos de datos basados en Pro que residen en la capacidad
compartida. Por tanto, algunas de las siguientes métricas solo están disponibles en la
versión Premium.

Elemento Descripción Pro Premium

Solicitud La actualización de tiempo se programó o se hizo clic en ✔ ✔

realizada el Actualizar ahora, en hora local.

Nombre del Nombre del flujo de datos. ✔ ✔

flujo de
datos

Estado de Los estados posibles son Completado, Error u Omitido (para ✔ ✔

actualización una entidad). Los casos de uso como las entidades vinculadas
de flujo de son los motivos por los que se podrían omitir.
datos

Nombre de Nombre de la tabla. ✔ ✔

entidad
Elemento Descripción Pro Premium

Nombre de Este elemento depende de si el flujo de datos es o no ✔

la partición Premium, y si Pro se muestra como N/D porque no admite
actualizaciones incrementales. Premium muestra
FullRefreshPolicyPartition o IncrementalRefreshPolicyPartition-
[DateRange].

Estado de Estado de actualización de la entidad o partición individual, ✔ ✔

actualización que proporciona el estado de ese intervalo de tiempo de los
datos que se están actualizando.

Hora de En Premium, este elemento es el momento en el que el flujo de ✔ ✔

inicio datos se puso en cola para procesarse para la entidad o
partición. Este tiempo puede variar si los flujos de datos tienen
dependencias y deben esperar a que el conjunto de resultados
de un flujo de datos de nivel superior comience a procesarse.

Hora de El tiempo de finalización es el momento en el que se completa ✔ ✔

finalización la entidad de flujo de datos o la partición, si procede.

Duration Tiempo total transcurrido para que se actualice el flujo de ✔ ✔

datos expresado en HH:MM:SS.

Filas Para una entidad o partición determinada, corresponde al ✔

procesadas número de filas examinadas o escritas por el motor de flujo de
datos. Es posible que este elemento no siempre contenga
datos en función de la operación que haya realizado. Los datos
se pueden omitir cuando no se usa el motor de proceso o
cuando se usa una puerta de enlace a medida que los datos se
procesan allí.

Bytes Para una entidad o partición determinada, son los datos ✔

procesados escritos por el motor de flujo de datos, expresados en bytes.

Si se usa una puerta de enlace en este flujo de datos concreto,

no se proporciona esta información.

Confirmación La confirmación máxima es la memoria de confirmación ✔

máxima (en máxima útil para diagnosticar errores de memoria insuficiente
KB) cuando la consulta M no está optimizada.

Si se usa una puerta de enlace en este flujo de datos concreto,

no se proporciona esta información.
 Elemento Descripción Pro Premium

Tiempo de Para una entidad o partición determinada, corresponde al ✔

procesador tiempo, expresado en HH:MM:SS, que el motor de flujo de
datos dedicó a realizar transformaciones.

Si se usa una puerta de enlace en este flujo de datos concreto,

no se proporciona esta información.

Tiempo de Para una entidad o partición determinada, corresponde al ✔

espera tiempo que dedicó una entidad en estado de espera, según la
carga de trabajo de la capacidad Premium.

Motor de Para una entidad o partición determinada, los detalles sobre ✔

proceso cómo la operación de actualización usa el motor de proceso.
Los valores son:

- N/D

- Plegado

- En caché

- En caché y plegado

Estos elementos se describen con más detalle posteriormente

en este artículo.

Error Si procede, se describe el mensaje de error detallado por ✔ ✔

entidad o partición.

Guía de actualización de flujo de datos

Las estadísticas de actualización proporcionan información valiosa que puede usar para
optimizar y acelerar el rendimiento de los flujos de datos. En las secciones siguientes, se
describen algunos escenarios, qué se debe supervisar y cómo optimizar en función de la
información proporcionada.

Orquestación
El uso de flujos de trabajo en la misma área de trabajo permite una orquestación
sencilla. Por ejemplo, podría tener flujos de datos A, B y C en una sola área de trabajo,
encadenados como A > B > C. Si actualiza el origen (A), las entidades de nivel inferior
también se actualizan. Sin embargo, si actualiza C, tiene que actualizar los otros de
manera independiente. Además, si agrega un nuevo origen de datos en el flujo de datos
B (que no se incluye en A), los datos no se actualizan como parte de la orquestación.

Es posible que quiera encadenar elementos que no se ajusten a la orquestación

administrada que realiza Power BI. En estos escenarios, puede usar las API o Power
Automate. Puede consultar la documentación de la API y el script de PowerShell para
la actualización mediante programación. Hay un conector para Power Automate que
permite este procedimiento sin necesidad de escribir código. Puede ver ejemplos
detallados, con tutoriales específicos para las actualizaciones secuenciales.

Supervisión
Con las estadísticas de actualización mejorada descritas anteriormente en este artículo,
puede obtener información detallada sobre la actualización de flujo de datos. Pero si
quiere ver flujos de datos con información general de todo el inquilino o de toda el área
de trabajo de las actualizaciones, quizás para compilar un panel de supervisión, puede
usar las API o las plantillas de PowerAutomate. Del mismo modo, para casos de uso
como el envío de notificaciones simples o complejas, puede usar el conector de
PowerAutomate o crear su propia aplicación personalizada mediante las API.

Errores de tiempo de espera agotado

Es conveniente optimizar el tiempo necesario para ejecutar escenarios de extracción,
transformación y carga (ETL). En Power BI, se aplican los siguientes casos:

Algunos conectores tienen valores de tiempo de espera explícitos que se pueden

configurar. Para más información, consulte Conectores en Power Query.
Cuando se utiliza Power BI Pro, los flujos de datos de Power BI pueden
experimentar también tiempos de espera para las consultas de larga duración
dentro de una entidad o de los propios flujos de datos. Esta limitación no existe en
las áreas de trabajo de Power BI Premium.

Guía de tiempo de espera

Los umbrales de tiempo de espera de los flujos de datos de Power BI Pro son los
siguientes:

Dos horas en el nivel de entidad individual.

Tres horas en el nivel de flujo de datos completo.

Por ejemplo, si tiene un flujo de trabajo con tres tablas, ninguna tabla individual puede
tardar más de dos horas, y el flujo de trabajo completo agotará el tiempo de espera si la
duración supera las tres horas.

Si experimenta tiempos de espera, considere la posibilidad de optimizar las consultas de

flujo de datos y usar el plegado de consultas en los sistemas de origen.
Por otra parte, también podría actualizar a Premium por usuario, que no está sujeto a
estos tiempos de espera y ofrece un mayor rendimiento debido a la gran cantidad de
características Premium por usuario de Power BI.

Duraciones prolongadas
Los flujos de datos complejos o grandes pueden tardar más tiempo en actualizarse, al
igual que los flujos de datos con una optimización deficiente. En las secciones siguientes
se proporcionan instrucciones sobre cómo mitigar las duraciones de actualización
prolongadas.

Guía para las duraciones de actualización prolongadas

El primer paso para mejorar las duraciones de actualizaciones prolongadas de los flujos
de datos es crear flujos de datos siguiendo los procedimientos recomendados. Entre los
patrones destacables se incluyen:

Uso de entidades vinculadas para datos que se pueden emplear posteriormente en

otras transformaciones.
Uso de entidades calculadas para almacenar datos en caché, lo que reduce la carga
de datos y la carga de ingesta de datos en los sistemas de origen
División de los datos en flujos de datos de almacenamiento provisional y flujos de
datos de transformación, con el fin de separar el proceso ETL en flujos de datos
diferentes.
Optimización de las operaciones de expansión de tablas.
Seguimiento de la guía para flujos de datos complejos.

Después, puede ayudar a evaluar si se le permite usar la actualización incremental.

El uso de la actualización incremental puede mejorar el rendimiento. Es importante que

los filtros de partición se inserten en el sistema de origen cuando las consultas se envían
para las operaciones de actualización. El filtrado de inserción descendente indica que el
origen de datos debe admitir el plegado de consultas, o bien usted puede expresar la
lógica empresarial con una función u otros medios que puedan ayudar a Power Query a
eliminar y filtrar archivos o carpetas. La mayoría de los orígenes de datos que admiten
consultas SQL admiten el plegado de consultas y algunas fuentes de OData también
pueden admitir el filtrado.

Sin embargo, los orígenes de datos, como archivos planos, blobs y API, normalmente no
admiten el filtrado. En los casos en los que el back-end del origen de datos no admite el
filtro, no se puede insertar. En tales casos, el motor mashup compensa y aplica el filtro
localmente, lo que puede requerir la recuperación del conjunto de datos completo del
origen de datos. Esta operación puede provocar que una actualización incremental sea
lenta, y el proceso puede quedarse sin recursos en el servicio Power BI o en la puerta de
enlace de datos local, si se usa.

Dados los diversos niveles de compatibilidad con el plegado de consultas para cada
origen de datos, debería comprobar que la lógica de filtro se incluye en las consultas de
origen. Para facilitar esta tarea, Power BI intenta realizar esta comprobación de forma
automática mediante indicadores de plegado de paso para Power Query Online .
Muchas de estas optimizaciones son experiencias en tiempo de diseño, pero, tras una
actualización, tiene la oportunidad de analizar y optimizar el rendimiento de la
actualización.

Por último, considere la posibilidad de optimizar el entorno. Puede optimizar el entorno

de Power BI escalando verticalmente la capacidad, ajustando el tamaño de las puertas
de enlace de datos y reduciendo la latencia de red con las siguientes optimizaciones:

Al usar las capacidades disponibles con Power BI Premium o Premium por usuario,
puede mejorar el rendimiento aumentando la instancia Premium o asignando el
contenido a otra capacidad.

Se precisa una puerta de enlace cuando Power BI necesita acceder a los datos que
no están disponibles directamente a través de Internet. Puede instalar la puerta de
enlace de datos local en un servidor local o en una máquina virtual.
Para comprender las cargas de trabajo de puerta de enlace y las
recomendaciones de ajuste de tamaño, vea Ajuste de tamaño de la puerta de
enlace de datos local.
Valore también incorporar primero los datos en un flujo de datos de
almacenamiento provisional y hacer referencia a él mediante entidades
vinculadas y calculadas.

La latencia de red puede afectar al rendimiento de las actualizaciones si se

aumenta el tiempo necesario para que las solicitudes lleguen al servicio Power BI y
para la entrega de las respuestas. Los inquilinos de Power BI se asignan a una
región específica. Para determinar dónde se encuentra el inquilino, consulte
Búsqueda de la región predeterminada de la organización. Cuando los usuarios de
un inquilino acceden al servicio Power BI, sus solicitudes siempre se enrutan a
dicha región. Cuando las solicitudes llegan al servicio Power BI, el servicio puede
enviar solicitudes adicionales (por ejemplo, al origen de datos subyacente o a la
puerta de enlace), que también están sujetas a la latencia de red.
Las herramientas como Azure Speed Test proporcionan una indicación de la
latencia de red entre el cliente y la región de Azure. En general, para minimizar
el impacto de la latencia de red, intente mantener los orígenes de datos, las
 puertas de enlace y el clúster de Power BI lo más cerca posible. Es preferible
residir en la misma región. Si la latencia de red es un problema, intente ubicar
las puertas de enlace y los orígenes de datos más cerca del clúster de Power BI
situándolos dentro de las máquinas virtuales hospedadas en la nube.

Tiempo de procesador elevado

Si observa un tiempo de procesador elevado, es probable que tenga transformaciones
costosas que no se pliegan. El tiempo elevado del procesador se debe al número de
pasos aplicados que tiene o al tipo de transformaciones que realiza. Cada una de estas
posibilidades puede dar lugar a tiempos de actualización mayores.

Guía para el tiempo de procesador elevado

Hay dos opciones para optimizar el tiempo de procesador elevado.

En primer lugar, use el plegado de consultas en el propio origen de datos, lo que

debería reducir directamente la carga en el motor de proceso del flujo de datos. El
plegado de consultas dentro del origen de datos permite al sistema de origen realizar la
mayor parte del trabajo. El flujo de datos puede pasar entonces por las consultas en el
lenguaje nativo del origen, en lugar de tener que realizar todos los cálculos en la
memoria después de la consulta inicial.

No todos los orígenes de datos son capaces de realizar el plegado de consultas e,

incluso en el caso de que sea posible, pueden existir flujos de datos que realicen ciertas
transformaciones imposibles de plegar en el origen. En tales casos, el motor de proceso
mejorado es una funcionalidad introducida por Power BI que puede mejorar hasta
25 veces el rendimiento, especialmente en las transformaciones.

Uso del motor de proceso para maximizar el rendimiento

Aunque Power Query tiene visibilidad en tiempo de diseño sobre el plegado de
consultas, la columna del motor de proceso proporciona detalles sobre si se utiliza el
propio motor interno. El motor de proceso resulta útil cuando tiene un flujo de datos
complejo y está realizando transformaciones en la memoria. En esta situación es donde
las estadísticas de actualización mejorada pueden ser útiles, ya que la columna del
motor de proceso proporciona detalles sobre si se ha usado o no el propio motor.

En las secciones siguientes se proporciona una guía sobre el uso del motor de proceso y
sus estadísticas.
 ２ Advertencia

Durante el tiempo de diseño, el indicador de plegado en el editor puede mostrar

que la consulta no se pliega al consumir datos de otro flujo de datos. Compruebe
el flujo de datos de origen si está habilitado el proceso mejorado para asegurarse
de que el plegado en el flujo de datos de origen está habilitado.

Guía sobre los estados del motor de proceso

Es útil activar el motor de proceso mejorado y comprender los diversos estados.
Internamente, el motor de proceso mejorado utiliza una base de datos SQL para leer y
almacenar los datos. Es mejor que las transformaciones se ejecuten aquí, en el motor de
consultas. A continuación se describen diversas situaciones y una guía sobre qué hacer
en cada una de ellas.

N/D: este estado significa que el motor de proceso no se usó por alguna de estas
razones:

Está usando flujos de datos de Power BI Pro.

Desactivó explícitamente el motor de proceso.
Está usando el plegado de consultas en el origen de datos.
Está realizando transformaciones complejas que no pueden usar el motor SQL que
se usa para acelerar las consultas.

Si experimenta duraciones largas y sigue recibiendo el estado N/D, asegúrese de que el

motor de proceso esté activado y no se haya desactivado por accidente. Un patrón
recomendado es usar flujos de datos de almacenamiento provisional para introducir los
datos inicialmente en el servicio Power BI y, luego, crear flujos de datos a partir de estos
datos, una vez que se encuentra en un flujo de datos de almacenamiento provisional.
Ese patrón puede reducir la carga en los sistemas de origen y, junto con el motor de
proceso, proporcionar un aumento de velocidad para las transformaciones y mejorar el
rendimiento.

En caché: si ve el estado En caché, los datos de flujo de datos se almacenaron en el

motor de proceso y están disponibles para hacer referencia a ellos como parte de otra
consulta. Esta situación es conveniente si los usa como entidad vinculada, ya que el
motor de proceso almacena en caché esos datos para su uso en un nivel inferior. Los
datos almacenados en caché no necesitan actualizarse varias veces en el mismo flujo de
datos. Esta situación también podría ser conveniente si quiere usarlos en DirectQuery.
Cuando se almacenan en caché, el efecto sobre el rendimiento de la ingesta inicial se
amortiza más adelante, en el mismo flujo de datos o en un flujo de datos diferente de la
misma área de trabajo.

Si la duración de la entidad es muy larga, considere la posibilidad de desactivar el motor

de proceso. Para almacenar en caché la entidad, Power BI la escribe en el
almacenamiento y en SQL. Si se trata de una entidad de un solo uso, la ventaja de
rendimiento para los usuarios podría no merecer la pena de la ingesta doble.

Plegado: este estado significa que el flujo de datos pudo usar el proceso de SQL para
leer los datos. La entidad calculada usó la tabla de SQL para leer los datos, y el SQL
utilizado está relacionado con las construcciones de su consulta.

El estado Plegado aparece si, cuando se usan orígenes de datos locales o en la nube, se
cargan primero los datos en un flujo de datos de almacenamiento provisional y se hace
referencia a ellos en este flujo de datos. Este estado solo se aplica a las entidades que
hacen referencia a otra entidad. Significa que las consultas se ejecutaron sobre el motor
de SQL y, por tanto, tienen la posibilidad de mejorar con el proceso de SQL. Para
asegurarse de que el motor de SQL procesa las transformaciones, use transformaciones
que admitan el plegado de SQL, como las acciones de fusionar mediante combinación
(combinar), agrupar por (agregación) y anexar (unión) en el Editor de consultas.

En caché y plegado: cuando vea el estado En caché y plegado, es probable que se haya
optimizado la actualización de datos, ya que tiene una entidad que hace referencia a
otra y a la que se hace referencia mediante otra entidad de nivel superior. Esta
operación también se ejecuta sobre SQL y, de ese modo, también tiene la posibilidad de
mejorar con el proceso de SQL. Para asegurarse de que está obteniendo el mejor
rendimiento posible, utilice las transformaciones que admiten el plegado de SQL, como
las acciones de mezclar (combinación), agrupar por (agregación) y anexar (unión) en el
Editor de consultas.

Guía para la optimización del rendimiento del motor de

proceso
Los pasos siguientes permiten que las cargas de trabajo desencadenen el motor de
proceso y, por tanto, mejoren siempre el rendimiento:

Entidades calculadas y vinculadas en la misma área de trabajo:

Para la ingesta, céntrese en introducir los datos en el almacenamiento lo más rápido

posible, y use filtros únicamente si reducen el tamaño total del conjunto de datos.
Mantenga la lógica de transformación independiente de este paso. A continuación,
separe la lógica de transformación y de negocios en un flujo de datos aparte de la
misma área de trabajo. Use entidades vinculadas o calculadas. Al hacerlo, el motor
puede activar y acelerar los cálculos. Haciendo una simple comparación, sería como la
preparación de los alimentos en la cocina: normalmente es un paso independiente y
distinto de la recolección de las materias primas y un requisito previo para poner los
alimentos en el horno. Del mismo modo, la lógica debe prepararse por separado para
poder aprovechar el motor de proceso.

Asegúrese de realizar las operaciones que doblan, como combinaciones, conversiones y

otras.

Además, cree flujos de datos dentro de las instrucciones y limitaciones publicadas.

Cuando el motor de proceso está activado, pero el rendimiento es lento:

Siga estos pasos al investigar escenarios en los que el motor de proceso está activado,
pero observa un rendimiento deficiente:

Limite las entidades calculadas y vinculadas que existen en toda el área de trabajo.
Si la actualización inicial es con el motor de proceso activado, los datos se escriben
en el lago y en la caché. Esta doble escritura da lugar a que las actualizaciones
sean más lentas.
Si tiene un flujo de datos vinculado a varios flujos de datos, asegúrese de
programar las actualizaciones de los flujos de datos de origen para que no se
realicen todas al mismo tiempo.

Consideraciones y limitaciones
Una licencia de Power BI Pro tiene un límite de actualización de flujos de datos de 8
actualizaciones al día.

Pasos siguientes
Uso de la actualización incremental con flujos de datos
Actualización incremental y datos en tiempo real para conjuntos de datos
Procedimientos recomendados para flujos de datos
Características prémium de flujos de datos
Consideraciones y limitaciones de flujos de datos
Solución de problemas con los escenarios de actualización
Uso de DirectQuery con flujos de datos
Artículo • 13/03/2023

El uso de DirectQuery con flujos de datos de Power BI le permite conectarse

directamente a un flujo de datos sin necesidad de importar los datos en un conjunto de
datos. Hay muchas razones por las que el uso de DirectQuery con flujos de datos, en
lugar de importar datos, es útil. Estos son algunos ejemplos:

Trabajar con flujos de datos grandes

Reducir las necesidades de orquestación de los flujos de datos
Proporcionar datos a los clientes de una manera administrada y centrada en el
rendimiento
Evitar la necesidad de duplicar datos en un flujo de datos y un conjunto de datos
importado

Configuraciones
Para usar DirectQuery con flujos de datos, debe Activar explícitamente el motor de
proceso mejorado en la configuración del flujo de datos. Después, debe actualizar el
flujo de datos para poder consumirlo en el modo DirectQuery.

1. Vaya al flujo de datos Premium y Active el motor de proceso mejorado.

2. Actualice el flujo de datos.

Después de completar los pasos, se puede acceder al flujo de datos en Power BI

Desktop con el modo DirectQuery.

Consumo
Cuando DirectQuery está disponible para un flujo de datos, la conexión a un flujo de
datos mediante el conector de flujos de datos le pide que elija si quiere conectarse a las
tablas mediante DirectQuery o Importar.

Las entidades de flujo de datos que admiten DirectQuery muestran el icono Ver en
Power BI Desktop, en lugar del icono Tabla. El icono Ver aparece como dos cuadros
apilados entre sí; el icono Tabla es una sola tabla con una cuadrícula.

En la imagen siguiente se muestra el icono Ver, que indica que la tabla Orders admite
DirectQuery:
En esta imagen se muestra el icono Tabla, lo que indica que la tabla Query solo admite
la importación:

En el modo DirectQuery, puede interrogar rápidamente conjuntos de datos a gran

escala de forma local. Pero en la actualidad no puede realizar otras transformaciones.

Pasos siguientes
En este artículo se ha proporcionado una introducción al uso de DirectQuery con flujos
de datos. Los siguientes artículos también pueden resultarle útiles:

DirectQuery en Power BI
Instrucciones del modelo de DirectQuery en Power BI Desktop

En los artículos siguientes encontrará más información sobre los flujos de datos y
Power BI:

Introducción a los flujos de datos y la preparación de datos de autoservicio

Creación de un flujo de datos
Configurar y consumir un flujo de datos
Configuración del almacenamiento de flujo de datos para usar Azure Data Lake
Gen 2
Características prémium de flujos de datos
Consideraciones y limitaciones de flujos de datos
Procedimientos recomendados para flujos de datos
Consideraciones y limitaciones de flujos
de datos
Artículo • 31/05/2023

Existen algunas limitaciones en los flujos de entrada en cuanto a la creación, las

actualizaciones y la administración de capacidades que los usuarios deben tener en
cuenta, como se describe en las secciones siguientes.

Limitaciones generales
Es posible que los flujos de datos no estén disponibles para todos los clientes del
DoD de la Administración Pública de Estados Unidos. Se puede encontrar paridad
de características en entornos gubernamentales en el artículo Disponibilidad de
características de Power BI para la administración pública.
Los orígenes de datos eliminados no se quitan de la página del origen de datos
del flujo de datos. Se trata de un comportamiento favorable que no afecta a la
actualización ni la edición de flujos de datos. En la vista Linaje , los orígenes de
datos eliminados aparecen como linaje para un flujo de datos.
Los orígenes de datos eliminados seguirán apareciendo en la página de
configuración del menú desplegable de la puerta de enlace.
La profundidad equivale a los flujos de datos vinculados a otros flujos de datos. La
profundidad máxima actual es 32.
La amplitud equivale a las entidades dentro de un flujo de datos.
No hay ninguna guía o límite en cuanto al número óptimo de entidades en un
flujo de datos; sin embargo, los flujos de datos compartidos tienen un límite de
actualización de dos horas por entidad y tres por flujo de datos. Por lo tanto, si
tiene dos entidades y cada una tarda dos horas, no debe colocarlas en el mismo
flujo de datos.
En Power BI Premium, las instrucciones y los límites se basan en casos de uso
individuales y no en requisitos específicos. El único límite en Power BI Premium
es una actualización de 24 horas por flujo de datos.
Se requiere una suscripción a Power BI Premium para poder actualizar más de diez
flujos de datos en el área de trabajo
Las limitaciones de PowerQuery se encuentran en el artículo Límites de
PowerQuery Online.
Los flujos de datos de Power BI no admiten el uso de variables globales en un
argumento de dirección URL.
 Actualmente, no se admite Multi-Geo a menos que configure el almacenamiento
para que use su propia cuenta de almacenamiento de Azure Data Lake Gen2.
La compatibilidad con redes virtuales se consigue mediante una puerta de enlace.
Al usar Entidades calculadas con orígenes de datos de puerta de enlace, la ingesta
de datos debe realizarse en orígenes de datos diferentes a los de los cálculos. Las
entidades calculadas deben basarse en entidades que solo se usan para la ingesta
y no en los datos de ingesta de sus propios pasos de combinación.
En los flujos de datos de Power BI puede usar parámetros, pero no puede editarlos
a menos que edite todo el flujo de datos. En este sentido, los parámetros de los
flujos de datos se comportan de manera similar a las constantes declaradas.

Creación de flujos de datos

Al crear flujos de datos, los usuarios deben tener en cuenta lo siguiente:

La creación de flujos de datos se realiza en el entorno de Power Query Online

(PQO); consulte las limitaciones que se describen en Límites de Power Query.
Dado
que la creación de flujos de datos se realiza en el entorno de Power Query Online
(PQO), las actualizaciones realizadas en las configuraciones de la carga de trabajo
de flujos de datos solo afectan a las actualizaciones, y no a la experiencia de
creación

Los flujos de datos solo pueden ser modificarlos sus propietarios.

Los flujos de datos no están disponibles en Mi área de trabajo

Los flujos de datos que usan orígenes de datos de puerta de enlace no admiten
varias credenciales para el mismo origen de datos

Para usar el conector [Link], se requiere una puerta de enlace.

Consideraciones sobre las API

Se puede encontrar más información sobre las API REST de flujos de datos en la
referencia de la API REST. Estas son algunos aspectos que se deben tener en cuenta:

Al exportar e importar un flujo de datos, ese flujo de datos recibe un nuevo

identificador.

La importación de flujos de datos que contienen tablas vinculadas no corregirá las

referencias existentes en el flujo de datos (estas consultas deben corregirse
manualmente antes de importar el flujo de datos)
 Al implementar un flujo de datos, puede aprovechar los parámetros
GenerateUniqueName y Abort de controladores de conflictos para anular la
operación cuando ya exista o indicar a la API que cree automáticamente un
nombre único en su lugar

Flujos de datos en capacidades compartidas

Existen limitaciones para los flujos de datos en las capacidades compartidas
(capacidades que no son Premium):

Al actualizar los flujos de datos, los tiempos de espera en una capacidad de uso
compartido son de dos horas por tabla y de tres horas por flujo de datos
No se pueden crear tablas vinculadas en flujos de datos compartidos, si bien
pueden existir en ellos mientras la propiedad Load Enabled (Carga habilitada) de la
consulta esté deshabilitada
No se pueden crear tablas calculadas en flujos de datos compartidos
Los servicios AutoML y Cognitive no están disponibles en los flujos de datos
compartidos
La actualización incremental no funciona en los flujos de datos compartidos

Flujos de datos de la versión Premium

Los flujos de datos que existen en la versión Premium presentan las siguientes
consideraciones y limitaciones.

Actualizaciones y consideraciones sobre los datos:

Al actualizar los flujos de datos, los tiempos de espera son de 24 horas (no hay
distinción entre tablas o flujos de datos)

Al cambiar un flujo de datos de una directiva de actualización incremental a una

actualización normal, o viceversa, se descartarán todos los datos.

Al modificar el esquema de un flujo de datos, se descartarán todos los datos.

Cuando se usa una licencia Premium por usuario (PPU) con flujos de datos, los
datos se borran al moverlos fuera de un entorno PPU.

Cuando un flujo de datos se actualiza en un contexto Premium por usuario (PPU),

los datos no son visibles para los usuarios que no son PPU

La actualización incremental solo funciona con flujos de datos cuando el motor de

proceso mejorado está habilitado
Tablas vinculadas y calculadas:

las tablas vinculadas pueden descender hasta una profundidad de 32 referencias

No se permiten dependencias cíclicas de tablas vinculadas

Una tabla vinculada no se puede combinar con una tabla estándar que obtenga
sus datos de un origen de datos local

Cuando se usa una consulta (consulta A, por ejemplo) en el cálculo de otra

(consulta B) en los flujos de datos, la consulta B se convierte en una tabla
calculada. Las tablas calculadas no pueden hacer referencia a orígenes locales.

Motor de proceso:

al usar el motor de proceso, existe un aumento inicial aproximado del 10 % al 20 %
en el tiempo de ingesta de datos.
Este aumento solo se aplica al primer flujo de datos que se encuentra en el
motor de proceso y lee los datos del origen de datos.
Los flujos de datos subsiguientes que usan el flujo de datos de origen no
sufrirán la misma penalización

Solo determinadas operaciones hacen uso del motor de proceso y solo cuando se
utiliza mediante una tabla vinculada o como tabla calculada. Puede encontrar una
lista completa de las operaciones disponibles en esta entrada de blog .

Administración de la capacidad:

por diseño, las capacidades de Power BI Premium tienen un administrador de

recursos interno que limita las cargas de trabajo de distintas formas cuando la
capacidad se ejecuta con memoria insuficiente.

1. En el caso de los flujos de datos, esta presión limitante reduce el número de

contenedores M disponibles.
2. La memoria de los flujos de datos se puede establecer en 100 % con un
contenedor de tamaño adecuado para los tamaños de datos, y la carga de
trabajo administrará el número de contenedores de forma adecuada.

El número aproximado de contenedores se puede averiguar dividiendo la memoria

total asignada a la carga de trabajo entre la cantidad de memoria asignada a un
contenedor.

Conectores no admitidos:
Algunos conectores no se admiten para flujos de datos y datamarts en áreas de trabajo
Premium. Al usar un conector no compatible, puede recibir el siguiente error:
[Link]: La importación "<"nombre del conector">" no coincide con ninguna
exportación. ¿Perdió una referencia de módulo?

Los siguientes conectores no se admiten para flujos de datos y datamarts en áreas de

trabajo Premium:

Linkar
Actian
AmazonAthena
AmazonOpenSearchService
BIConnector
DataVirtuality
DenodoForPowerBI
Exasol
Foundry
Indexima
IRIS
JethroODBC
Kyligence
MariaDB
MarkLogicODBC
OpenSearchProject
QubolePresto
SingleStoreODBC
StarburstPresto
TibcoTdv

El uso de la lista anterior de conectores con flujos de datos o datamarts solo es

compatible con áreas de trabajo que no son Premium.

Uso de flujos de datos en conjuntos de datos

Al crear un conjunto de datos en Power BI Desktop y, luego, publicarlo en el
servicio Power BI, asegúrese de que las credenciales que se usan en Power BI
Desktop para el origen de datos de flujos de datos sean iguales que las que se
usan cuando el conjunto de datos se publica en el servicio.

1. Si no se puede garantizar que esas credenciales sean las mismas, se producirá

el error de clave no encontrada al actualizar el conjunto de datos.
 ７ Nota

Si se cambia la estructura del flujo de datos, por ejemplo, si se cambia el nombre

de una columna o se añade una nueva, el conjunto de datos no mostrará el
cambio. Además, este cambio también puede provocar un error en la actualización
de datos en el servicio Power BI del conjunto de datos hasta que se actualice en
Power BI Desktop y se vuelva a publicar.

Flujos de datos y conexiones con nombre

Al usar flujos de datos con conexiones con nombre, se aplican las limitaciones
siguientes:

Solo puede crear una conexión en la nube de una ruta y un tipo concretos; por
ejemplo, solo podría crear una conexión en la nube de SQL más un servidor o una
base de datos. Puede crear varias conexiones de puerta de enlace.
No se pueden asignar nombres ni cambiar el nombre de los orígenes de datos en
la nube; puede asignar un nombre o cambiar el nombre de las conexiones de
puerta de enlace.

Limitaciones de ADLS
ADLS no está disponible en los entornos GCC, GCC High o DOD. Para obtener más
información, consulte Power BI para clientes de la Administración Pública de
Estados Unidos.
Debido a los cambios en las API de ADLS Gen 2, debe estar asignado como
propietario del recurso.
No se admite la migración de suscripciones de Azure, pero hay dos alternativas
para ello:
Primer enfoque: después de la migración, el usuario puede desasociar las áreas
de trabajo y volver a asociarlas. Si usa la cuenta de nivel de inquilino, debe
desasociar todas las áreas de trabajo y luego desasociarlas en el nivel de
inquilino y volver a asociarlas. Puede que esta opción no sea conveniente para
los clientes que no quieran eliminar todos sus flujos de datos o que tengan
muchas áreas de trabajo.
Segundo enfoque: si el enfoque anterior no es factible, envíe una solicitud de
soporte técnico para cambiar el identificador de suscripción de la base de datos.
ADLS no es compatible con la mayoría de los elementos de la lista de la sección
Nombres de directorios y archivos del artículo sobre la nomenclatura de áreas de
trabajo y flujos de datos, debido a las siguientes limitaciones:
 Power BI devuelve un error que no resulta de utilidad, o permite que continúe el
proceso; sin embargo, se producirá un error en la actualización.
No se admiten suscripciones de ADLS entre inquilinos. La instancia de ADLS
asociada a Power BI debe formar parte del mismo inquilino de Azure que usa
Power BI con Azure Active Directory (Azure AD).

Tipos de datos de flujo de datos

Los tipos de datos admitidos en los flujos de datos son los siguientes:

Tipo de datos de mashup Tipo de datos de flujo de datos

Time Time

Date Date

DateTime DateTime

Fecha, hora y zona horaria DateTimeOffset

Lógicos Booleano

Texto String

Any Cadena

Moneda Decimal

Int8 Int64

Int16 Int64

Int32 Int64

Int64 Int64

Double Double

Porcentaje Doble

Single Double

Decimal Double

Number Double

Duration No compatible

Binary No compatible
 Tipo de datos de mashup Tipo de datos de flujo de datos

Función No compatible

Tabla No compatible

List No compatible

Registro No compatible

Tipo No compatible

Acción No compatible

Ninguno No compatible

Null No compatible

Pasos siguientes
En los artículos siguientes encontrará más información sobre los flujos de datos y
Power BI:

Introducción a los flujos de datos y la preparación de datos de autoservicio

Creación de un flujo de datos
Configurar y consumir un flujo de datos
Configuración del almacenamiento de flujo de datos para usar Azure Data Lake
Gen 2
Características prémium de flujos de datos
IA con flujos de datos
Procedimientos recomendados para flujos de datos
Flujos de datos de streaming (versión
preliminar)
Artículo • 29/04/2023

Las organizaciones quieren trabajar con los datos a medida que los reciben, en lugar de
días o semanas más tarde. La visión de Power BI es simple: las diferencias entre por
lotes, en tiempo real y de streaming deben desaparecer. Los usuarios deben poder
trabajar con todos los datos en cuanto están disponibles.

） Importante

Los flujos de datos de streaming se han retirado y ya no están disponibles. Azure

Stream Analytics ha combinado la funcionalidad de flujos de datos de streaming.
Para obtener más información sobre la retirada de flujos de datos de streaming,
consulte el anuncio de retirada .

Normalmente, los analistas necesitan ayuda técnica para trabajar con los orígenes de
datos de streaming, la preparación de datos, las operaciones complejas basadas en el
tiempo y la visualización de datos en tiempo real. Los departamentos de TI a menudo se
basan en sistemas creados a medida y en una combinación de tecnologías de varios
proveedores para realizar análisis oportunos de los datos. Sin esta complejidad, no
pueden proporcionar información a los responsables de la toma de decisiones casi en
tiempo real.

Los flujos de datos de streaming permiten a los creadores conectarse, ingerir, mezclar,
modelar y crear informes basados en datos de streaming casi en tiempo real
directamente en el servicio Power BI. Este ofrece experiencias de arrastrar y colocar sin
código.

Puede mezclar y hacer coincidir datos de streaming con datos por lotes si necesita a
través de una interfaz de usuario (IU) que incluya una vista de diagrama para facilitar la
mezcla de datos. El elemento final generado es un flujo de datos que se puede
consumir en tiempo real para crear informes interactivos casi en tiempo real. Todas las
funcionalidades de visualización de datos de Power BI funcionan con datos de
streaming, del mismo modo que con los datos por lotes.
Los usuarios pueden realizar operaciones de preparación de datos, como
combinaciones y filtros. También pueden realizar agregaciones de ventana de tiempo
(como ventanas de saltos de tamaño constante, de saltos y de sesión) para operaciones
agrupadas.

Los flujos de datos de streaming de Power BI permiten a las organizaciones:

Tomar decisiones seguras casi en tiempo real. Las organizaciones pueden ser más
ágiles y adoptar medidas significativas en función de las conclusiones más
actualizadas.
Democratizar los datos de streaming. Las organizaciones pueden hacer que los
datos sean más accesibles y fáciles de interpretar con una solución sin código, y
esta accesibilidad reduce los recursos de TI.
Acelere la velocidad de las conclusiones mediante una solución de análisis de
streaming de un extremo a otro con almacenamiento de datos e inteligencia
empresarial integrados.

Los flujos de datos de streaming admiten DirectQuery y la actualización automática de

páginas y detección de cambios. Esta compatibilidad permite que los usuarios creen
informes que se actualizan casi en tiempo real, hasta cada segundo, mediante cualquier
objeto visual disponible en Power BI.

Requisitos
Antes de crear el primer flujo de datos de streaming, asegúrese de cumplir todos los
requisitos siguientes:

Para crear y ejecutar un flujo de datos de streaming, necesita un área de trabajo

que forme parte de una capacidad Premium o una licencia Premium por usuario
 (PPU) .

） Importante

Si usa una licencia PPU y quiere que otros usuarios consuman informes

creados con flujos de datos de streaming que se actualizan en tiempo real,
también necesitarán una licencia del mismo tipo. De este modo, podrán
consumir los informes con la misma frecuencia de actualización que
configure, si esa actualización es menor a cada 30 minutos.

Habilite los flujos de datos para el inquilino. Para obtener más información,
consulte Habilitación de flujos de datos de Power BI Premium.

Para asegurarse de que los flujos de datos de streaming funcionan en la capacidad

Premium, es necesario que el motor de proceso mejorado esté activado. El motor
está activado de manera predeterminada, pero los administradores de capacidades
de Power BI pueden desactivarlo. En ese caso, comuníquese con el administrador
para activarlo.

El motor de proceso mejorado solo está disponible en las capacidades Premium P

o Embedded A3 y mayores. Para usar flujos de datos de streaming, necesita PPU,
una capacidad Premium P de cualquier tamaño o una capacidad Embedded A3 o
mayor. Para obtener más información sobre las SKU Premium y sus
especificaciones, consulte Capacidad y SKU de los análisis incrustados de Power BI.

Para crear informes que se actualizan en tiempo real, asegúrese de que el

administrador (de la capacidad o de Power BI para PPU) haya habilitado la
actualización automática de páginas. Asegúrese también de que haya permitido un
intervalo de actualización mínimo que se ajuste a sus necesidades. Para más
información, consulte Actualización automática de páginas en Power BI.

Creación de un flujo de datos de streaming

Un flujo de datos de streaming, al igual que su flujo de datos relativo, es una colección
de entidades (tablas) creadas y administradas en áreas de trabajo del servicio Power BI.
Una tabla es un conjunto de campos que se usan para almacenar datos, muy similar a
una tabla de una base de datos.

Puede agregar y editar tablas en el flujo de datos de streaming directamente desde el

área de trabajo en la que se haya creado el flujo de datos. La principal diferencia con los
flujos de datos normales es que no es necesario preocuparse por las actualizaciones o la
frecuencia. Dada la naturaleza de los datos de streaming, hay un flujo constante de
datos entrantes. La actualización es constante o incluso infinita, a menos que la detenga.

７ Nota

Puede tener solo un tipo de flujo de datos por cada área de trabajo. Si ya tiene un
flujo de datos normal en el área de trabajo Premium, no podrá crear un flujo de
datos de streaming (y viceversa).

Para crear un flujo de datos de streaming:

1. Abra el servicio Power BI en un explorador y, a continuación, seleccione un área de

trabajo habilitada para Premium. (Los flujos de datos de streaming, como los flujos
de datos normales, no están disponibles en Mi área de trabajo).

2. Seleccione el menú desplegable Nuevo y, luego, seleccione Flujo de datos de

streaming.
3. En el panel lateral que se abre, debe asignar un nombre al flujo de datos de
streaming. Escriba un nombre en el cuadro Nombre (1) y seleccione Crear (2).
 Se muestra la vista de diagrama vacía para los flujos de datos de streaming.

En la captura de pantalla siguiente se muestra un flujo de datos finalizado. Están

resaltadas todas las secciones disponibles para crear elementos en la interfaz de usuario
del flujo de datos de streaming.

1. Cinta de opciones: en la cinta de opciones las secciones siguen el orden de un

proceso de análisis "clásico": entradas (también conocidas como orígenes de
 datos), transformaciones (operaciones ETL de streaming), salidas, y un botón para
guardar el progreso.

2. Vista de diagrama: esta vista es una representación gráfica del flujo de datos,
desde las entradas a las operaciones y las salidas.

3. Panel lateral: en función del componente que seleccione en la vista de diagrama,

se muestran valores para modificar cada entrada, transformación o salida.

4. Pestañas para vista previa de datos, errores de creación y errores en tiempo de

ejecución: para cada tarjeta mostrada, en la vista previa de datos, se muestran los
resultados de ese paso (en directo para las entradas y a petición para las
transformaciones y salidas).

En esta sección también se resumen los errores o advertencias de creación que

puedan aparecer en los flujos de datos. Al seleccionar cada error o advertencia, se
selecciona esa transformación. Asimismo, tiene acceso a los errores en tiempo de
ejecución una vez que el flujo de datos esté en ejecución, como los mensajes
eliminados.

Siempre puede minimizar esta sección de flujos de datos de streaming si

selecciona la flecha de la esquina superior derecha.

Un flujo de datos de streaming se basa en tres componentes principales: entradas de

streaming, transformaciones y salidas. Puede tener tantos componentes como quiera,
incluidas varias entradas, ramas paralelas con varias transformaciones y varias salidas.

Adición de una entrada de streaming

Para agregar una entrada de streaming, seleccione el icono de la cinta y proporcione la
información necesaria en el panel lateral para configurarla. A partir de julio de 2021, la
versión preliminar de flujos de datos de streaming admite Azure Event Hubs y Azure IoT
Hub como entradas.

Los servicios Azure Event Hubs y Azure IoT Hub están basados en una arquitectura
común para facilitar la ingesta y el consumo rápidos y escalables de eventos. En
concreto, IoT Hub está adaptado como centro de conectividad de mensajes para
comunicaciones bidireccionales entre una aplicación IoT y sus dispositivos conectados.

Azure Event Hubs

Azure Event Hubs es una plataforma de streaming de macrodatos y un servicio de
ingesta de eventos. Puede recibir y procesar millones de eventos por segundo. Los
datos enviados a un centro de eventos se pueden transformar y almacenar con
cualquier proveedor de análisis en tiempo real o puede usar adaptadores de
procesamiento por lotes y almacenamiento.

Para configurar un centro de eventos como entrada para flujos de datos de streaming,
seleccione el icono centro de eventos. Aparece una tarjeta en la vista de diagrama, así
como un panel lateral para su configuración.

Tiene la opción de pegar la cadena de conexión de Event Hubs. Los flujos de datos de
streaming rellenan toda la información necesaria, incluido el grupo de consumidores
opcional (que de manera predeterminada es $Default). Si quiere escribir todos los
campos manualmente, puede activar el botón de alternancia de entrada manual para
mostrarlos. Para obtener más información, consulte Obtención de una cadena de
conexión de Event Hubs.

Después de configurar las credenciales de Event Hubs y seleccionar Conectar, puede

agregar campos manualmente mediante + Agregar campo si conoce los nombres de
estos. Como alternativa, para detectar campos y tipos de datos automáticamente en
función de un ejemplo de los mensajes entrantes, seleccione Detección automática de
campos. Al seleccionar el icono de engranaje, puede editar las credenciales si es
necesario.
Cuando los flujos de datos de streaming detecten los campos, puede verlos en la lista.
También hay una vista previa dinámica de los mensajes entrantes en la tabla Vista previa
de datos en la vista de diagrama.

Siempre puede editar los nombres de campo, o quitar o cambiar el tipo de datos si
selecciona más opciones (...) junto a cada campo. También puede expandir, seleccionar y
editar los campos anidados de los mensajes entrantes, como se muestra en la imagen
siguiente.
Azure IoT Hub
IoT Hub es un servicio administrado que se hospeda en la nube. Actúa como centro de
mensajes para comunicaciones bidireccionales entre una aplicación de IoT y los
dispositivos conectados. Puede conectar millones de dispositivos y sus soluciones de
back-end con confianza y de forma segura. La mayoría de los dispositivos se pueden
conectar a un centro de IoT.

La configuración de IoT Hub es similar a la de Event Hubs debido a su arquitectura en

común. Pero hay algunas diferencias, como dónde encontrar la cadena de conexión
compatible con Event Hubs para el punto de conexión integrado. Para más información,
consulte Leer mensajes de dispositivo a nube desde el punto de conexión integrado.

Después de pegar la cadena de conexión para el punto de conexión integrado, toda la

funcionalidad para seleccionar, agregar, detectar automáticamente y editar campos
procedentes de IoT Hub es la misma que en Event Hubs. También puede editar las
credenciales seleccionando el icono de engranaje.

 Sugerencia

Si tiene acceso a Event Hubs o a IoT Hub en la instancia de Azure Portal de la

organización y quiere usarla como entrada para el flujo de datos de streaming,
puede encontrar las cadenas de conexión en las ubicaciones siguientes:

En el caso de Event Hubs:

 1. En la sección Análisis, seleccione Todos los servicios>Event Hubs.
2. Seleccione Espacio de nombres de Event Hubs>Entidades/Event Hubs y, a
continuación, seleccione el nombre del centro de eventos.
3. En la lista Directivas de acceso compartido, seleccione una directiva.
4. Seleccione Copiar en el Portapapeles junto al campo Cadena de conexión:
clave principal.

En el caso de IoT Hub:

1. En la sección Internet de las cosas, seleccione Todos los servicios>Centros de

IoT.
2. Seleccione el centro de IoT al que quiere conectarse y, a continuación,
seleccione Puntos de conexión integrados.
3. Seleccione Copiar en el Portapapeles junto al punto de conexión compatible
con Event Hubs.

Cuando se usan datos de flujo de Event Hubs o de IoT Hub, puede acceder a los
siguientes campos de hora de metadatos en el flujo de datos de streaming:

EventProcessedUtcTime: fecha y hora a la que se ha procesado el evento.

EventEnqueuedUtcTime: fecha y hora a la que se ha recibido el evento.

Ninguno de estos campos se muestra en la vista previa de entrada. Y los debe agregar
manualmente.

Blob Storage
Azure Blob Storage es la solución de almacenamiento de objetos de Microsoft para la
nube. El almacenamiento de blobs está optimizado para almacenar grandes cantidades
de datos no estructurados. Los datos no estructurados son datos que no se ciñen a
ningún un modelo de datos o definición concretos, como texto o datos binarios.

Puede usar blobs de Azure como entrada de streaming o de referencia. Los blobs de
streaming se comprueban cada segundo en busca de actualizaciones. A diferencia de un
blob de streaming, un blob de referencia solo se carga al principio de la actualización.
Son datos estáticos que no se espera que cambien, y el límite recomendado es de
50 MB o menos.

Power BI espera que los blobs de referencia se usen junto con orígenes de streaming,
por ejemplo, a través de JOIN. Por lo tanto, un flujo de datos de streaming con un blob
de referencia también debe tener un origen de streaming.
La configuración de los blobs de Azure es ligeramente diferente a la de un nodo de
Azure Event Hubs. Para buscar la cadena de conexión del blob de Azure, consulte
Visualización de claves de acceso de la cuenta.

Después de escribir la cadena de conexión del blob, debe proporcionar el nombre del
contenedor. También necesita introducir el patrón de ruta dentro del directorio para
acceder a los archivos que quiere establecer como origen para el flujo de datos.

En el caso de los blobs de streaming, se espera que el patrón de ruta de acceso del
directorio sea un valor dinámico. Se necesita que la fecha forme parte de la ruta de
archivo del blob, a la que se hace referencia como {date}. Además, no se admite un
asterisco (*) en el patrón de ruta de acceso, como {date}/{time}/*.json.

Por ejemplo, si tiene un blob denominado ExampleContainer en el que almacena

archivos .json anidados, y en el que el primer nivel es la fecha de creación y el segundo
nivel es la hora de creación (yyyy-mm-dd/hh), la entrada de contenedor sería
"ExampleContainer". El patrón de ruta de directorio sería "{date}/{time}", y aquí podría
modificar el patrón de fecha y hora.
Una vez que el blob está conectado al punto de conexión, toda la funcionalidad para
seleccionar, agregar, detectar automáticamente y editar campos procedentes de Blob de
Azure es la misma que en Event Hubs. También puede editar las credenciales
seleccionando el icono de engranaje.

A menudo, al trabajar con datos en tiempo real, los datos se condensan y los
identificadores se usan para representar el objeto. Un posible caso de uso de blobs
también podría ser como datos de referencia para los orígenes de streaming. Los datos
de referencia permiten unir datos estáticos a datos de streaming para enriquecer las
secuencias para su análisis. Un ejemplo rápido de cuándo sería útil esta característica
sería si estuviera instalando sensores en diferentes tiendas por departamento para
medir cuántos usuarios entran en la tienda en un momento dado. Normalmente, el
identificador del sensor debe unirse a una tabla estática para indicar en qué almacén de
departamentos y en qué ubicación se encuentra el sensor. Ahora, con los datos de
referencia, es posible unir estos datos durante la fase de ingesta para facilitar la tarea de
ver qué tienda tiene la salida más alta de los usuarios.

７ Nota
 Un trabajo de flujos de datos de streaming extrae datos de la entrada de Azure
Blob Storage o ADLS Gen2 cada segundo si el archivo de blob está disponible. Si el
archivo de blob no está disponible, hay un retroceso exponencial con un retraso de
tiempo máximo de 90 segundos.

Tipos de datos
Los tipos de datos disponibles para los campos de flujos de datos de streaming
incluyen:

DateTime: campo de fecha y hora en formato ISO

Float: número decimal
Int: número entero
Record: objeto anidado con varios registros
Cadena: texto

） Importante

Los tipos de datos seleccionados para una entrada de streaming tienen

implicaciones importantes más adelante para el flujo de datos de streaming.
Seleccione el tipo de datos lo antes posible en el flujo de datos para evitar tener
que detenerlo después para realizar cambios.

Adición de una transformación de datos de

streaming
Las transformaciones de datos de streaming son inherentemente diferentes de las
transformaciones de datos por lotes. Casi todos los datos de streaming tienen un
componente de tiempo que afecta a las tareas de preparación de datos implicadas.

Para agregar una transformación de datos de streaming al flujo de datos, seleccione el

icono de transformación de la cinta de esa transformación. La tarjeta correspondiente
aparece en la vista de diagrama. Una vez que la seleccione, aparecerá el panel lateral de
esa transformación para configurarla.

A partir de julio de 2021, los flujos de datos de streaming admiten las siguientes
transformaciones de streaming.

Filter
Use la transformación Filtro para filtrar eventos en función del valor de un campo de la
entrada. En función del tipo de datos (número o texto), la transformación mantiene los
valores que coincidan con la condición seleccionada.

７ Nota

Dentro de cada tarjeta aparecerá información sobre qué más se necesita para que
la transformación esté lista. Por ejemplo, cuando agregue una tarjeta nueva, verá el
mensaje "Configuración necesaria". Si falta un conector de nodo, verá un mensaje
de "Error" o "Advertencia".

Administrar campos
La transformación Administrar campos permite agregar, quitar o cambiar el nombre de
los campos procedentes de una entrada u otra transformación. Los valores del panel
lateral le ofrecen la opción de agregar uno nuevo si selecciona Agregar campo, o bien
de agregar todos los campos a la vez.
  Sugerencia

Después de configurar una tarjeta, la vista de diagrama le mostrará una visión de la

configuración dentro de la propia tarjeta. Por ejemplo, en el área Administrar
campos de la imagen anterior, puede ver que se están administrando los tres
primeros campos y se les están asignando nombres nuevos. Cada tarjeta tiene
información pertinente para ella.

Agregado
Puede usar la transformación Agregado para calcular una agregación (Suma, Mínimo,
Máximo o Promedio) cada vez que se produzca un nuevo evento durante un período
de tiempo. Esta operación también permite filtrar o segmentar la agregación en función
de otras dimensiones de los datos. Puede tener una o varias agregaciones en la misma
transformación.

Para agregar una agregación, seleccione el icono Transformación. Luego, conecte una
entrada, seleccione la agregación, agregue cualquier dimensión de filtro o intervalo de
tiempo, y seleccione el período en el que desea calcular la agregación. Este ejemplo
calcula la suma del valor del peaje según el estado del que procede el vehículo durante
los últimos 10 segundos.
Para agregar otra agregación a la misma transformación, seleccione Agregar función de
agregado. Tenga en cuenta que el filtro o intervalo de tiempo se aplica a todas las
agregaciones de la transformación.

Join
Use la transformación Combinación para combinar eventos de dos entradas en función
de los pares de campo que seleccione. Si no selecciona un par de campos, la
combinación se basa en el tiempo de forma predeterminada. El valor predeterminado
hace que esta transformación sea diferente de una por lotes.

Al igual que con las combinaciones normales, tiene diferentes opciones para la lógica de
combinación:

Combinación interna: incluye solo los registros de ambas tablas donde coincide el
par. En este ejemplo, se refiere a cuando la matrícula coincide con ambas entradas.
Combinación externa izquierda: se incluyen todos los registros de la tabla
izquierda (la primera) y solo los registros de la segunda que coincidan con el par
de campos. Si no hay coincidencias, los campos de la segunda entrada se
establecen en blanco.
Para seleccionar el tipo de combinación, seleccione el icono del tipo preferido en el
panel lateral.

Por último, seleccione durante qué período de tiempo quiere que se calcule la
combinación. En este ejemplo, la combinación examina los últimos 10 segundos. Tenga
en cuenta que cuanto mayor sea el período, menos frecuente será la salida y más
recursos de procesamiento usa para la transformación.

De manera predeterminada, se incluyen todos los campos de ambas tablas. Los prefijos
a la izquierda (primer nodo) y a la derecha (segundo nodo) en la salida le ayudan a
diferenciar el origen.

Agrupar por
Use la transformación Agrupar por para calcular agregaciones en todos los eventos
dentro de un período de tiempo determinado. Puede agrupar por los valores en uno o
varios campos. Es similar a la transformación Agregado, pero proporciona más opciones
para agregaciones. También incluye opciones más complejas de ventana de tiempo.
Como la de Agregado, también se puede incluir más de una agregación por
transformación.

Las agregaciones disponibles en esta transformación son: Promedio, Recuento,

Máximo, Mínimo, Percentil (continuo y discreto), Desviación estándar, Suma y
Varianza.
Para configurar esta transformación haga lo siguiente:

1. Seleccione su agregación preferida.

2. Seleccione el campo en el que desea realizar la agregación.
3. Seleccione un campo Agrupar por opcional si quiere obtener el cálculo agregado
en relación con otra dimensión o categoría (por ejemplo, Estado).
4. Seleccione la función para los períodos de tiempo.

Para agregar otra agregación a la misma transformación, seleccione Agregar función de

agregado. Tenga en cuenta que el campo Agrupar por y la función de período de
tiempo se aplican a todas las agregaciones de la transformación.
Se incluye una marca de tiempo para el final del período de tiempo en la salida de las
transformación como referencia.

Una sección más adelante en este artículo explica cada tipo de período de tiempo
disponible para esta transformación.

Union
Use la transformación Unión para conectar dos o más entradas a fin de agregar eventos
con campos compartidos (con el mismo nombre y tipo de datos) en una tabla. Los
campos que no coincidan se descartan y no se incluyen en la salida.

Configuración de funciones de período de

tiempo
Los períodos de tiempo son uno de los conceptos más complejos en los datos de
streaming. Es uno de los conceptos básicos del análisis de streaming.

Con los flujos de datos de streaming, puede configurar períodos de tiempo al agregar
datos como una opción para la transformación Agrupar por.

７ Nota

Tenga en cuenta que todos los resultados de salida de las operaciones de períodos
de tiempo se calculan al final del período de tiempo. La salida de la ventana será un
solo evento que está basado en la función de agregado. Este evento tendrá la
marca de tiempo del final del período de tiempo y todas las funciones de período
de tiempo se definen con una longitud fija.
Hay cinco tipos de períodos de tiempo entre los que elegir: saltos de tamaño constante,
saltos, deslizante, de sesión y de instantánea.

Ventana de saltos de tamaño constante

El de saltos de tamaño constante es el período de tiempo más común. Las
características clave de las ventanas de saltos de tamaño constante son que se repiten,
tienen la misma longitud de tiempo y no se superponen. Un evento no puede
pertenecer a más de una ventana de saltos de tamaño constante.

Al configurar una ventana de saltos de tamaño constante en flujos de datos de

streaming, debe especificar la duración de dicha ventana (en este caso, es la misma para
todas).
También puede proporcionar un desplazamiento opcional. De manera
predeterminada, las ventanas de saltos de tamaño constante incluyen el final de la
ventana y excluyen el principio. Puede usar este parámetro para cambiar este
comportamiento e incluir los eventos al principio de la ventana y excluir los del final.
Ventana de salto
Las ventanas de salto "saltan" hacia adelante en el tiempo un período fijo. Puede
imaginarlas como ventanas de saltos de tamaño constante que pueden superponerse y
emitirse con más frecuencia que el tamaño de ventana. Los eventos pueden pertenecer
a más de un conjunto de resultados de una ventana de salto. Para hacer que una
ventana de salto sea igual que una ventana de saltos de tamaño constante, puede
especificar el tamaño de salto para que coincida con el tamaño de la ventana.

Cuando configure una ventana de salto en flujos de datos de streaming, deberá

proporcionar su duración (igual que para las ventanas de saltos de tamaño constante).
También debe proporcionar el tamaño del salto, que indica a los flujos de datos de
streaming la frecuencia con la que quiere que se calcule la agregación para la duración
definida.

El parámetro de compensación también está disponible en ventanas de salto por la

misma razón que en las ventanas de saltos de tamaño constante. Define la lógica para
incluir y excluir eventos para el principio y el final de la ventana de salto.
Ventana deslizante
Las ventanas deslizantes, a diferencia de las de saltos de tamaño constante o las de
salto, calculan la agregación solo para los puntos en el tiempo cuando el contenido de
la ventana cambia realmente. Cuando un evento entra o sale del período de tiempo, se
calcula la agregación. Por tanto, cada ventana tiene al menos un evento. De forma
similar a lo que sucede en las ventanas de salto, los eventos pueden pertenecer a más
de una ventana deslizante.

El único parámetro necesario para una ventana deslizante es la duración, porque los
propios eventos definen cuándo inicia la ventana. No se necesita ninguna lógica de
desplazamiento.
Ventana de sesión
Las ventanas de sesión son el tipo más complejo. Agrupan eventos que suceden a la
misma hora, y se excluyen los períodos de tiempo en los que no hay datos. Para esta
ventana, debe proporcionar:

Un tiempo de espera: cuánto tiempo se debe esperar si no hay datos nuevos.

Una duración máxima: el tiempo más largo que se calcula la agregación si los
datos siguen recibiéndose.

También puede definir una partición, si así lo desea.

Configure una ventana de sesión directamente en el panel lateral de la transformación.

Si se especifica una partición, la agregación solo agrupará eventos para la misma clave.
Ventana de instantánea
Las ventanas de instantánea agrupan los eventos que tienen la misma marca de tiempo.
A diferencia de otras ventanas, una de instantánea no requiere ningún parámetro
porque usa la hora del sistema.

Definir las salidas

Cuando configure las entradas y las transformaciones, es el momento de definir una o
varias salidas. A partir de julio de 2021, los flujos de datos de streaming admiten tablas
de Power BI como el único tipo de salida.

Esta salida es una tabla de flujo de datos (es decir, una entidad) que puede usar para
crear informes en Power BI Desktop. Para que funcione, tiene que unir los nodos del
paso anterior con la salida que se crea. Después de eso, asígnele un nombre a la tabla.
Después de conectarse al flujo de datos, esta tabla estará disponible para que pueda
crear objetos visuales que se actualicen en tiempo real para los informes.

Vista previa de datos y errores

Los flujos de datos de streaming proporcionan herramientas para ayudarle a crear,
solucionar problemas y evaluar el rendimiento de la canalización de análisis para los
datos de streaming.

Vista previa de datos dinámica para entradas

Al conectarse a un centro de eventos o centro de IoT y seleccionar su tarjeta en la vista
de diagrama (pestaña Vista previa de datos), se obtiene una vista previa dinámica de
los datos que llegan si se cumplen todos los requisitos siguientes:

Los datos se están insertando.

La entrada se configuró correctamente.
Se han agregado campos.

Como se muestra en la captura de pantalla siguiente, si quiere ver o explorar en

profundidad algo específico, puede pausar la vista previa (1). O bien, puede iniciarla de
nuevo si ha terminado.

También puede ver los detalles de un registro específico (una "celda" en la tabla). Para
ello, selecciónelo y, luego, seleccione Mostrar detalles u Ocultar detalles (2). La captura
de pantalla muestra la vista detallada de un objeto anidado en un registro.
Vista previa estática para transformaciones y salidas
Después de agregar y configurar los pasos en la vista de diagrama, puede probar su
comportamiento si selecciona el botón de datos estáticos.

Después de hacerlo, los flujos de datos de streaming evalúan todas las transformaciones
y salidas configuradas correctamente. A continuación, los flujos de datos de streaming
muestran los resultados en la vista previa de datos estática, tal como se muestra en la
siguiente imagen.

Para actualizar la versión preliminar, seleccione Actualizar vista previa estática (1). Al
hacerlo, los flujos de datos de streaming toman nuevos datos de la entrada y vuelven a
evaluar todas las transformaciones y salidas con cualquier actualización que haya
realizado. La opción Mostrar u ocultar detalles también está disponible (2).

Errores de creación
Si tiene errores o advertencias de creación, la pestaña Errores de creación (1) los
muestra en una lista, como se muestra en la captura de pantalla siguiente. La lista
incluye detalles del error o advertencia, el tipo de tarjeta (entrada, transformación o
salida), el nivel de error y una descripción del error o advertencia (2). Al seleccionar
cualquiera de los errores o advertencias, se selecciona la tarjeta correspondiente y se
abre el panel lateral de configuración para que realice los cambios necesarios.

Errores de tiempo de ejecución

La última pestaña disponible en la vista preliminar es Errores en tiempo de ejecución
(1), como se muestra en la captura de pantalla siguiente. En esta pestaña se enumeran
todos los errores en el proceso de ingesta y análisis del flujo de datos de streaming
después de iniciarlo. Por ejemplo, podría obtener un error en tiempo de ejecución si un
mensaje se recibe dañado y el flujo de datos no ha podido ingerirlo ni realizar las
transformaciones definidas.

Como los flujos de datos pueden ejecutarse durante un largo período de tiempo, esta
tabla ofrece la opción de filtrar por intervalo de tiempo y de descargar la lista de errores
y actualizarla si es necesario (2).

Modificación de la configuración de flujos de

datos de streaming
Al igual que con los flujos de datos normales, la configuración de los flujos de datos de
streaming se puede modificar en función de las necesidades de propietarios y
creadores. Los siguientes valores de configuración son únicos para los flujos de datos de
streaming. Para el resto de las configuraciones, debido a la infraestructura de recursos
compartidos entre los dos tipos de flujos de datos, puede suponer que el uso es el
mismo.

Historial de actualizaciones: dado que los flujos de datos de streaming se ejecutan

continuamente, el historial de actualizaciones solo muestra información sobre
cuándo se inicia el flujo de datos, cuándo se cancela o cuándo se produce un error
(con detalles y códigos de error cuando corresponde). Esta información es similar a
la que se muestra para los flujos de datos normales. Puede usar esta información
para solucionar problemas o para ofrecer al soporte técnico de Power BI los
detalles que solicite.

Credenciales del origen de datos: esta configuración muestra las entradas que se
han configurado para el flujo de datos de streaming específico.

Configuración del motor de proceso mejorado: los flujos de datos de streaming

necesitan el motor de proceso mejorado para proporcionar objetos visuales en
tiempo real, por lo que este valor está activado de manera predeterminada.
 Duración de retención: este valor es específico de los flujos de datos de streaming.
Aquí puede definir cuánto tiempo quiere conservar los datos en tiempo real para
su visualización en los informes. Los datos históricos se guardan de manera
predeterminada en Azure Blob Storage. Esa configuración es específica del lado en
tiempo real de los datos (almacenamiento de acceso frecuente). El valor mínimo es
de 1 día o 24 horas.

） Importante

La cantidad datos de acceso frecuente almacenados por esta duración de

retención influye directamente en el rendimiento de los objetos visuales en
tiempo real al crear informes basados en estos datos. Cuanto mayor sea la
retención, más objetos visuales en tiempo real de los informes pueden verse
afectados por el bajo rendimiento. Si tiene que realizar análisis históricos,
debe usar el almacenamiento en reposo proporcionado para flujos de datos
de streaming.

Ejecución y edición de un flujo de datos de

streaming
Después de guardar y configurar el flujo de datos de streaming, todo está listo para
ejecutarlo. A continuación, puede empezar a ingerir datos en Power BI con la lógica de
análisis de streaming que ha definido.

Ejecución del flujo de datos de streaming

Para iniciar el flujo de datos de streaming, primero guárdelo y vaya al área de trabajo
donde lo creó. Mantenga el puntero sobre el flujo de datos de streaming y seleccione el
botón Reproducir que se muestra. Un mensaje emergente le indica que el flujo de datos
de streaming se está iniciando.
 ７ Nota

Puede tardar hasta cinco minutos en comenzar a ingerir los datos y verá que estos
se reciben para crear informes y paneles en Power BI Desktop.

Edición del flujo de datos de streaming

Mientras un flujo de datos de streaming está en ejecución, no se puede editar. Pero
puede ir a un flujo de datos de streaming que se encuentra en estado de ejecución y ver
la lógica de análisis en la que está basado el flujo de datos.

Cuando vaya a un flujo de datos de streaming en ejecución, todas las opciones de

edición están deshabilitadas y se muestra un mensaje: "El flujo de datos no se puede
editar mientras se está ejecutando. Detenga el flujo de datos si desea continuar". La
vista previa de datos también está deshabilitada.

Para editar el flujo de datos de streaming, debe detenerlo. Un flujo de datos detenido
provoca que falten datos.

La única experiencia disponible mientras se ejecuta un flujo de datos de streaming es la

pestaña Errores en tiempo de ejecución, donde puede supervisar el comportamiento
de su flujo de datos en busca de mensajes eliminados y situaciones similares.
Consideración del almacenamiento de datos al editar el
flujo de datos
Al editar un flujo de datos, debe tomar en cuenta otras consideraciones. Como sucede
con los cambios de esquema para flujos de datos normales, si realiza cambios en una
tabla de salida, se perderán datos que ya se han insertado y guardado en Power BI. La
interfaz proporciona información clara sobre las consecuencias de cualquiera de estos
cambios en el flujo de datos de streaming, junto con opciones para los cambios que
realice antes de guardar.

Esta experiencia se ilustra mejor con un ejemplo. En la captura de pantalla siguiente, se

muestra el mensaje que recibe después de agregar una columna a una tabla, cambiar el
nombre de una segunda tabla y dejar la tercera sin cambios.
 

En este ejemplo, los datos ya guardados en las dos tablas que tenían cambios de
esquema y nombre se eliminan si se guardan los cambios. En el caso de la tabla que ha
permanecido igual, tiene la opción de eliminar los datos antiguos y empezar desde cero,
o bien de guardarlos para su análisis posterior junto con los nuevos datos que se van a
recibir.

Tenga en cuenta estos matices al editar el flujo de datos de streaming, en especial, si

necesita datos históricos disponibles más adelante para su posterior análisis.

Consumo de un flujo de datos de streaming

Cuando el flujo de datos de streaming esté en ejecución, estará listo para empezar a
crear contenido basado en los datos de streaming. No hay ningún cambio estructural en
comparación con lo que tiene que hacer para crear informes que se actualizan en
tiempo real. Hay algunos detalles y actualizaciones que se deben tener en cuenta, por lo
que puede aprovechar este nuevo tipo de preparación de datos para el streaming de
datos.

Configuración del almacenamiento de datos

Como se ha mencionado antes, los flujos de datos de streaming guardan los datos en
las dos ubicaciones siguientes. El uso de estos orígenes depende del tipo de análisis que
intente hacer.

Almacenamiento de acceso frecuente (análisis en tiempo real): a medida que los

datos llegan a Power BI procedentes de flujos de datos de streaming, se
 almacenan en una ubicación de acceso frecuente a la que puede acceder con
objetos visuales en tiempo real. La cantidad de datos que se guardan en este
almacenamiento depende del valor que haya definido en Duración de retención
en la configuración del flujo de datos de streaming. El valor predeterminado (y
mínimo) es de 24 horas.
Almacenamiento en reposo (análisis histórico) : cualquier período de tiempo que
no se encuentra en el período que definió en Duración de retención se guarda en
el almacenamiento en reposo (blob) en Power BI para que lo consuma si es
necesario.

７ Nota

Hay superposición entre estas dos ubicaciones de almacenamiento de datos. Si

necesita usar ambas ubicaciones juntas (por ejemplo, para el cambio de porcentaje
del día a día), es posible que tenga que desduplicar los registros. Depende de los
cálculos de inteligencia de tiempo que se están realizando y de la directiva de
retención.

Conexión a flujos de datos de streaming desde Power BI

Desktop
Power BI Desktop ofrece un conector denominado Flujos de datos para que pueda usar.
Como parte de este conector para los flujos de datos de streaming, se mostrarán dos
tablas que coinciden con el almacenamiento de datos descrito anteriormente.

Para conectarse a los datos para flujos de datos de streaming:

1. Vaya a Obtener datos, seleccione Power Platform y seleccione el conector Flujos

de datos.
2. Inicie sesión con sus credenciales de Power BI.

3. Seleccione las áreas de trabajo. Busque la que contiene el flujo de datos de

streaming y selecciónelo. (En este ejemplo, el flujo de datos de streaming se
denomina Toll).

4. Observe que todas las tablas de salida aparecen dos veces: una para los datos de
streaming (frecuentes) y otra para los datos archivados (en reposo). Puede
diferenciarlas por las etiquetas agregadas después de los nombres de tabla y por
los iconos.
5. Conéctese a los datos de streaming. El caso de los datos archivados es el mismo,
solo está disponible en el modo de importación. Seleccione las tablas que incluyen
las etiquetas Streaming y Hot y seleccione Cargar.

6. Cuando se le pida que elija un modo de almacenamiento, seleccione DirectQuery

si quiere crear objetos visuales en tiempo real.
Ahora puede crear objetos visuales, medidas y más mediante las características
disponibles en Power BI Desktop.

７ Nota

El conector de flujo de datos de Power BI normal sigue disponible y funcionará con

los flujos de datos de streaming con dos advertencias:

Solo le permite conectarse al almacenamiento de acceso frecuente.

La vista previa de datos del conector no funciona con flujos de datos de
streaming.

Activación de la actualización automática de páginas para

objetos visuales en tiempo real
Cuando el informe esté listo y haya agregado todo el contenido que quiere compartir, el
único paso que faltará por realizar será asegurarse de que los objetos visuales se
actualicen en tiempo real. Puede usar una característica denominada actualización
automática de páginas. Esta permite actualizar los objetos visuales desde un origen de
DirectQuery con una frecuencia de un segundo.
Para más información acerca de la característica, consulte Actualización automática de
páginas en Power BI. Este artículo incluye información sobre cómo usarla, cómo
configurarla y cómo comunicarse con el administrador si tiene problemas. Estos son los
aspectos básicos sobre cómo configurarla:

1. Vaya a la página del informe donde quiera que los objetos visuales se actualicen
en tiempo real.

2. Borre cualquier objeto visual de la página. Si es posible, seleccione el fondo de la

página.

3. Vaya al panel de formato (1) y active Actualización de página (2).

4. Configure la frecuencia deseada (hasta un segundo si el administrador lo ha

permitido).
 5. Para compartir un informe en tiempo real, primero vuelva a publicarlo en el
servicio Power BI. A continuación, puede configurar las credenciales del flujo de
datos para el conjunto de datos y el recurso compartido.

 Sugerencia

Si el informe no se actualiza tan rápido como necesita que lo haga o en tiempo

real, consulte la documentación para la actualización automática de páginas. Siga
las preguntas más frecuentes y las instrucciones de solución de problemas para
averiguar por qué podría estar ocurriendo este problema.

Consideraciones y limitaciones

Limitaciones generales
Se necesita una suscripción a Power BI Premium (capacidad o PPU) para crear y
ejecutar flujos de datos de streaming.
Solo se permite un tipo de flujo de datos por área de trabajo.
No es posible vincular flujos de datos normales y de streaming.
Las capacidades menores que A3 no permiten el uso de flujos de datos de
streaming.
Si los flujos de datos o el motor de cálculo mejorado no están habilitados en un
inquilino, no podrá crear ni ejecutar flujos de datos de streaming.
Las áreas de trabajo conectadas a una cuenta de almacenamiento no son
compatibles.
Cada flujo de datos de streaming puede proporcionar hasta 1 MB por segundo de
rendimiento.

Disponibilidad
La vista previa de los flujos de datos de streaming no está disponible en las regiones
siguientes:

Centro de la India
Norte de Alemania
Este de Noruega
Oeste de Noruega
Centro de Emiratos Árabes Unidos
Norte de Sudáfrica
 Oeste de Sudáfrica
Norte de Suiza
Oeste de Suiza
Sur de Brasil

Licencias
El número de flujos de datos de streaming permitidos por inquilino depende de la
licencia que se use:

Para las capacidades normales, use la siguiente fórmula para calcular el número
máximo de flujos de datos de streaming permitidos en una capacidad:

Número máximo de flujos de datos de streaming por capacidad = núcleos virtuales

en la capacidad x 5

Por ejemplo, P1 tiene 8 núcleos virtuales: 8 * 5 = 40 flujos de datos de streaming.

En el caso de Premium por usuario, se permite un flujo de datos de streaming por

usuario. Si otro usuario quiere consumir un flujo de datos de streaming en un área
de trabajo PPU, también necesitará una licencia PPU.

Creación de flujos de datos

Cuando cree flujos de datos de streaming, tenga en cuenta lo siguiente:

El propietario de un flujo de datos de streaming solo puede realizar modificaciones

y solo puede realizar modificaciones si el flujo de datos no se está ejecutando.
Los flujos de datos de streaming no están disponibles en Mi área de trabajo.

Conectarse desde Power BI Desktop

Solo se puede acceder al almacenamiento en reposo mediante el conector Flujos de
datos disponible a partir de la actualización de Power BI Desktop de julio de 2021. El
conector de flujo de datos de Power BI existente solo permite conexiones al
almacenamiento de datos de streaming (de acceso frecuente). La vista previa de los
datos del conector no funciona.

Pasos siguientes
En este artículo se ha proporcionado una introducción al autoservicio de preparación de
datos de streaming mediante flujos de datos de streaming. En los artículos siguientes se
proporciona información sobre cómo probar esta funcionalidad y cómo usar otras
características de datos de streaming en Power BI:

Compilación de una solución de IoT con Stream Analytics

Conectar el simulador en línea de Raspberry Pi a Azure IoT Hub ([Link])
Streaming en directo en Power BI
Actualización automática de páginas en Power BI
Desarrollo de soluciones con flujos de
datos
Artículo • 23/03/2023

Los flujos de datos de Power BI son una solución de preparación de datos centrada en la
empresa, que habilita un ecosistema de datos que está listo para su uso, reutilización e
integración. Este artículo presenta algunos escenarios comunes, con vínculos a artículos
y otra información que le ayudará a comprender y usar los flujos de datos para sacarles
el máximo partido.

Obtención de acceso a las características

Premium de los flujos de datos
Los flujos de datos de Power BI de capacidades Premium proporcionan muchas
características clave que ayudan a lograr una escala y un rendimiento mayores para los
flujos de datos, como los siguientes:

Proceso avanzado, que acelera el rendimiento de ETL y proporciona capacidades

de DirectQuery.
Actualización incremental, que permite cargar datos que han cambiado desde un
origen.
Entidades vinculadas, que puede usar para hacer referencia a otros flujos de datos.
Entidades calculadas, que puede usar para crear bloques de creación componibles
de flujos de datos que contienen más lógica de negocios.

Por estos motivos, se recomienda que use flujos de datos en una capacidad Premium
siempre que sea posible. Los flujos de datos usados con una licencia de Power BI Pro se
pueden usar para casos de uso sencillos y a pequeña escala.

Solución
Se puede obtener acceso a estas características prémium de los flujos de datos de dos
maneras:

Designe una capacidad Premium a un área de trabajo determinada y traiga su

propia licencia Pro para crear flujos de datos aquí.
Traiga su propia licencia Premium por usuario (PPU) , que requiere que otros
miembros del área de trabajo también posean una licencia PPU.
No puede consumir flujos de datos PPU (ni ningún otro contenido) fuera del entorno de
PPU (por ejemplo, en Premium u otras SKU o licencias).

Para las capacidades Premium, sus consumidores de flujos de datos en Power BI

Desktop no necesitan licencias explícitas para consumir y publicar en Power BI. Pero
para publicar en un área de trabajo o compartir un conjunto de datos resultante,
necesitará al menos una licencia Pro.

Para PPU, todos los usuarios que crean o consumen contenido PPU deben tener una
licencia PPU. Este requisito varía del resto de Power BI en que necesita licenciar
explícitamente a todos los usuarios con PPU. No puede mezclar las funciones Fre, Pro o
incluso Premium con el contenido PPU a menos que migre el área de trabajo a la
función Premium.

La elección de un modelo depende normalmente del tamaño y de los objetivos de la

organización, pero se aplican las siguientes directrices.

Tipo de equipo Premium por capacidad Premium por usuario

>5000 usuarios ✔

<5000 usuarios ✔

En el caso de equipos pequeños, PPU puede cerrar la brecha entre Gratis, Pro y
Premium por capacidad. Si tiene necesidades más grandes, el mejor enfoque es usar
Premium con usuarios que tienen licencias Pro.

Creación de flujos de datos de usuario con

seguridad aplicada
Imagine que necesita crear flujos de datos para consumir, pero tiene requisitos de
seguridad:
En este escenario, es probable que tenga dos tipos de áreas de trabajo:

Áreas de trabajo de back-end donde desarrollar flujos de datos y crear la lógica de

negocios.

Áreas de trabajo de usuario en las que desea exponer algunos flujos de datos o
tablas a un grupo determinado de usuarios para su consumo:
El área de trabajo del usuario contiene tablas vinculadas que apuntan a los
flujos de datos del área de trabajo de back-end.
Los usuarios tienen acceso de espectador al área de trabajo del consumidor y
no tienen acceso al área de trabajo de back-end.
Cuando un usuario usa Power BI Desktop para acceder a un flujo de datos en el
área de trabajo del usuario, puede ver el flujo de datos. Pero como el flujo de
datos aparece vacío en el navegador, las tablas vinculadas no se muestran.

Información sobre las tablas vinculadas

Las tablas vinculadas son simplemente un puntero a las tablas de flujo de datos
originales y heredan el permiso del origen. Si Power BI permitiera a la tabla vinculada
usar el permiso de destino, cualquier usuario podría sortear el permiso de origen
mediante la creación de una tabla vinculada en el destino que apunte al origen.

Solución: uso de tablas calculadas

Si tiene acceso a Power BI Premium, puede crear una tabla calculada en el destino que
hace referencia a la tabla vinculada, que tiene una copia de los datos de esta última.
Puede quitar columnas a través de proyecciones y quitar filas a través de filtros. El
usuario con permiso en el área de trabajo de destino puede acceder a los datos a través
de esta tabla.

El linaje de los usuarios con privilegios también muestra el área de trabajo a la que se
hace referencia y permitirá a los usuarios volver a establecer el vínculo para comprender
completamente el flujo de datos primario. Para los usuarios que no tienen privilegios, se
sigue respetando la privacidad. Solo se muestra el nombre del área de trabajo.

El diagrama siguiente muestra esta configuración. A la izquierda está el patrón

arquitectónico. A la derecha hay un ejemplo que muestra los datos de ventas divididos y
asegurados por región.

Reducción de los tiempos de actualización de

flujos de datos
Imagine que tiene un flujo de datos grande, pero quiere crear conjuntos de datos fuera
de ese flujo de datos y reducir el tiempo necesario para actualizarlo. Por lo general, las
actualizaciones tardan mucho tiempo en completarse desde la fuente de datos hasta los
flujos de datos y el conjunto de datos. Las actualizaciones largas son difíciles de
administrar o mantener.

Solución: uso de tablas con la opción Habilitar carga

configurada explícitamente para tablas de referencia y no
deshabilitar la carga
Power BI admite una orquestación simple de flujos de datos, tal como se define en
Descripción y optimización de la actualización de flujos de datos. Para aprovechar la
orquestación es necesario tener explícitamente todos los flujos de datos de bajada
configurados en Habilitar carga.

Deshabilitar la carga solo suele ser adecuado cuando la sobrecarga que supone cargar
más consultas anula la ventaja de la entidad con la que está desarrollando.

Si bien deshabilitar la carga significa que Power BI no evalúa esa consulta determinada,
cuando se usa como ingredientes, es decir, se hace referencia a ella en otros flujos de
datos, también significa que Power BI no la trata como una tabla existente a la que se
puede proporcionar un puntero y realizar optimizaciones de plegado y consulta. En este
sentido, realizar transformaciones como una unión o combinación o es simplemente
una unión o combinación de dos consultas de origen de datos. Estas operaciones
pueden afectar negativamente al rendimiento porque Power BI debe volver a cargar
completamente la lógica ya calculada y, a continuación, aplicar cualquier lógica
adicional.

Para simplificar el procesamiento de consultas del flujo de datos y asegurarse de que se

están llevando a cabo optimizaciones del motor, habilite la carga y asegúrese de que el
motor de proceso de los flujos de datos de Power BI Premium está establecido en la
configuración predeterminada, que es Optimizado.

La habilitación de la carga también le permite mantener la vista completa del linaje

porque Power BI considera un flujo de datos de carga no habilitado como un nuevo
elemento. Si el linaje es importante para usted, no deshabilite la carga de entidades o
flujos de datos conectados a otros flujos de datos.

Reducción de los tiempos de actualización de

conjuntos de datos
Imagine que tiene un flujo de datos grande, pero quiere crear conjuntos de datos fuera
de él y reducir la orquestación. Las actualizaciones llevan mucho tiempo en completarse
desde el origen de datos hasta los flujos de datos y los conjuntos de datos, lo que
agrega una mayor latencia.

Solución: uso de flujos de datos DirectQuery

DirectQuery se puede usar siempre que la configuración del motor de proceso
mejorado (ECE) de un área de trabajo se configure explícitamente en Activada. Esta
configuración es útil cuando tiene datos que no necesitan cargarse directamente en un
modelo de Power BI. Si va a configurar el ECE para que esté Activado por primera vez,
los cambios que permiten DirectQuery se producirán durante la siguiente actualización.
Deberá actualizarlo cuando lo habilite para que los cambios se apliquen
inmediatamente. Las actualizaciones en la carga del flujo de datos inicial pueden ser
más lentas porque Power BI escribe datos en el almacenamiento y en un motor de SQL
administrado.

En resumen, el uso de DirectQuery con flujos de datos permite las siguientes mejoras en
los procesos de Power BI y flujos de datos:

Eliminación de la necesidad de programaciones de actualización independientes:

DirectQuery se conecta directamente a un flujo de datos, que elimina la necesidad
de crear un conjunto de datos importado. Como tal, el uso de DirectQuery con los
flujos de datos significa que ya no necesita programaciones de actualización
independientes del flujo de datos y el conjunto de datos para asegurarse de que
los datos se sincronizan.
Filtrado de datos: DirectQuery resulta útil para trabajar en una vista filtrada de los
datos dentro de un flujo de datos. Si desea filtrar los datos y, de esta manera,
trabajar con un subconjunto más pequeño de los datos del flujo de datos, puede
usar DirectQuery (y el ECE) para filtrar los datos de flujo de datos y trabajar con el
subconjunto filtrado que necesite.

Por lo general, el uso de DirectQuery intercambia los datos actualizados del conjunto de
datos con un rendimiento de informe más lento en comparación con el modo de
importación. Tenga en cuenta este enfoque solamente cuando:

El caso de uso requiere datos de baja latencia procedentes del flujo de datos.
Los datos de flujo de datos son grandes.
Una importación sería demasiado lenta.
Está dispuesto a intercambiar el rendimiento almacenado en caché por los datos
actualizados.

Solución: uso del conector de flujo de datos para habilitar

el plegado de consultas y la actualización incremental
para la importación
El conector de flujos de datos unificado puede reducir considerablemente el tiempo de
evaluación de los pasos realizados en entidades calculadas, como realizar
combinaciones, distinciones, filtros y agrupaciones por operaciones. Hay dos ventajas
específicas:
 Los usuarios de bajada que se conectan al conector de flujos de datos de Power BI
Desktop pueden aprovechar un mejor rendimiento en escenarios de creación, ya
que el nuevo conector admite el plegado de consultas.
Las operaciones de actualización del conjunto de datos también se pueden
incorporar al motor de proceso mejorado, lo que significa que incluso la
actualización incremental de un conjunto de datos puede incorporarse a un flujo
de datos. Esta funcionalidad mejora el rendimiento de la actualización y reduce
potencialmente la latencia entre los ciclos de actualización.

Para habilitar esta característica para cualquier flujo de datos Premium, asegúrese de
que el motor de proceso esté establecido explícitamente en Activado. A continuación,
use el conector de flujos de datos en Power BI Desktop. Debe usar la versión de agosto
de 2021 de Power BI Desktop o posterior para aprovechar esta característica.

Para usar esta característica para las soluciones existentes, debe tener una suscripción
Premium o Premium por usuario. También es posible que tenga que realizar algunos
cambios en el flujo de datos como se describe en Uso del motor de proceso mejorado.
Debe actualizar las consultas de Power Query existentes para usar el nuevo conector
reemplazando [Link] en la sección Origen por [Link] .

Creación de flujos de datos complejos en

Power Query
Imagine que tiene un flujo de datos que tiene millones de filas de datos, pero quiere
crear transformaciones y lógica de negocios complejas con él. Quiere seguir los
procedimientos recomendados para trabajar con flujos de datos grandes. También
necesita que las versiones preliminares del flujo de datos se funcionen rápidamente. Sin
embargo, tiene decenas de columnas y millones de filas de datos.

Solución: uso de la vista Esquema

Puede usar la vista Esquema, que está diseñada para optimizar el flujo al trabajar en
operaciones de nivel de esquema. Para ello, coloque la información de columna de la
consulta delante y en el centro. La vista esquema proporciona interacciones
contextuales para dar forma a la estructura de datos. La vista de esquema también
proporciona operaciones de menor latencia porque solo requiere que se calculen los
metadatos de columna y no los resultados de los datos completos.
Trabajo con orígenes de datos de mayor
tamaño
Imagine que ejecuta una consulta en el sistema de origen, pero no quiere proporcionar
acceso directo al sistema ni democratizar el acceso. Tiene previsto colocarlo en un flujo
de datos.

Solución 1: uso de una vista para la consulta u

optimización de esta
El uso de un origen de datos optimizado y una consulta es la mejor opción. A menudo,
el origen de datos funciona mejor con consultas pensadas para él. Power Query tiene
capacidades avanzadas de plegado de consultas para delegar estas cargas de trabajo.
Power BI también proporciona indicadores de plegado de pasos en Power Query Online.
Lea más sobre los tipos de indicadores en la documentación de indicadores de plegado
de pasos.

Solución 2: Usar la consulta nativa

También puede usar la función M [Link](). Establezca EnableFolding=true en
el tercer parámetro. La consulta nativa se documenta en este sitio web para el conector
de Postgres. También funciona para el conector de SQL Server.

Solución 3: Dividir el flujo de datos en flujos de datos de

ingesta y consumo para aprovechar las ventajas del ECE y
las entidades vinculadas
Al dividir un flujo de datos en flujos de datos de ingesta y consumo independientes
puede aprovechar las ventajas del ECE y las entidades vinculadas. Puede obtener más
información sobre este patrón y otros en la documentación de procedimientos
recomendados.

Garantía de que los clientes usan flujos de

datos siempre que sea posible
Imagine que tiene muchos flujos de datos que sirven para finalidades comunes, como
dimensiones ajustadas (por ejemplo clientes, tablas de datos, productos y zonas
geográficas). Los flujos de datos ya están disponibles en la cinta de opciones para
Power BI. Lo ideal es que los clientes utilicen principalmente los flujos de datos que ha
creado.

Solución: uso de la aprobación para certificar y promover

flujos de datos
Para obtener más información sobre cómo funciona la aprobación, consulte Aprobación:
promoción y certificación del contenido de Power BI.

Capacidad de programación y automatización

en flujos de datos de Power BI
Imagine que tiene requisitos empresariales para automatizar importaciones,
exportaciones o actualizaciones, así como orquestaciones y acciones adicionales fuera
de Power BI. Tiene algunas opciones para habilitar estas operaciones, como se describe
en la tabla siguiente.

Tipo Mecanismo

Use las plantillas de PowerAutomate. Sin código

Use los scripts de automatización en PowerShell . Scripts de automatización

Cree su propia lógica de negocios mediante las API. API de REST

Para más información sobre la actualización, consulte Descripción y optimización de la

actualización de flujos de datos.

Asegurarse de proteger los recursos de datos

de bajada
Puede usar etiquetas de confidencialidad para aplicar una clasificación de datos y
cualquier regla que haya configurado en elementos posteriores que se conecten a sus
flujos de datos. Para obtener más información sobre las etiquetas de confidencialidad,
consulte etiquetas de confidencialidad en Power BI. Para revisar la herencia, consulte
Herencia de bajada de las etiquetas de confidencialidad (versión preliminar).

Compatibilidad con Multi-Geo

En la actualidad, muchos clientes necesitan cumplir requisitos de soberanía y residencia
de datos. Puede completar una configuración manual para que el área de trabajo de
flujos de datos sea multigeográfica.

Los flujos de datos admiten multigeografía cuando usan la característica Traer su propia
cuanta de almacenamiento. Esta característica se describe en Configuración del
almacenamiento de flujo de datos para usar Azure Data Lake Gen 2. El área de trabajo
debe estar vacía antes de adjuntarla para esta funcionalidad. Con esta configuración
específica, puede almacenar datos del flujo de datos en las regiones geográficas que
elija.

Garantía de protección de los recursos de datos

detrás de una red virtual
En la actualidad, muchos clientes tienen la necesidad de proteger los recursos de datos
detrás de un punto de conexión privado. Para ello, use las redes virtuales y una puerta
de enlace para mantener la conformidad. En la tabla siguiente se describe la
compatibilidad actual con la red virtual y se explica cómo usar los flujos de datos para
mantener la conformidad y proteger los recursos de datos.

Escenario Estado

Leer orígenes de datos de red virtual a través de una puerta de Se admite a través de una
enlace local. puerta de enlace local

Escribir datos en una cuenta de etiqueta de confidencialidad detrás Todavía no se admite

de una red virtual mediante una puerta de enlace local.

Pasos siguientes
En los artículos siguientes encontrará más información sobre los flujos de datos y
Power BI:

Introducción a los flujos de datos y la preparación de datos de autoservicio

Crear un flujo de datos
Configurar y consumir un flujo de datos
Características prémium de flujos de datos
IA con flujos de datos
Consideraciones y limitaciones de flujos de datos
Procedimientos recomendados para flujos de datos
Usar Azure Log Analytics en Power BI
Artículo • 24/05/2023

Power BI se integra con Azure Log Analytics (LA) para permitir que administradores y
propietarios de áreas de trabajo de Premium configuren una conexión de Log Analytics
a su suscripción de Power BI. En este artículo se describe cómo funciona la integración
entre Log Analytics y Power BI, y se proporcionan ejemplos de cómo puede usar Azure
Log Analytics en la suscripción a Power BI Premium.

Azure Log Analytics (LA) es un servicio dentro de Azure Monitor que Power BI usa
para guardar los registros de actividad. El conjunto de aplicaciones de Azure Monitor
permite recopilar, analizar y actuar sobre los datos de telemetría de los entornos locales
y de Azure. Ofrece almacenamiento a largo plazo, una interfaz de consulta ad hoc y
acceso de API para permitir la exportación e integración de datos con otros sistemas.

La integración de Power BI con Log Analytics expone eventos del motor de Analysis
Services. Los eventos se derivan de los registros de diagnóstico existentes disponibles
para Azure Analysis Services.

Una vez que se han conectado a Power BI, los datos se envían de manera continua y
están disponibles en Log Analytics en aproximadamente 5 minutos. En el diagrama
siguiente se muestra el funcionamiento de Azure Monitor y se resalta la ruta que toma
Power BI.

En las secciones siguientes se describe la integración de Azure Log Analytics con

Power BI, los requisitos necesarios para conectar Azure Log Analytics a Power BI y las
consideraciones que se deben tener en cuenta.
Ámbitos disponibles para el registro
Actualmente, se admite una conexión de Azure Log Analytics para áreas de trabajo
Premium de Power BI. En la tabla siguiente se proporciona más información sobre la
configuración de Log Analytics de nivel de área de trabajo.

Nivel de Rol o permiso Tabla de destino en Log Detalles

configuración Analytics

Área de Propietario del área de trabajo de PowerBIDatasetsWorkspace - Debe

trabajo Power BI o propietario del área de permitirlo el
trabajo de Log Analytics administrador
de inquilinos

- Registra la
actividad solo
desde el área
de trabajo

- Solo áreas
de trabajo
Premium

- Solo Áreas
de trabajo v2

En la sección siguiente se proporcionan ejemplos de cómo podría usar el registro en

Power BI.

Ejemplos de escenarios de registro

En esta sección se proporcionan algunos ejemplos de cómo puede configurar Log
Analytics para Power BI y cómo las selecciones que realice afectarán a lo que se registra
y a cómo se proporciona la información.

Ejemplo 1: Registros de área de trabajo solo para un área de trabajo

En este ejemplo, solo se envían los registros de área de trabajo del Área de trabajo A a
un área de trabajo de Log Analytics dedicada:
Ejemplo 2: Registros de área de trabajo enviados a áreas de trabajo de Log Analytics
dedicadas

En este ejemplo, los registros de área de trabajo de dos áreas de trabajo de Power BI
diferentes se envían a áreas de trabajo de Log Analytics independientes y dedicadas:

En estos ejemplos se resaltan las distintas formas en que puede usar Azure Log Analytics
con Power BI y obtener la información de registro que necesita.

En otro artículo, puede ver cómo configurar Azure Log Analytics para que funcione con
Power BI, con pasos y requisitos específicos para que el registro funcione correctamente.

Ejemplo 3: Registros de área de trabajo enviados a un área de trabajo de Log

Analytics dedicada

En este ejemplo, los registros de área de trabajo de múltiples áreas de trabajo de

Power BI se envían a una área de trabajo de Log Analytics dedicada:

En estos ejemplos se resaltan las distintas formas en que puede usar Azure Log Analytics
con Power BI y obtener la información de registro que necesita.
En otro artículo, puede ver cómo configurar Azure Log Analytics para que funcione con
Power BI, con pasos y requisitos específicos para que el registro funcione correctamente.

Consideraciones y limitaciones
Tenga en cuenta las consideraciones y limitaciones siguientes al trabajar con Azure Log
Analytics y Power BI:

La compatibilidad con la nube soberana se limita actualmente al Departamento

de Defensa de EE. UU. y EE. UU. Government Community Cloud High.
Solo se admiten áreas de trabajo Premium.
Solo las Áreas de trabajo v2 admiten conexiones de Log Analytics.
Azure Log Analytics no admite la migración de inquilinos.
Las actividades solo se capturan para los conjuntos de datos hospedados
físicamente dentro del área de trabajo Premium donde está configurado el
registro. Por ejemplo, si configura el registro para el área de trabajo Premium A, no
verá los registros de ningún informe dentro que use conjuntos de datos
hospedados en Azure Analysis Services . Tampoco verá ningún registro de
conjuntos de datos compartidos que no se encuentren en el área de trabajo
Premium A. Para capturar actividades de conjuntos de datos compartidos,
configure el registro en el área de trabajo que contiene el conjunto de datos
compartido, no en el área de trabajo que contiene el informe.
Los conjuntos de datos creados en la web mediante la carga de un archivo CSV no
generan registros.
Si ha implementado la autenticación multifactor (MFA) para Azure, pero no para
Power BI, en las pantallas de configuración se mostrarán errores generales de
Azure. Una solución alternativa consiste en iniciar sesión primero en Azure
Portal , completar el desafío MFA y, después, iniciar sesión en Power BI en la
misma sesión del explorador.
Si usa vínculos privados o redes virtuales para aislar las áreas de trabajo de Log
Analytics, la ingesta de datos en Log Analytics no se verá afectada. Pero la
[aplicación de plantilla de Log
Analytics([Link]
bi/pbi_pcmm.powerbiloganalyticsforasengine?tab=Overview))] no funcionará
porque se basa en un punto de conexión público al que ya no puede acceder
Power Service como vínculo privado. Una solución alternativa consiste en usar la
[plantilla de informe .pbit([Link]
Template-Reports))] y actualizar los datos desde dentro de la red virtual privada.
Debe configurar una asignación de DNS personalizada para asegurarse de que el
punto de conexión público usa una IP interna privada.
 Para la característica Log Analytics, Power BI solo envía datos a la tabla
PowerBIDatasetsWorkspace y no envía datos a la tabla PowerBIDatasetsTenant. Esto
evita almacenar datos duplicados sobre análisis de registros en ambas ubicaciones.

Pasos siguientes
En los artículos siguientes encontrará más información sobre Power BI y sus muchas
características:

Configuración de Azure Log Analytics en Power BI

Preguntas más frecuentes sobre Azure Log Analytics en Power BI
¿Qué es Power BI Premium?
Organización del trabajo en áreas de trabajo de Power BI
Creación de un flujo de datos
Procedimientos recomendados para flujos de datos
Configure Azure Log Analytics para
Power BI
Artículo • 20/07/2023

Power BI se integra con Azure Log Analytics para permitir que administradores y
propietarios de áreas de trabajo Premium configuren una conexión de Log Analytics a
su suscripción de Power BI. En este artículo se describe cómo funciona la integración
entre Log Analytics y Power BI, y cómo configurarla para el entorno.

Hay dos elementos para que Azure Log Analytics funcione para Power BI:

Configure su suscripción en Azure Portal.

Habilite Log Analytics para Power BI en el portal de administrador de Power BI.

Las secciones siguientes lo conducen a través de los pasos a realizar de cada una.
Prerrequisitos
Para poder configurar la integración de Log Analytics desde Power BI, debe crear un
área de trabajo de Log Analytics en Azure Portal. También debe conceder permiso en
Azure para que el servicio de Power BI escriba registros. Los requisitos exactos son los
siguientes:

Registre el proveedor de recursos "[Link]" en la suscripción de Azure

donde recopilará los datos de registro de Power BI.
El usuario que configurará la integración de Log Analytics en Power BI debe tener
el rol Colaborador de Log Analytics del área de trabajo de Log Analytics. Vea las
 preguntas más frecuentes sobre soluciones alternativas si no se puede asignar el
rol Propietario.

En la sección siguiente se muestra cómo cumplir estos tres requisitos.

Habilite el proveedor de recursos "[Link]"

Log Analytics necesita que se habilite el proveedor de recursos "[Link]" en el
nivel de suscripción de Azure. Los pasos siguientes le guían por el proceso.

1. Inicie sesión en Azure Portal y seleccione la suscripción que quiere usar con Log
Analytics y que contiene las áreas de trabajo de Log Analytics. En la sección
Configuración, seleccione Proveedores de recursos, como se muestra en la
siguiente imagen.

2. Busque [Link] enProveedores de recursos. Después, seleccione

Register (Registrar).

Establecimiento de permisos
 1. Asegúrese de que el usuario que configure la integración de Log Analytics tenga el
rol Colaborador de Log Analytics del área de trabajo de Log Analytics. Al
seleccionar Control de acceso (IAM) para la suscripción en Azure Portal y, después,
Asignaciones de roles en las selecciones superiores del panel, el usuario actual
deberá ver al menos una entrada: Colaborador de Log Analytics para el usuario
que configurará Log Analytics:

Una vez que se han completado estas etapas, finaliza la parte de configuración de Azure
Log Analytics. En la sección siguiente se muestra cómo continuar y completar la
configuración en el portal de administración de Power BI.

Permita el registro de nivel de área de trabajo

desde el portal de administrador
Un administrador de Power BI debe completar el siguiente paso a fin de habilitar Azure
Log Analytics para áreas de trabajo de Power BI Premium. Esta configuración permitirá a
los administradores de áreas de trabajo de Power BI Premium enviar sus registros de
área de trabajo a Azure Log Analytics cuando se hayan cumplido los requisitos previos.

1. En el Portal de administrador de Power BI, vaya a Configuración de inquilinos >

Configuración de auditoría y uso y expanda Conexiones de Azure Log Analytics
para administradores del área de trabajo. Para permitir que los administradores
del área de trabajo habiliten Log Analytics, cambie el control deslizante a
 Habilitado y especifique los grupos de seguridad necesarios en Aplicar a, tal como
se muestra en la imagen siguiente.

Configure el registro en un área de trabajo

Premium
1. En el área de trabajo Premium, los administradores pueden habilitar Log Analytics.
Para ello, vaya a Configuración como se muestra en la imagen siguiente.

2. En el panel Configuración, seleccione Conexiones de Azure y expanda Log

Analytics, como se muestra en la imagen siguiente.
3. Seleccione la suscripción de Azure, el grupo de recursos y, después, el área de
trabajo de Log Analytics configurada en la sección anterior. A continuación, elija
Guardar. Cuando se completa correctamente, la sección expandida de Log
Analytics de nivel de inquilino tendrá un aspecto similar al de la imagen siguiente.
Desconexión de Azure Log Analytics
Puede desconectarse de Azure Log Analytics para dejar de enviar registros a Azure. Para
desconectarse, en la Configuración de área de trabajo de Power BI, vaya a la
configuración de Log Analytics. Seleccione Desconectar de Azure. A continuación, elija
Guardar para desconectar.
 ７ Nota

Cuando se desconecta un área de trabajo de Power BI de Azure Log Analytics, los

registros no se eliminan. Los datos permanecen y siguen las directivas de
almacenamiento y retención que estableció allí.

Escenarios de uso
Hay muchas maneras en que Azure Log Analytics y Power BI pueden ayudar a resolver
los desafíos reales de la organización. Tenga en cuenta lo siguiente.
 Identificación de períodos de actividad alta o inusual del motor de Analysis
Services por capacidad, área de trabajo, informe o usuario.
Análisis del rendimiento de las consultas y las tendencias, incluidas las operaciones
de DirectQuery externas.
Análisis de la duración de la actualización del conjunto de datos, las
superposiciones y los pasos de procesamiento
Análisis de las operaciones personalizadas enviadas mediante el punto de
conexión XMLA Premium.

Envíe comentarios a la Comunidad de Power BI sobre cómo usa el registro y de que

manera esto ayudó a la organización.

Condiciones de error y soluciones

En la tabla siguiente se proporciona una colección de errores comunes, los eventos o
configuraciones que los desencadenan y las resoluciones sugeridas.

Condición desencadenadora Tipo Mensaje

No tiene permiso para Error: no se Necesita permisos de escritura en esta área de

escribir en el área de trabajo puede trabajo de Log Analytics para conectarla a
de Log Analytics continuar Power BI. Póngase en contacto con la persona
de la organización que administre las
suscripciones de Azure para solucionar este
problema.

No tiene permiso para Error: no se Necesita permisos de escritura en esta área de

escribir en la cuenta del área puede trabajo de Log Analytics para conectarla a
de trabajo de Log Analytics continuar Power BI.

No tiene acceso a ninguna Error: no se No tiene acceso a ninguna suscripción de Azure.

suscripción de Azure puede Pida a la persona que administra las
continuar suscripciones de Azure de la organización que le
conceda acceso de colaborador o superior.

No tiene acceso a ningún Error: no se No tiene acceso a un área de trabajo de Azure

área de trabajo de Azure Log puede Log Analytics. Pida a la persona que administra
Analytics dentro de esa continuar las suscripciones de Azure de la organización
suscripción que le agregue al rol de colaborador o
propietario de Log Analytics.

Log Analytics de nivel de Información Pida al administrador del inquilino que conceda
área de trabajo deshabilitado a los administradores del área de trabajo
al intentar conectarse permiso para conectar áreas de trabajo de Log
Analytics.
 Condición desencadenadora Tipo Mensaje

Log Analytics de nivel de Información El administrador del inquilino ha revocado el

área de trabajo deshabilitado permiso para que los administradores del área
al intentar desconectarse de trabajo conecten sus propias áreas de trabajo
de Azure Log Analytics. Si se desconecta, no
podrá conectarse a otra.

Eventos y esquema
Después de habilitar Azure Log Analytics, comienza a registrar las siguientes categorías
de eventos. Para obtener más información sobre estos eventos, vea Eventos de
seguimiento de Analysis Services.

AggregateTableRewriteQuery
Comando
Deadlock
DirectQuery
Descubra
Error
ProgressReport
Consultar
Inicialización de sesión
VertiPaqSEQuery
notificación

En la siguiente tabla se describe el esquema.

Propiedad Propiedad de Azure Descripción

Analysis Services
existente

TimeGenerated Marca de tiempo (UTC) de cuando se

generó el registro.

OperationName EventClass_s Operación asociada al registro.

CorrelationId Identificador de los eventos

correlacionados. Se puede utilizar para
identificar eventos correlacionados en varias
tablas.

PowerBIWorkspaceId Identificador único del área de trabajo que

contiene el artefacto sobre el que se opera.
Propiedad Propiedad de Azure Descripción
Analysis Services
existente

PremiumCapacityId Identificador único de la capacidad

Premium en la que se hospeda el artefacto
sobre el que se opera.

ApplicationContext ApplicationContext_s Contenedor de propiedades de

identificadores únicos que proporcionan
detalles sobre la aplicación que ejecuta la
solicitud. Por ejemplo, id. de informe.

ApplicationName ApplicationName_s Contiene el nombre de la aplicación cliente

que ha creado la conexión con el servidor.
Esta columna se rellena con los valores que
pasa la aplicación, en lugar de con el
nombre que se muestra para el programa.

ArtifactId Identificador único del recurso que registra

los datos.

ArtifactKind Tipo de artefacto que registra la operación,

por ejemplo, conjunto de datos.

CpuTimeMs CPUTime_s Cantidad de tiempo de CPU (en

milisegundos) que utiliza el evento.

ArtifactName DatabaseName_s Nombre del artefacto de Power BI que

registra esta operación.

LogAnalyticsCategory Único Categoría de los eventos, como

Audit/Security/Request.

DatasetMode Modo del conjunto de datos. Importación,

DirectQuery o Composición.

DurationMs Duration_s Cantidad de tiempo (en milisegundos) que

tarda la operación.

Usuario User_s Usuario asociado a la operación en

ejecución. Se utiliza cuando se debe
suplantar la identidad de un usuario final en
el servidor.

ExecutingUser EffectiveUsername_s El usuario que ejecuta la operación.

OperationDetailName EventSubclass_s Más información sobre la operación.

XmlaObjectPath ObjectPath_s Ruta del objeto. Lista separada por comas

de elementos primarios, empezando por el
 Propiedad Propiedad de Azure Descripción
Analysis Services
existente

elemento primario del objeto.

PowerBIWorkspaceName Nombre del área de trabajo de Power BI

que contiene el artefacto.

StatusCode Error_s Código de estado de la operación. Indica si

es correcta o no.

ProgressCounter ProgressTotal_s Contador del progreso.

XmlaProperties RequestProperties_s Propiedades de la solicitud XMLA.

XmlaSessionId SPID_s Identificador de la sesión de Analysis

Services.

Level Severity_s Contiene el nivel de gravedad de la

operación que se registra. Correcto,
Informativo, Advertencia o Error.

Identidad Información sobre el usuario y las

notificaciones.

Estado Estado de la operación.

EventText TextData_s Contiene información detallada asociada a

la operación, por ejemplo, consulta DAX.

CustomerTenantId Identificador del inquilino de Power BI del

cliente.

XmlaRequestId RootActivityId_g Identificador único de la solicitud.

ReplicaId Identificador de réplica que le permitirá

identificar la réplica cuando esté habilitada
la Escalabilidad horizontal de consulta
(QSO). La réplica de lectura y escritura
siempre tiene ReplicaId='AAA' y las réplicas
de solo lectura tienen ReplicaId a partir de
"AAB". En el caso de los conjuntos de datos
no habilitados para QSO, ReplicaId siempre
es "AAA"

Consultas KQL de Log Analytics de ejemplo

La siguiente colección de consultas de muestras puede ser útil al usar Azure Log
Analytics con Power BI. Se pueden ejecutar directamente en Azure Portal o mediante las
API para consultar los datos más recientes, normalmente entre 5 y 10 minutos de
antigüedad.

SQL

// log count per day for last 30d

PowerBIDatasetsWorkspace
| where TimeGenerated > ago(30d)
| summarize count() by format_datetime(TimeGenerated, 'yyyy-MM-dd')

// average query duration by day for last 30d

PowerBIDatasetsWorkspace
| where TimeGenerated > ago(30d)
| where OperationName == 'QueryEnd'
| summarize avg(DurationMs) by format_datetime(TimeGenerated, 'yyyy-MM-dd')

//query duration percentiles for a single day in 1 hour bins

PowerBIDatasetsWorkspace
| where TimeGenerated >= todatetime('2021-04-28') and TimeGenerated <=
todatetime('2021-04-29')
| where OperationName == 'QueryEnd'
| summarize percentiles(DurationMs, 0.5, 0.9) by bin(TimeGenerated, 1h)

// refresh durations by workspace and dataset for last 30d

PowerBIDatasetsWorkspace
| where TimeGenerated > ago(30d)
| where OperationName == 'CommandEnd'
| where ExecutingUser contains 'Power BI Service'
| where EventText contains 'refresh'
| project PowerBIWorkspaceName, DatasetName = ArtifactName, DurationMs

// query count, distinctUsers, avgCPU, avgDuration by workspace for last 30d

PowerBIDatasetsWorkspace
| where TimeGenerated > ago(30d)
| where OperationName == "QueryEnd"
| summarize QueryCount=count()
, Users = dcount(ExecutingUser)
, AvgCPU = avg(CpuTimeMs)
, AvgDuration = avg(DurationMs)
by PowerBIWorkspaceId

Plantilla de informe de Power BI de ejemplo

Explore y obtenga información sobre los datos de Power BI de Azure Log Analytics
mediante una plantilla de informe de Power BI de código abierto en GitHub.
Pasos siguientes
Los artículos siguientes pueden ayudarle a obtener más información sobre Power BI y su
integración con Azure Log Analytics.

Usar Azure Log Analytics en Power BI

Preguntas más frecuentes sobre Azure Log Analytics en Power BI
¿Qué es Power BI Premium?
Áreas de trabajo en Power BI
Azure Log Analytics en Power BI:
preguntas frecuentes
Artículo • 24/05/2023

Power BI se integra con Azure Log Analytics (LA) para permitir que administradores y
propietarios de áreas de trabajo de Premium configuren una conexión de Log Analytics
a su suscripción de Power BI.

Preguntas más frecuentes

Pregunta: ¿Qué áreas de Power BI están disponibles para la integración con Log
Analytics?

Respuesta: Los registros de actividad de conjunto de datos (como los seguimientos del
motor de Analysis Services) están disponibles actualmente.

Pregunta: ¿Cuándo debo usar Log Analytics en el motor de Analysis Services?

Respuesta: Los registros del motor son detallados y pueden ser de gran volumen y
tamaño, con un promedio de entre 3 y 4 KB cada uno para conjuntos de datos
complejos. Por tanto, se recomienda considerar detenidamente cuándo usar el registro
para el motor de Analysis Service. Los casos de uso típicos para el registro son las
investigaciones de rendimiento, las pruebas de escalado y carga, o la validación de
versión preliminar.

Pregunta: ¿Qué eventos de Analysis Services se admiten? ¿Cómo serán los registros?

Respuesta: Para obtener información sobre los eventos y los registros, consulte eventos y
esquema.

Pregunta: No puedo obtener permisos de propietario para Azure Log Analytics en mi

organización. ¿Existe alguna solución alternativa?

Respuesta: Sí, necesitará ayuda de los administradores:

OPCIÓN 1:

Un administrador de Azure puede concederle derechos de propietario en Log Analytics

solo para realizar la configuración inicial en Power BI. Tras completar la configuración
inicial, los administradores pueden reducir su acceso al nivel de colaborador o menor
según sea necesario.

OPCIÓN 2:

Para la configuración del nivel de área de trabajo, puede agregar un administrador de

Azure como un administrador de áreas de trabajo de Power BI y pedirle que configure el
registro del área de trabajo. Una vez que se ha configurado el registro, puede eliminar
su acceso al área de trabajo.

Pregunta: No puedo obtener permisos de administrador en el área de trabajo de Power

BI de mi organización. ¿Existe alguna solución alternativa?

Respuesta: Sí. Consulte la opción 2 de la pregunta anterior.

Pregunta: El esquema solo contiene algunos identificadores únicos globales (GUID).

¿Puede incluir los nombres de los elementos?

Respuesta: Esperamos incluir el nombre del informe, el nombre del área de trabajo y
otros más a medida que la característica avanza hacia la disponibilidad general.

Pregunta: ¿Qué ocurre si envío registros de muchas áreas de trabajo de Power BI a la

misma área de trabajo de Log Analytics? ¿Cómo las puedo distinguir?

Respuesta: Cada entrada de registro se marca con el id. de área de trabajo de Power BI
correspondiente.

Pregunta: ¿Se puede configurar Log Analytics para áreas de trabajo que no sean
Premium?

Respuesta: No, actualmente solo se admiten las áreas de trabajo Premium.

Pregunta: ¿Cuánto tardan los registros en aparecer en Log Analytics?

Respuesta: Normalmente unos 5 minutos a partir de que se genere la actividad en

Power BI. Los registros se envían continuamente.

Pregunta: ¿Qué ocurre cuando desconecto Log Analytics? ¿Perderé mis datos?

Respuesta: La desconexión no es una operación destructiva. Los registros dejarán de

enviarse a Log Analytics, pero todo lo demás permanecerá sin cambios. Power BI no
modificará permisos ni eliminará datos.

Pregunta: ¿Durante cuánto tiempo se conservan los datos en Log Analytics?

Respuesta: El período de retención predeterminado es de 31 días. Puede ajustar el

período de retención de datos desde Azure Portal, que actualmente se puede aumentar
a 730 días (2 años).

Pregunta: ¿Qué ocurre si el administrador de inquilinos deshabilita el registro de nivel

de área de trabajo?
Respuesta: Si esto ocurre no se podrán realizar nuevas configuraciones de Log Analytics
en el nivel de área de trabajo. Las áreas de trabajo existentes en las que ya se haya
configurado Log Analytics seguirán enviando registros.

Pregunta: ¿Se admiten destinos de almacén de blobs y centro de eventos en Log

Analytics?

Respuesta: Los destinos de Blob Store y Event Hubs no se admiten actualmente, pero se
agradecerán sus comentarios relativos a la utilidad de dichos destinos.

Pregunta: ¿Qué ocurre si quito mi área de trabajo de una capacidad Premium?

Respuesta: Actualmente, no se eliminará la configuración de Log Analytics, pero los

registros dejarán de enviarse cuando el conjunto de datos no esté en una capacidad
Premium. Si lo vuelve a mover a la capacidad Premium, los registros comenzarán a fluir
de nuevo.

Pregunta: ¿Se admiten áreas de trabajo v1 para Log Analytics?

Respuesta: No se puede configurar Log Analytics para áreas de trabajo v1 individuales.

Pregunta: Se registran muchos eventos desde el motor de Analysis Services. ¿Puedo

elegir cuáles quiero?

Respuesta: Actualmente no se pueden elegir los eventos que se van a registrar.

Pregunta: ¿Cuánto va a costar Log Analytics?

Respuesta: Azure Log Analytics factura el almacenamiento, la ingesta y las consultas

analíticas por separado. El coste también depende de la región geográfica. El coste
variará en función de cuánta actividad se genere, cuánto tiempo decida almacenar los
datos y con qué frecuencia los consulte. Una capacidad Premium genera
aproximadamente 35 GB de registros mensuales, pero el tamaño del almacenamiento
de los registros puede ser mayor en el caso de las capacidades muy utilizadas. Para más
información, consulte la calculadora de precios .

Pasos siguientes
Los artículos siguientes pueden ayudarle a obtener más información sobre Power BI y su
integración con Azure Log Analytics.

Usar Azure Log Analytics en Power BI

Configuración de Azure Log Analytics en Power BI
Realización de tareas de consultas
comunes en Power BI Desktop
Artículo • 08/03/2023

En la ventana Editor de Power Query de Power BI Desktop, hay una serie de tareas de
uso frecuente. En este artículo se muestran las tareas comunes y vínculos para obtener
información adicional.

Las tareas comunes de consultas que aquí se explican son las siguientes:

Conectar a datos
Dar forma a los datos y combinarlos
Agrupar filas
Dinamizar columnas
Crear columnas personalizadas
Fórmulas de consulta

Puede usar algunas conexiones de datos para realizar estas tareas. Los datos están
disponibles para descargar o conectarse, en caso de que desee realizar paso a paso las
tareas.

La primera conexión de datos es un libro de Excel , que puede descargar y guardar

localmente. El otro es un recurso web:

[Link]

Las tareas comunes de la consulta comienzan por los pasos necesarios para conectarse
a ambos orígenes de datos.

Conectar a datos
Para conectarse a los datos de Power BI Desktop, seleccione Inicio y, después, Obtener
datos. Power BI Desktop presenta un menú con los orígenes de datos más comunes.
Para obtener una lista completa de los orígenes de datos a los que Power BI Desktop se
puede conectar, seleccione Más situado al final del menú. Para más información,
consulte Orígenes de datos en Power BI Desktop.
Para comenzar, seleccione Libro de Excel, especifique el libro de Excel mencionado
anteriormente y, luego, elija Abrir. El Editor de Power Query inspecciona el libro y, luego,
presenta los datos encontrados en el cuadro de diálogo Navegador tras seleccionar una
tabla.
Seleccione Transformar datos para editar, ajustar o dar forma a los datos antes de
cargarlos en Power BI Desktop. La edición es especialmente útil si trabaja con conjuntos
de datos grandes que desea reducir antes de cargar.

La conexión a diferentes tipos de datos es un proceso similar. Para conectarse a un

origen de datos web, seleccione Obtener datos>Más y, luego, elija
Otra>Web>Conectar.
Aparece el cuadro de diálogo Desde web, donde puede escribir la dirección URL de la
página web.

Seleccione Aceptar. Al igual que antes, Power BI Desktop inspecciona los datos de la
página web y muestra opciones de vista previa en el cuadro de diálogo Navegador. Al
seleccionar una tabla, muestra una vista previa de los datos.

Las demás conexiones de datos son similares. Power BI Desktop le pide las credenciales
adecuadas si necesita autenticar la conexión.

Para una demostración paso a paso de la conexión a datos en Power BI Desktop,

consulte Conectarse a los datos en Power BI Desktop.

Dar forma a los datos y combinarlos

Puede fácilmente combinar y dar forma a los datos con el Editor de Power Query. Esta
sección incluye algunos ejemplos de cómo puede dar forma a los datos. Para una
demostración más completa de cómo combinar y dar forma a los datos, consulte
Combinar datos y darles forma en Power BI Desktop.

En esta sección y en las siguientes se usa el libro de Excel de ejemplo mencionado

anteriormente, que puede descargar y guardar localmente. Cargue los datos del Editor
de Power Query mediante el botón Transformar datos de la pestaña Inicio. Después de
cargar los datos, seleccione la tabla 1 en las consultas disponibles en el panel Consultas,
como se muestra aquí:

Dar forma a datos significa transformar un origen de datos a la forma y formato que se
ajuste a sus necesidades.

En el Editor de Power Query, puede encontrar muchos comandos en la cinta de

opciones y en los menús contextuales. Por ejemplo, cuando hace clic con el botón
derecho en una columna, el menú contextual le permite quitar la columna. También
puede seleccionar una columna y, luego, el botón Quitar columnas de la pestaña Inicio
de la cinta de opciones.

Puede dar forma a los datos de muchas otras formas en esta consulta. Puede quitar
cualquier número de filas de la parte superior o inferior. O bien, puede agregar o dividir
columnas, reemplazar valores y realizar otras tareas de modelado. Con estas
características, puede dirigir el Editor de Power Query para obtener los datos de la
forma que desee.

Agrupar filas
En el Editor de Power Query, puede agrupar los valores de muchas filas en un único
valor. Esta característica puede ser útil cuando se quiere resumir el número de
productos ofrecidos, las ventas totales o el número de alumnos.

En este ejemplo, se agruparon filas en un conjunto de datos de inscripción a recursos

educativos. Los datos pertenecen al libro de Excel.

En este ejemplo se muestra cuántas agencias tiene cada estado. (la instituciones pueden
incluir distritos escolares, otras instituciones educativas como distritos de servicios
regionales, etc.). Seleccione la columna State Abbr y, luego, seleccione el botón Agrupar
por de la pestaña Transformar o la pestaña Inicio de la cinta de opciones. (Agrupar por
está disponible en ambas pestañas).
Aparece el cuadro de diálogo Agrupar por. Cuando el Editor de Power Query agrupa
filas, se crea una nueva columna donde se colocan los resultados de la acción Agrupar
por. Puede ajustar la operación Agrupar por de las siguientes maneras:

1. La lista desplegable sin etiquetar especifica la columna que se va a agrupar. El

Editor de Power Query aplica de forma predeterminada este valor a la columna
seleccionada, pero puede cambiarlo para que sea cualquier columna de la tabla.
2. Nuevo nombre de columna: El Editor de Power Query sugiere un nombre para la
nueva columna, en función de la operación que aplica a la columna agrupada.
Puede dar el nombre que desee a la nueva columna, sin embargo.
3. Operación: elija la operación que aplica el Editor de Power Query, por ejemplo,
Suma, Mediana o Contar filas distintas. El valor predeterminado es Contar filas.
4. Agregar agrupación y Agregar agregación: estos botones están disponibles solo
si selecciona la opción Opciones avanzadas. En una sola operación, puede realizar
operaciones de agrupación (acciones Agrupar por) en muchas columnas y crear
varias agregaciones con estos botones. Según las selecciones realizadas en este
cuadro de diálogo, el Editor de Power Query crea una nueva columna que opera
en varias columnas.

Seleccione Agregar agrupación o Agregar agregación para agregar más agrupaciones

o agregaciones a una operación Agrupar por. Para quitar una agrupación o agregación,
seleccione el icono de puntos suspensivos ( ... ) a la derecha de la fila y, a continuación,
Eliminar. Siga adelante y pruebe la operación Agrupar por usando los valores
predeterminados para ver qué ocurre.
Cuando se selecciona Aceptar, el Editor de Power Query realiza la operación Agrupar
por y devuelve los resultados.

Además, con el Editor de Power Query, siempre puede quitar la última operación de
modelado. En el panel Configuración de la consulta, en Pasos aplicados, solo tiene que
seleccionar X junto al paso completado recientemente. No se detenga, experimente. Si
no le complacen los resultados, repita el paso hasta que el Editor de Power Query forme
los datos tal como lo requiere.
Dinamizar columnas
Puede dinamizar columnas y crear una tabla con valores agregados para cada valor
único en una columna. Por ejemplo, para saber cuántos productos diferentes hay en
cada categoría, puede crear rápidamente una tabla que muestre eso.

Para crear una nueva tabla que muestre el número de productos de cada categoría
(según la columna CategoryName), seleccione la columna y después seleccione
Transformar>Dinamizar columna.

Aparece el cuadro de diálogo Columna dinámica, que le permite saber qué valores de la
columna usa la operación para crear nuevas columnas. (Si no se muestra el nombre de
la columna deseada de CategoryName, selecciónelo en la lista desplegable). Al expandir
Opciones avanzadas, puede seleccionar la función que se aplica a los valores
agregados.

Al seleccionar Aceptar, el Editor de Power Query muestra la tabla según las

instrucciones de transformación proporcionadas en el cuadro de diálogo Columna
dinámica.
Crear columnas personalizadas
En el Editor de Power Query, puede crear fórmulas personalizadas que operen en varias
columnas de su tabla. A continuación, puede colocar los resultados de estas fórmulas en
una nueva columna (personalizada). El Editor de Power Query facilita la creación de
columnas personalizadas.

Con los datos del libro de Excel en el Editor de Power Query, vaya a la pestaña Agregar
columna de la cinta de opciones y, a continuación, seleccione Columna personalizada.

Aparecerá el siguiente cuadro de diálogo. En este ejemplo, se crea una columna

personalizada denominada Porcentaje de ELL que calcula el porcentaje total de alumnos
que estudian el idioma inglés (ELL, por sus siglas en inglés).
Al igual que con cualquier otro paso aplicado en el Editor de Power Query, si la nueva
columna personalizada no proporciona los datos que busca, puede eliminar el paso. En
el panel Configuración de consulta, en PASOS APLICADOS, solo tiene que seleccionar
la X junto al paso Personalizado agregado.

Fórmulas de consulta
Puede editar los pasos que genera el Editor de Power Query. También puede crear
fórmulas personalizadas, que le permiten conectarse a sus datos y darles forma con
mayor precisión. Cada vez que el Editor de Power Query realiza una acción en los datos,
se muestra la fórmula asociada con la acción en la barra de fórmulas. Para ver la barra
de fórmulas, vaya a la pestaña Vista y, a continuación, seleccione Barra de fórmulas.

El Editor de Power Query conserva todos los pasos aplicados para cada consulta como
texto que se puede ver o modificar. Puede ver o modificar el texto de cualquier consulta
mediante el Editor avanzado. Solo tiene que seleccionar Vista y,a continuación, Editor
avanzado.

Esta es una captura de pantalla del Editor avanzado, con los pasos de consulta
asociados a la consulta USA_StudentEnrollment mostrada. Estos pasos se crean en el
lenguaje de fórmulas de Power Query, que se conoce a menudo como M. Para más
información, consulte Crear fórmulas de Power Query en Excel . Para ver la
especificación del lenguaje, consulte la Especificación del lenguaje M de Power Query.

Power BI Desktop proporciona un amplio conjunto de categorías de fórmulas. Para más

información y una referencia completa de todas las fórmulas del Editor de Power Query,
consulte Referencia de funciones M de Power Query.
Pasos siguientes
Puede hacer todo tipo de cosas con Power BI Desktop. Para obtener más información
sobre sus funcionalidades, consulte los siguientes recursos:

¿Qué es Power BI Desktop?

Información general sobre consultas en Power BI Desktop
Orígenes de datos en Power BI Desktop
Conectarse a orígenes de datos en Power BI Desktop
Combinar datos y darles forma con Power BI Desktop
Crear y administrar relaciones en Power
BI Desktop
Artículo • 23/03/2023

Al tener varias tablas, lo más probable es que vaya a realizar un análisis con los datos de
todas ellas. Las relaciones entre esas tablas son necesarias para calcular los resultados
de forma precisa y mostrar la información correcta en los informes. En la mayoría de los
casos no tendrás que hacer nada. La característica de detección automática lo hace
automáticamente. Aunque es posible que, en ocasiones, tenga que crear relaciones o
realizar cambios en una relación. En cualquier caso, es importante entender las
relaciones en Power BI Desktop y cómo crearlas y editarlas.

Detección automática durante la carga

Si consulta dos o más tablas al mismo tiempo, cuando se carguen los datos, Power BI
Desktop intenta buscar y crear relaciones automáticamente. Las opciones de relación
Cardinalidad, Dirección de filtro cruzado y Activar esta relación se establecen
automáticamente. Power BI Desktop examina los nombres de columna en las tablas que
se consultan para determinar si hay posibles relaciones. Si las hay, esas relaciones se
crean automáticamente. Si Power BI Desktop no puede determinar con un alto nivel de
confianza que hay una coincidencia, no crea automáticamente la relación. Sin embargo,
puede usar el cuadro de diálogo Administrar relaciones para crear o modificar
manualmente las relaciones.

Creación de una relación con detección

automática
En la pestaña Modelado, haga clic en Administrar relaciones>Detección automática.
Crear una relación de forma manual
1. En la pestaña Modelado, haga clic en Administrar relaciones>Nuevo.

2. En el cuadro de diálogo Crear relación, en la primera lista desplegable de tablas,

seleccione una tabla. Seleccione la columna que quiera usar en la relación.

3. En la segunda lista desplegable de tablas, seleccione la otra tabla que quiera incluir
en la relación. Seleccione la otra columna que quiera usar y seleccione Aceptar.
De forma predeterminada, Power BI Desktop configura automáticamente las opciones
Cardinalidad (dirección), Dirección de filtro cruzado y Activar esta relación en la nueva
relación. Sin embargo, puede cambiar esta configuración si es necesario. Para obtener
más información, consulte Descripción de las opciones adicionales.

Si ninguna de las tablas seleccionadas para la relación tiene valores únicos, verá el
siguiente error: Una de las columnas debe tener valores únicos. Al menos una tabla de
una relación debe tener una lista distinta y única de valores de clave, que es un requisito
común para todas las tecnologías de bases de datos relacionales.

Si detecta ese error, hay un par de formas de corregir el problema:

Usar Quitar filas duplicadas para crear una columna con valores únicos. El
inconveniente de este enfoque es que podría perder información al quitar filas
duplicadas. A menudo, una clave (fila) se duplica por un buen motivo.
Agregar una tabla intermedia hecha de la lista de valores de claves distintos en el
modelo, que luego se vinculará a ambas columnas originales de la relación.

Para más información, consulte esta entrada de blog.

Como alternativa, en los diseños del diagrama de vista Modelo, puede arrastrar y
colocar una columna de una tabla a una columna de otra tabla para crear una relación.
Editar una relación
Hay dos maneras de editar una relación en Power BI.

El primer método para editar una relación es usar las relaciones de edición en el panel
Propiedades de lavista Modelo, donde puede seleccionar cualquier línea entre dos
tablas para ver las opciones de relación en el panel Propiedades. Asegúrese de expandir
el panel Propiedades para ver las opciones de relación.

También puede ver una demostración en vídeo de edición de relaciones en el panel

Propiedades.

El otro método de edición de una relación es usar el cuadro de diálogo Editor de

relaciones, que puede abrir muchas maneras desde dentro de Power BI Desktop. En la
lista siguiente se muestran diferentes formas de abrir el cuadro de diálogo Editor de
relaciones:

En la vista Informe, realice cualquiera de las acciones siguientes:

Seleccione la cinta Modelado, >Administrar relaciones y, a continuación

seleccione la relación y seleccione Editar.
Seleccione una tabla en la lista Campos y, a continuación, seleccione la cinta
Herramientas de tabla, >Administrar relaciones, luego seleccione la relación y a
continuación seleccione Editar.

En la vista Datos, seleccione la cinta Herramientas de tabla, >Administrar relaciones,

luego seleccione la relación y, a continuación, elija Editar.

En la vista Modelo, realice cualquiera de las acciones siguientes:

Seleccione la cinta Inicio, >Administrar relaciones, luego elija la relación y, a

continuación, seleccione Editar.
 Haga doble clic en cualquier línea entre dos tablas.
Haga clic con el botón derecho en cualquier línea entre dos tablas y, a
continuación, elija Propiedades.
Seleccione cualquier línea entre dos tablas y, a continuación, elija Abrir editor de
relaciones en el panel Propiedades.

Por último, también puede editar una relación desde cualquier vista, hacer clic con el
botón derecho o seleccionar los puntos suspensivos para llegar al menú contextual de
cualquier tabla, seleccionar Administrar relaciones, seleccionar la relación y, después,
Editar

En la imagen siguiente se muestra una captura de pantalla de la ventana Editar relación.

Edición de relaciones mediante diferentes

métodos
Utilizar elcuadro de diálogo Editar relaciones es una experiencia más guiada para editar
relaciones en Power BI y actualmente está en versión preliminar. Puede ver una vista
previa de los datos en cada tabla. A medida que selecciona columnas diferentes, la
ventana valida automáticamente la relación y ofrece las selecciones de cardinalidad y
filtro cruzado adecuadas.

La edición de relaciones en el panel Propiedades es un enfoque simplificado para editar

relaciones en Power BI. Solo verá los nombres y columnas de tabla desde las que puede
elegir, no se le presentará una vista previa de datos y las opciones de relación que
realice solo se validan al seleccionar Aplicar cambios. El uso del panel Propiedades y su
enfoque simplificado reduce el número de consultas generadas al editar una relación, lo
que puede ser importante para escenarios de macrodatos, especialmente cuando se
usan conexiones de DirectQuery. Las relaciones creadas con el panel Propiedades
también pueden ser más avanzadas que las relaciones permitidas para crearse en el
cuadro de diálogo Editar relaciones.

También puede seleccionar varias relaciones en los diseños del diagrama de vista
Modelo presionando la tecla Ctrl y seleccionando más de una línea para elegir varias
relaciones. Las propiedades comunes se pueden editar en el panel Propiedades y
Aplicar cambios procesarán los cambios en una transacción.

También se pueden eliminar relaciones únicas o seleccionadas presionando Eliminar en

el teclado. No se puede deshacer la acción de eliminación, por lo que un cuadro de
diálogo le pide que confirme la eliminación de las relaciones.

） Importante

La edición de relaciones en la característica del panel de propiedades está

actualmente en versión preliminar. Mientras se encuentre en versión preliminar, es
probable que la funcionalidad y la documentación cambien. Para habilitar esta
característica en Power BI Desktop, vaya a Opciones de archivo > y configuración
> Opciones Características > de vista previa y, a continuación, en la sección
GLOBAL, active la casilla situada junto al panel Relación.

Configuración de más opciones

Al crear o editar una relación, puede configurar más opciones. De forma
predeterminada, Power BI Desktop configura automáticamente más opciones en
función de una mejor aproximación, que puede ser diferente para cada relación según
los datos de las columnas.

Cardinalidad
La opción Cardinalidad puede tener una de las siguientes opciones:
Varios a uno (*:1): una relación de varios a uno es el tipo más común de relación
predeterminada. Significa que la columna de una tabla concreta puede tener más de
una instancia de un valor y que la otra tabla relacionada, a menudo conocida como
tabla de búsqueda, solo tiene una instancia de un valor.

Uno a uno (1:1) : en una relación uno a uno, la columna de una tabla solo tiene una
instancia de un valor determinado y la otra tabla relacionada solo tiene una instancia de
un valor determinado.

Uno a varios (1:*) : en una relación uno a varios, la columna de una tabla solo tiene una
instancia de un valor y la otra tabla relacionada puede tener más de una instancia de un
valor.

Varios a varios (*:*): con los modelos compuestos, puede establecer relaciones de varios
a varios entre tablas, lo que elimina los requisitos de los valores únicos de las tablas.
También permite descartar las soluciones alternativas anteriores, como el hecho de
presentar nuevas tablas solo para establecer relaciones. Para obtener más información,
consulte Relaciones con una cardinalidad de varios a varios.

Para obtener más información sobre cuándo cambiar la cardinalidad, consulte

Descripción de las opciones adicionales.

Dirección de filtro cruzado

La opción Dirección de filtro cruzado puede tener una de las siguientes opciones:

Ambos: indica que, a efectos de filtrado, ambas tablas se tratan como si fueran una sola
tabla. La opción Ambos funciona bien con una única tabla que tenga muchas tablas de
búsqueda a su alrededor. Un ejemplo es una tabla de datos reales de ventas con una
tabla de búsqueda del departamento. Esta configuración suele denominarse
configuración de esquema de estrella (una tabla central con varias tablas de búsqueda).
Aunque, si tiene dos o más tablas que también tengan tablas de búsqueda (con algo en
común), no querrá usar la opción Ambos. Para continuar con el ejemplo anterior, en
este caso, también dispone de una tabla de ventas de presupuesto que registra el
presupuesto de destino para cada departamento. Además, la tabla de departamento
está conectada a la tabla de presupuesto y de ventas. Evite la opción Ambos para este
tipo de configuración.

Único: dirección predeterminada más común, que significa que las opciones de filtrado
en tablas conectadas trabajan sobre la tabla donde se agregan los valores. Si importa un
modelo de datos de Power Pivot o anterior en Excel 2013, todas las relaciones tendrán
una dirección única.
Para obtener más información sobre cuándo cambiar la dirección de filtro cruzado,
consulte Descripción de las opciones adicionales.

Activar esta relación

Si se activa, significa que la relación actúa como la relación predeterminada y activa. En
casos donde hay más de una relación entre dos tablas, la relación activa proporciona
una manera para que Power BI Desktop cree automáticamente visualizaciones que
incluyan las dos tablas.

Consulte Descripción de las opciones adicionales para obtener más información sobre
cuándo activar determinada relación.

Descripción de las relaciones

Una vez ha conectado juntas dos tablas con una relación, puede trabajar con los datos
en ambas tablas como si fueran una sola tabla. A continuación, no tiene que
preocuparse por los detalles de la relación o aplanar esas tablas en una sola tabla antes
de importarlas. En muchas situaciones, Power BI Desktop puede crear automáticamente
relaciones por usted. Sin embargo, si Power BI Desktop no puede determinar con un
grado alto de certeza que deba existir una relación entre dos tablas, no creará la
relación automáticamente. En ese caso, deberá hacerlo usted.

Vamos a hacer un breve tutorial para mostrarle mejor cómo funcionan las relaciones en
Power BI Desktop.

 Sugerencia

Puede completar esta lección por su cuenta:

1. Copie la siguiente tabla ProjectHours en una hoja de cálculo de Excel (sin

incluir el título), seleccione todas las celdas y elija Insertar>Tabla.
2. En el cuadro de diálogo Crear tabla, seleccione Aceptar.
3. Seleccione cualquier celda de la tabla, seleccione Diseño de tabla>Nombre
de tabla y especifique ProjectHours.
4. Haga lo mismo para la tabla CompanyProject.
5. Importe los datos mediante Obtener datos en Power BI Desktop. Seleccione
ambas tablas como origen de datos y, luego, Cargar.
Esta primera tabla, ProjectHours, es un registro de los vales de trabajo que registran el
número de horas que una persona ha trabajado en determinado proyecto.

ProjectHours

Ticket SubmittedBy Hours Project DateSubmit

1001 Brewer, Alan 22 Azul 1/1/2013

1002 Brewer, Alan 26 Rojo 2/1/2013

1003 Ito, Shu 34 Amarillo 12/4/2012

1004 Brewer, Alan 13 Naranja 1/2/2012

1005 Bowen, Eli 29 Púrpura 1/10/2013

1006 Bento, Nuno 35 Verde 2/1/2013

1007 Hamilton, David 10 Amarillo 1/10/2013

1008 Han, Mu 28 Naranja 1/2/2012

1009 Ito, Shu 22 Púrpura 2/1/2013

1010 Bowen, Eli 28 Verde 10/1/2013

1011 Bowen, Eli 9 Azul 10/15/2013

Esta segunda tabla, CompanyProject, es una lista de proyectos con una prioridad
asignada: A, B o C.

CompanyProject

ProjName Priority

Azul A

Rojo B

Verde C

Amarillo C

Púrpura B

Naranja C

Observe que cada tabla tenga una columna de proyecto. Cada una tiene un nombre
ligeramente distinto, pero los valores parecen iguales. Esta diferencia es importante y
volveremos a abordarla en breve.

Ahora que tenemos nuestras dos tablas importadas en un modelo, vamos a crear un
informe. Lo primero que queremos obtener es el número de horas presentadas por
prioridad del proyecto, así que seleccionamos Priority y Hours en el panel Campos.

Si observamos nuestra tabla en el lienzo del informe, verá que el número de horas es de
256 para cada proyecto, que es también el total. Claramente este número no es
correcto. ¿Por qué? Esto se debe a que no se puede calcular una suma total de valores
de una tabla (Hours en la tabla Project), segmentada por valores en otra tabla (Priority
en la tabla CompanyProject) sin establecer una relación entre estas dos tablas.

Por lo tanto, vamos a crear una relación entre estas dos tablas.

¿Recuerda las columnas que vimos en ambas tablas, con un nombre de proyecto, pero
con valores similares? Utilizaremos estas dos columnas para crear una relación entre las
tablas.

¿Por qué estas columnas? Bueno, si miramos la columna Project de la tabla

ProjectHours, veremos valores como Azul, Rojo, Amarillo, Naranja, etc. De hecho,
veremos varias filas que tienen el mismo valor. En efecto, tenemos muchos valores de
color para Project.

Si miramos la columna ProjName de la tabla CompanyProject, veremos que solo hay

uno de cada uno de los valores de color para el nombre de proyecto. El valor de cada
color en esta tabla es único y eso es importante, porque podemos crear una relación
entre estas dos tablas. En este caso, una relación varios a uno. En una relación de varios
a uno, al menos una columna en una de las tablas debe contener valores únicos. Hay
algunas opciones más para ciertas relaciones, que veremos más adelante. Por ahora,
vamos a crear una relación entre las columnas del proyecto en cada una de nuestras dos
tablas.

Para crear la nueva relación

1. En la pestaña Modelado, haga clic en Administrar relaciones.

2. En Administrar relaciones, seleccione Nuevo para abrir el cuadro de diálogo Crear

relación, donde se pueden seleccionar las tablas, las columnas y cualquier otra
opción que queramos para nuestra relación.

3. En la primera lista desplegable, seleccione ProjectHours como primera tabla y,

luego, elija la columna Project. Se trata del lado varios de nuestra relación.

4. En la segunda lista desplegable, CompanyProject está preseleccionada como

segunda tabla. Seleccione la columna ProjName. Se trata del lado uno de nuestra
relación.

5. Conserve los valores predeterminados para las opciones de relación y seleccione

Aceptar.

6. En el cuadro de diálogo Administrar relaciones, seleccione Cerrar.

En aras de una divulgación completa, acaba de crear esta relación por las malas. Podría
haber seleccionado Detección automática en el cuadro de diálogo Administrar
relaciones. De hecho, la detección automática habría creado automáticamente la
relación por usted al cargar los datos si las dos columnas tuvieran el mismo nombre.

Ahora, echemos un vistazo en la tabla del lienzo del informe una vez más.

Ahora se ve mucho mejor, ¿verdad?

Cuando se suman horas por Priority, Power BI Desktop busca todas las instancias de los
valores de color únicos en la tabla de búsqueda CompanyProject, busca todas las
instancias de cada uno de esos valores en la tabla ProjectHours y calcula una suma total
para cada valor único.

Con la detección automática, puede que ni siquiera tuviera que hacer tanto.

Descripción de las opciones adicionales

Cuando se crea una relación, ya sea con detección automática o de forma manual,
Power BI Desktop configura automáticamente las opciones adicionales según los datos
de las tablas. Estas propiedades de relación adicionales se encuentran en la parte
inferior de los cuadros de diálogo Crear relación y Editar relación.
Power BI establece típicamente estas opciones automáticamente y no tendrá que
ajustarlas. Si bien hay varias situaciones en las que podría querer configurar estas
opciones por su cuenta.

Actualización de relaciones automáticas

Puede administrar cómo Power BI trata y ajusta automáticamente las relaciones en los
informes y modelos. Para especificar cómo Power BI controla las opciones de relaciones,
seleccione Archivo>Opciones y configuración>Opciones en Power BI Desktop y elija
Carga de datos en el panel izquierdo. Aparecerán las opciones para Relaciones.

Hay tres opciones que se pueden seleccionar y habilitar:

Importar relaciones de orígenes de datos en la primera carga: Esta opción está

activada de forma predeterminada. Si se selecciona, Power BI comprobará las
relaciones definidas en el origen de datos, tales como las relaciones entre la clave
externa y la clave principal en el almacenamiento de datos. Si existen dichas
 relaciones, se reflejarán en el modelo de datos de Power BI al cargar los datos por
primera vez. Esta opción permite empezar a trabajar rápidamente con el modelo,
sin necesidad de tener que buscar o definir esas relaciones por su cuenta.

Actualizar o eliminar las relaciones al actualizar los datos: Esta opción está
desactivada de forma predeterminada. Si se selecciona, Power BI comprobará si
hay cambios en las relaciones del origen de datos al actualizar el conjunto de
datos. Si dichas relaciones cambian o se quitan, Power BI refleja esos cambios en
su propio modelo de datos, y las actualiza o elimina para que coincidan.

２ Advertencia

No se recomienda seleccionar esta opción si utiliza la seguridad de nivel de

fila basada en las relaciones definidas. Si se quita una relación de la que
depende la configuración de RLS, el modelo puede resultar menos seguro.

Detectar automáticamente nuevas relaciones después de cargar los datos: Esta

opción se describe en Detección automática durante la carga.

Las futuras actualizaciones de datos requieren

una cardinalidad diferente
Normalmente, Power BI Desktop puede determinar automáticamente la mejor
cardinalidad para la relación. Si tiene que reemplazar la configuración automática,
porque sabe que los datos cambiarán en el futuro, puede cambiarla en el control
Cardinalidad. Veamos un ejemplo donde se debe seleccionar una cardinalidad diferente.

La tabla CompanyProjectPriority es una lista de todos los proyectos de la empresa y su

prioridad. La tabla ProjectBudget es el conjunto de proyectos para los que se ha
aprobado presupuesto.

CompanyProjectPriority

ProjName Priority

Azul A

Rojo B

Verde C

Amarillo C
 ProjName Priority

Púrpura B

Naranja C

ProjectBudget

Proyectos aprobados BudgetAllocation AllocationDate

Azul 40,000 12/1/2012

Rojo 100,000 12/1/2012

Verde 50 000 12/1/2012

Si creamos una relación entre la columna ApprovedProjects de la tabla ProjectBudget y

la columna ProjectName de la tabla CompanyProjectPriority, Power BI establece
automáticamente Cardinalidad en Uno a uno (1:1) y Dirección de filtro cruzado en
Ambos.
El motivo por el que Power BI crea esta configuración es porque, para Power BI Desktop,
la mejor combinación de las dos tablas es la siguiente:

ProjName Priority BudgetAllocation AllocationDate

Azul A 40,000 12/1/2012

Rojo B 100 000 12/1/2012

Verde C 50,000 12/1/2012

Amarillo C

Púrpura B

Naranja C

Hay una relación uno a uno entre nuestras dos tablas porque no hay ningún valor que
se repita en la columna ProjName de la tabla combinada. La columna ProjName es
única porque cada valor se produce solo una vez, por lo que las filas de las dos tablas se
pueden combinar directamente sin ninguna duplicación.

Sin embargo, supongamos que sabe que los datos cambiarán la próxima vez que los
actualice. Una versión actualizada de la tabla ProjectBudget tiene ahora filas adicionales
para los proyectos Azul y Rojo:

ProjectBudget

Proyectos aprobados BudgetAllocation AllocationDate

Azul 40,000 12/1/2012

Rojo 100,000 12/1/2012

Verde 50 000 12/1/2012

Azul 80,000 6/1/2013

Rojo 90,000 6/1/2013

Estas filas adicionales implican que la mejor combinación de las dos tablas tiene ahora
el siguiente aspecto:

ProjName Priority BudgetAllocation AllocationDate

Azul A 40,000 12/1/2012

Rojo B 100 000 12/1/2012

 ProjName Priority BudgetAllocation AllocationDate

Verde C 50,000 12/1/2012

Amarillo C

Púrpura B

Naranja C

Azul A 80000 6/1/2013

Rojo B 90000 6/1/2013

En esta nueva tabla combinada, la columna ProjName tiene valores repetidos. Las dos
tablas originales no tienen una relación uno a uno, una vez que se actualiza la tabla. En
este caso, como sabemos que las actualizaciones futuras harán que la columna
ProjName tenga duplicados, queremos establecer Cardinalidad en Muchos a uno (*:1),
donde el lado muchos se asigna a ProjectBudget y el lado uno, a
CompanyProjectPriority.

Ajuste de la dirección del filtro cruzado para un

conjunto complejo de tablas y relaciones
Para la mayoría de las relaciones, la dirección de filtro cruzado se establece en Ambos.
Sin embargo, hay algunas circunstancias más poco frecuentes en las que es posible que
tenga que establecer esta opción de forma diferente a la predeterminada. Un ejemplo
es si importa un modelo de una versión más antigua de Power Pivot, donde cada
relación se establece para una única dirección.

La opción Ambos permite que Power BI Desktop trate todos los aspectos de las tablas
conectadas como si fueran una sola tabla. Sin embargo, existen algunas situaciones en
las que Power BI Desktop no puede establecer la dirección de filtro cruzado de una
relación en Ambos y también mantener un conjunto ambiguo de valores
predeterminados disponibles a efectos de la elaboración de informes. Si la dirección de
filtro cruzado de una relación no se establece en Ambos, suele ser porque se crearía
ambigüedad. Si el valor predeterminado del filtro cruzado no funciona en su caso,
intente configurarlo en una tabla determinada o en Ambos.

El filtro cruzado de una sola dirección funciona para muchas situaciones. De hecho, si ha
importado un modelo de PowerPivot en Excel 2013 o versiones anteriores, todas las
relaciones se establecerán en una dirección única. Una dirección única significa que las
opciones de filtrado en tablas conectadas funcionan en la tabla donde sucede el trabajo
de agregación. A veces, comprender el filtrado cruzado puede ser un poco complicado;
veamos un ejemplo.

Con el filtro cruzado de dirección única, si crea un informe que resuma las horas del
proyecto, podrá optar por resumir (o filtrar) por la tabla CompanyProject y su columna
Priority o por la tabla CompanyEmployee y su columna City. Sin embargo, si quiere
contar el número de empleados por proyecto (una pregunta menos común), esto no
funcionará. Obtendrá una columna de valores que son los mismos. En el ejemplo
siguiente, la dirección de filtro cruzado de ambas relaciones se establece en una
dirección única: hacia la tabla ProjectHours. En el cuadro Valores, el campo Proyecto se
establece en Recuento:

La especificación del filtro fluirá de CompanyProject a ProjectHours (como se muestra

en la imagen siguiente), pero no hasta CompanyEmployee.

Sin embargo, si establece la dirección de filtro cruzado en Ambos, sí funcionará. La

opción Ambos permite que la especificación del filtro fluya hasta CompanyEmployee.
Con la dirección de filtro cruzado establecida en Ambos, nuestro informe parece ahora
correcto:

El filtrado cruzado en ambas direcciones funciona bien con un modelo de relaciones de

tablas como el patrón mostrado anteriormente. Este esquema se denomina
habitualmente esquema de estrella, similar al siguiente:
La dirección del filtro cruzado no funciona bien con un patrón más general que se suele
encontrarse en las bases de datos, como en este diagrama:

Si tiene un patrón de tabla como este, con bucles, el filtro cruzado puede crear un
conjunto ambiguo de relaciones. Por ejemplo, si suma un campo de Tabla X y después
elige filtrar por un campo en la Tabla Y, no resulta claro cómo debe viajar el filtro, si a
través de la tabla superior o la tabla inferior. Un ejemplo común de este tipo de patrón
se presenta con TableX como tabla de ventas con datos reales y TableY como tabla de
datos de presupuesto. A continuación, las tablas en la parte central son tablas de
búsqueda que utilizan las dos tablas, como la de división o de región.

De igual modo que con las relaciones activas e inactivas, Power BI Desktop no permitirá
que una relación se establezca en Ambos si eso crease ambigüedad en los informes.
Hay varias maneras de controlar esta situación. Estas son las dos más comunes:
 Eliminar o marcar las relaciones como inactivas para reducir la ambigüedad. A
continuación, puede establecer un filtro cruzado de relación en Ambos.
Agregar una tabla dos veces (con un nombre diferente la segunda vez) para
eliminar los bucles. Esto hace que el patrón de relaciones sea como un esquema
de estrella. Con un esquema de estrella, todas las relaciones pueden establecerse
en Ambos.

Relación activa incorrecta

Cuando Power BI Desktop crea automáticamente relaciones, a veces encuentra más de
una relación entre dos tablas. Cuando esto sucede, solo una de las relaciones se
establece para estar activa. La relación activa actúa como la relación predeterminada
para que, al elegir los campos de dos tablas diferentes, Power BI Desktop pueda crear
automáticamente una visualización por usted. Sin embargo, en algunos casos la relación
seleccionada de forma automática puede ser incorrecta. Puede usar el cuadro de
diálogo Administrar relaciones para establecer una relación como activa o inactiva, o
bien establecer la relación activa en el cuadro de diálogo Editar relación.

Para garantizar que haya una relación predeterminada, Power BI Desktop solo permite
una sola relación activa entre dos tablas en un momento dado. Por lo tanto, debe
establecer primero la relación actual como inactiva y, luego, establecer la relación que
quiere que esté activa.

Veamos un ejemplo. La primera tabla es ProjectTickets y la segunda tabla es

EmployeeRole.

ProjectTickets

Ticket OpenedBy SubmittedBy Hours Project DateSubmit

1001 Perham, Tom Brewer, Alan 22 Azul 1/1/2013

1002 Roman, Daniel Brewer, Alan 26 Rojo 2/1/2013

1003 Roth, Daniel Ito, Shu 34 Amarillo 12/4/2012

1004 Perham, Tom Brewer, Alan 13 Naranja 1/2/2012

1005 Roman, Daniel Bowen, Eli 29 Púrpura 1/10/2013

1006 Roth, Daniel Bento, Nuno 35 Verde 2/1/2013

1007 Roth, Daniel Hamilton, David 10 Amarillo 1/10/2013

1008 Perham, Tom Han, Mu 28 Naranja 1/2/2012

 Ticket OpenedBy SubmittedBy Hours Project DateSubmit

1009 Roman, Daniel Ito, Shu 22 Púrpura 2/1/2013

1010 Roth, Daniel Bowen, Eli 28 Verde 10/1/2013

1011 Perham, Tom Bowen, Eli 9 Azul 10/15/2013

EmployeeRole

Employee Role

Bento, Nuno Administrador del proyecto

Bowen, Eli Responsable del proyecto

Brewer, Alan Administrador del proyecto

Hamilton, David Responsable del proyecto

Han, Mu Responsable del proyecto

Ito, Shu Responsable del proyecto

Perham, Tom Patrocinador del proyecto

Roman, Daniel Patrocinador del proyecto

Roth, Daniel Patrocinador del proyecto

En realidad hay dos relaciones aquí:

Entre Employee en la tabla EmployeeRole y SubmittedBy en la tabla

ProjectTickets.
Entre OpenedBy en la tabla ProjectTickets y Employee en la tabla EmployeeRole.

Si agregamos ambas relaciones al modelo (OpenedBy primero), el cuadro de diálogo

Administrar relaciones mostrará que OpenedBy está activa:
Ahora, si creamos un informe que usa los campos Role y Employee de EmployeeRole y
el campo Hours de ProjectTickets en una visualización de la tabla en el lienzo del
informe, solo veremos patrocinadores del proyecto porque son los únicos que abrieron
un vale del proyecto.

Podemos cambiar la relación activa y obtener SubmittedBy en lugar de OpenedBy. En

Administrar relaciones, desactivamos la relación ProjectTickets(OpenedBy) con
EmployeeRole(Employee) y, luego, activamos la relación EmployeeRole(Employee) con
Project Tickets(SubmittedBy) .
Consulta de todas las relaciones en la vista
Relación
A veces, el modelo tiene varias tablas y relaciones complejas entre ellas. La vista
Relación de Power BI Desktop muestra todas las relaciones del modelo, su dirección y
cardinalidad en un diagrama personalizable y fácil de entender.

Para obtener más información, consulte Vista de relaciones en Power BI Desktop.

Solución de problemas
En esta sección se proporcionan instrucciones e información para solucionar problemas
al trabajar con relaciones en Power BI.

No se pueden determinar las relaciones entre campos

Power BI intenta mostrar los datos pertinentes en los objetos visuales mediante la
inferencia de las relaciones del modelo que se está usando. A veces, estas inferencias no
son obvias y es posible que le sorprenda ver un error en el objeto visual, lo que indica
que no hay ninguna relación entre determinadas columnas.
Con el fin de explicar cómo determina Power BI si los campos están relacionados, vamos
a usar un modelo de ejemplo para ilustrar algunos escenarios en las secciones
siguientes. En la imagen siguiente se muestra el modelo de ejemplo que usaremos en
los escenarios de ejemplo.

Escenario 1: Esquema de estrella tradicional y ninguna restricción de medida. En

referencia al modelo de ejemplo de la imagen anterior, echemos un vistazo primero a
las tablas Vendor, Purchases y Product de la mitad derecha de las imagen. Este ejemplo
es un esquema de estrella tradicional con una tabla de hechos (Purchases) y dos tablas
de dimensiones (Product y Vendor). La relación entre las tablas de dimensiones y la tabla
de hechos es de uno a varios (un producto corresponde a varias compras, un proveedor
corresponde a varias compras). En este tipo de esquema, podemos responder a
preguntas como ¿Cuáles son las ventas del producto X?, ¿Cuáles son las ventas del
proveedor Y? y ¿Qué productos vende el proveedor Y?

Si queremos correlacionar las tablas Products y Vendors, podemos hacerlo consultando

la tabla Purchases para ver si hay una entrada con el mismo producto y proveedor. Una
consulta de ejemplo podría tener un aspecto similar al siguiente ejemplo:

Correlate Product[Color] with Vendor[Name] where CountRows(Purchases)>0

where CountRows(Purchases)>0 es una restricción implícita que agrega Power BI para

asegurarse de que se devuelven los datos pertinentes.
Al realizar esta correlación por
medio de la tabla Purchases, podemos devolver pares Product-Vendor que tienen al
menos una entrada en una tabla de hechos y que tienen sentido desde la perspectiva de
los datos. No se mostrarán combinaciones Product-Vendor para las que nunca se haya
realizado una venta (serían inútiles para el análisis).
Escenario 2: Esquema de estrella tradicional y una restricción de medida. En el
ejemplo anterior del escenario 1, si el usuario proporciona una restricción en forma de
columna resumida (por ejemplo, Sum/Average/Count of Purchase Qty) o una medida de
modelo (Distinct Count of VendID), Power BI puede generar una consulta en forma del
siguiente ejemplo:

Correlate Product[Color] with Vendor[Name] where MeasureConstraint is not blank

En tal caso, Power BI intenta devolver combinaciones con valores significativos para la
restricción proporcionada por el usuario (no en blanco). Power BI no necesita agregar
también su propia restricción implícita CountRows(Purchases)>0, como hizo en el
escenario 1, porque la restricción proporcionada por el usuario es suficiente.

Escenario 3: Ningún esquema de estrella tradicional y ninguna restricción de medida.

En este escenario, centramos nuestra atención en el centro del modelo, en las tablas
Sales, Product y Purchases, donde tenemos una tabla de dimensiones (Product) y dos
tablas de hechos (Sales y Purchases). Puesto que este ejemplo no es un esquema de
estrella, no podemos responder al mismo tipo de preguntas que en el escenario 1.
Supongamos que intentamos correlacionar las tablas Purchases y Sales. Como Purchases
tiene una relación de varios a uno con Product y, por su parte, Product tiene una relación
de uno a varios con Sales. Las ventas y las compras son indirectamente muchas a
muchas. Podemos vincular un elemento de Producto con varios de Compras y de Ventas,
pero no podemos vincular un elemento de Ventas con varios de Compras o viceversa.
Solo podemos vincular varios elementos de Purchases con varios elementos de Sales.

En esta situación, si intentamos combinar Purchase[VenID] y Sales[CustID] en un objeto

visual, Power BI no tiene una restricción concreta que se pueda aplicar debido a la
relación de varios a varios entre esas tablas. Aunque podría haber restricciones
personalizadas que se pueden aplicar a varios escenarios (las cuales no se derivan
necesariamente de las relaciones establecidas en el modelo), Power BI no puede inferir
una restricción predeterminada basándose únicamente en las relaciones. Si Power BI
intentara devolver todas las combinaciones de las dos tablas, crearía una combinación
cruzada de gran tamaño y devolvería datos no pertinentes. En lugar de esto, Power BI
genera un error en el objeto visual, como el siguiente.
Escenario 4: Ningún esquema de estrella tradicional y una restricción de medida. Si
tomamos el ejemplo del escenario 3 y agregamos una restricción proporcionada por el
usuario en forma de columna resumida (Count of Product[ProdID], por ejemplo) o una
medida de modelo (Sales[Total Qty]), Power BI puede generar una consulta en forma de
Correlate Purchase[VenID] y Sales[CustID] en la que el elemento MeasureConstraint no
está en blanco.

En este caso, Power BI respeta la restricción del usuario como la única restricción que
debe aplicar y devuelve las combinaciones que generan valores que no están en blanco.
El usuario ha guiado a Power BI al escenario que quiere y Power BI aplica las
indicaciones.

Escenario 5: Una restricción de medida relacionada parcialmente con las columnas.

Hay casos en los que la restricción de medida proporcionada por el usuario no está
completamente relacionada con todas las columnas del objeto visual. Una medida de
modelo siempre relaciona todo. Power BI trata este escenario como una caja negra
cuando intenta buscar relaciones entre las columnas del objeto visual y da por hecho
que el usuario sabe lo que hace. Pero las columnas resumidas como Sum, Average y
otras similares elegidas de la interfaz de usuario solo pueden estar relacionadas con un
subconjunto de las columnas o tablas usadas en el objeto visual en función de las
relaciones de la tabla a la que pertenece cada columna. Por lo tanto, la restricción se
aplica a algunos emparejamientos de columnas, pero no a todos. En este caso Power BI
intenta encontrar restricciones predeterminadas que pueda aplicar para las columnas
que no están relacionadas por la restricción proporcionada por el usuario (como en el
escenario 1). Si Power BI no encuentra ninguna restricción, se devuelve el siguiente
error.
Resolución de errores de relación
Cuando vea el error No se pueden determinar las relaciones entre los campos, realice
los pasos siguientes para intentar resolverlo:

1. Compruebe el modelo. ¿Está configurado correctamente para los tipos de

preguntas que quiere responder con el análisis? ¿Puede cambiar algunas de las
relaciones entre tablas? ¿Puede evitar la creación de relaciones indirectas de varios
a varios?

Considere la posibilidad de convertir un esquema en forma de V invertida en dos

tablas y usar una relación directa de varios a varios entre ellas, como se describe
en el artículo Aplicación de relaciones de varios a varios en Power BI Desktop.

2. Agregue una restricción al objeto visual en forma de una columna resumida o una
medida de modelo.

3. Si agrega una columna resumida y sigue produciéndose un error, considere la

posibilidad de usar una medida de modelo.

Pasos siguientes
Para obtener más información sobre los modelos y las relaciones, consulte los siguientes
artículos:

Usar modelos compuestos en Power BI Desktop

Modo de almacenamiento en Power BI Desktop
Uso de DirectQuery en Power BI
Orígenes de datos de Power BI
Uso del panel Análisis en Power BI
Desktop
Artículo • 23/03/2023

Con el panel Análisis en Power BI Desktop, puede agregar líneas de referencia dinámicas
en objetos visuales y destacar las tendencias o detalles importantes. El panel e icono
Análisis se encuentran en el área Visualizaciones de Power BI Desktop.

７ Nota

El panel Analytics solo se muestra cuando se selecciona un objeto visual en el

lienzo de Power BI Desktop.

Búsqueda en el panel Análisis

Puede buscar en el panel Análisis, que es una subsección del panel Visualizaciones. El
cuadro de búsqueda aparece cuando se selecciona el icono Análisis.
Uso del panel Analytics
Con el panel Análisis, puede crear estos tipos de líneas de referencias dinámicas:

Línea constante del eje X

Línea constante del eje Y
Línea mínima
Línea máxima
Línea promedio
Línea mediana
Línea de percentil
Sombreado de simetría

７ Nota

No todas las líneas están disponibles para todos los tipos de objetos visuales.

Las secciones siguientes muestran cómo se puede usar el panel Analytics y las líneas de
referencia dinámicas en las visualizaciones.
Para ver las líneas de referencia dinámicas disponibles para un objeto visual, siga estos
pasos:

1. Seleccione o cree un objeto visual y, a continuación, seleccione el icono Analytics

desde la sección Visualizaciones.

2. Seleccione el tipo de línea que desea crear para expandir sus opciones. En este
ejemplo se muestra el elemento Línea de promedio seleccionado.
3. Para crear una nueva línea, seleccione + Agregar. Luego, puede asignarle un
nombre a la línea. Haga doble clic en el cuadro de texto y escriba su nombre.

Ahora tiene todo tipo de opciones para la línea. Puede especificar su Color, el
porcentaje de Transparencia, el Estilo de línea y la Posición (en comparación con
los elementos de datos del objeto visual). También puede elegir si quiere incluir la
Etiqueta de datos. Para especificar la medida visual en la que se basará la línea,
seleccione la lista desplegable Medida, que se rellena automáticamente con los
elementos de datos del objeto visual. En este ejemplo se selecciona Referencia
cultural como medida y se etiqueta Average of Culture (Promedio de cultura). Verá
cómo personalizar algunas de las otras opciones en los pasos posteriores.
4. Si quiere que aparezca una etiqueta de datos, cambie Etiqueta de datos de
Desactivada a Activada. Cuando lo haga, obtendrá muchas más opciones para la
etiqueta de datos.

5. Observe el número que aparece junto al elemento Línea promedio en el panel

Analytics. Eso le indica cuántas líneas dinámicas tiene actualmente en el objeto
visual y de qué tipo son. Si agregamos una Línea máxima para Affordability
(Asequibilidad), el panel Análisis muestra que ahora también tenemos una línea de
referencia dinámica de Línea máxima aplicada a este objeto visual.
Si el objeto visual seleccionado no puede tener líneas de referencia dinámica aplicadas
(en este caso, un objeto visual de Mapa), verá el mensaje siguiente al seleccionar el
panel Análisis.

Puede resaltar distintos tipos de información interesante mediante la creación de líneas

de referencia dinámicas con el panel Análisis.

Se están planeando más características y funcionalidades, como la ampliación de los

objetos visuales que pueden tener líneas de referencia dinámicas aplicadas. Vuelva
periódicamente para ver las novedades.

Aplicación de Previsión
Si tiene datos de tiempo en el origen, puede usar la característica de previsión.
Seleccione un objeto visual y, luego, expanda la sección Previsión del panel Análisis.
Puede especificar muchas entradas para modificar la previsión, como Predecir duración
o el Intervalo de confianza. En la imagen siguiente se muestra un objeto visual de línea
básica con la previsión aplicada. Use su imaginación (y juegue con la previsión) para ver
cómo se puede aplicar a los modelos.

７ Nota

La característica de previsión solo está disponible para los objetos visuales de

gráfico de líneas.

Para obtener un ejemplo de cómo se puede aplicar la previsión, consulte el artículo

sobre las funcionalidades de previsión (no es actual, pero sigue siendo pertinente).

Consideraciones y limitaciones
La capacidad de usar líneas de referencia dinámicas se basa en el tipo de objeto visual
que se está usando. En las listas siguientes se describen estas limitaciones de manera
más específica.

Puede usar la línea constante del eje X, la línea constante del eje Y y el sombreado de
simetría en el objeto visual siguiente:
 Gráfico de dispersión

El uso de línea constante, línea mínima, línea máxima, línea promedio, línea mediana y
línea de percentil solo está disponible en estos objetos visuales:

Gráfico de áreas
Gráfico de barras agrupadas
Gráfico de columnas agrupadas
Gráfico de líneas
Gráfico de dispersión

Los siguientes objetos visuales solo pueden usar una línea constante del panel Analytics:

Gráfico de áreas apiladas

Gráfico de barras apiladas
Gráfico de columnas apiladas
Gráfico de cascada
Gráfico de barras 100 % apiladas
Gráfico de columnas 100 % apiladas

Los objetos visuales siguientes pueden usar una línea de tendencia si hay datos de
tiempo:

Gráfico de áreas
Gráfico de columnas agrupadas
Gráfico de líneas
Gráfico de líneas y columnas agrupadas
Gráfico de dispersión

No se pueden aplicar líneas dinámicas a estos objetos visuales:

Embudo
Gráfico de líneas y columnas agrupadas
Gráfico de líneas y columnas apiladas
Gráfico de la barra de herramientas
Objetos visuales no cartesianos, como gráficos de anillos, medidores, matrices,
gráficos circulares y tablas

La línea de percentil solo está disponible cuando se usan datos importados en Power BI
Desktop o cuando se establece una conexión dinámica con un modelo en un servidor
que ejecuta Analysis Service 2016 o posterior, Azure Analysis Services o un conjunto de
datos en el servicio Power BI.
Pasos siguientes
Puede hacer todo tipo de cosas con Power BI Desktop. Para obtener más información
sobre sus funcionalidades, consulte los siguientes recursos:

Novedades de Power BI
Obtener Power BI Desktop
¿Qué es Power BI Desktop?
Información general sobre consultas con Power BI Desktop
Tipos de datos en Power BI Desktop
Combinar datos y darles forma en Power BI Desktop
Realización de tareas de consultas comunes en Power BI Desktop
Trabajo con Vista de datos en Power BI
Desktop
Artículo • 23/03/2023

La vista Datos permite inspeccionar, explorar y analizar los datos de su modelo de

Power BI Desktop. Es distinto de cómo se visualizan las tablas, las columnas y los datos
en el Editor de Power Query. Con la vista Datos, se ven los datos después de que se
hayan cargado en el modelo.

７ Nota

Dado que la vista Datos muestra los datos después de haberlos cargado en el
modelo, el icono de la vista Datos no está visible si todos los orígenes de datos se
basan en DirectQuery.

Cuando se están modelando los datos, a veces quiere ver lo que hay realmente en una
tabla o columna sin crear un objeto visual en el lienzo del informe. Es posible que quiera
ver hasta el nivel de fila. Esta capacidad es útil sobre todo cuando crea columnas
calculadas y medidas o cuando tiene que identificar un tipo de datos o una categoría de
datos.

Eche un vistazo más de cerca a algunos de los elementos de la vista Datos.

1. Icono de la vista Datos. Seleccione este icono para entrar en la vista Datos.
 2. Cuadrícula de datos. Esta área muestra la tabla seleccionada y todas las columnas
y filas que hay en ella. Las columnas ocultas en la vistaInforme están atenuadas.
Puede hacer clic con el botón derecho en una columna para ver las opciones.

3. Barra de fórmulas. Introduzca fórmulas de expresiones de análisis de datos (DAX)

para las columnas calculadas y las medidas.

4. Búsqueda. Busque una tabla o una columna en el modelo.

5. Lista de campos. Seleccione una tabla o una columna para verla en la cuadrícula
de datos.

Filtrado en la vista Datos

También se pueden filtrar y ordenar datos en la vista Datos. En cada columna se muestra
un icono que identifica la dirección de ordenación, si procede.
Puede filtrar valores concretos o puede usar el filtrado avanzado en función de los datos
de la columna.

７ Nota

Cuando se crea un modelo de Power BI en una referencia cultural diferente a la de

la interfaz de usuario actual, el cuadro de búsqueda solo aparece en la interfaz de
usuario de la vista Datos para los campos de texto. Por ejemplo, esto ocurre si un
modelo creado en inglés de Estados Unidos se ve en español.

Pasos siguientes
Puede hacer todo tipo de cosas con Power BI Desktop. Para obtener más información
sobre sus capacidades, consulte los siguientes recursos:

¿Qué es Power BI Desktop?

Información general sobre consultas con Power BI Desktop
Tipos de datos en Power BI Desktop
Combinar datos y darles forma con Power BI Desktop
Tareas de consultas comunes en Power BI Desktop
Aprenda sobre aspectos básicos de DAX
en Power BI Desktop
Artículo • 23/03/2023

Este artículo está destinado a usuarios sin experiencia en Power BI Desktop. Le

proporciona una introducción rápida y fácil al uso de Expresiones de análisis de datos
(DAX) para solucionar muchos problemas de análisis de datos y cálculo básico.
Abordaremos información conceptual, una serie de tareas que puede completar y una
prueba de conocimientos para probar lo que ha aprendido. Al finalizar este artículo,
debe tener una buena comprensión de los conceptos fundamentales más importantes
en DAX.

¿Qué es DAX?
DAX es una colección de funciones, operadores y constantes que se pueden usar en una
fórmula o expresión, para calcular y devolver uno o más valores. DAX le ayuda a crear
información nueva a partir de datos ya existentes en el modelo.

¿Por qué es tan importante DAX?

Crear un archivo de Power BI Desktop nuevo e importar algunos datos en él es fácil.
Incluso puede crear informes que muestren información valiosa sin usar las fórmulas
DAX en absoluto. Pero, ¿qué ocurre si necesita analizar el porcentaje de crecimiento por
categorías de producto y para intervalos de fechas diferentes? ¿O bien, si debe calcular
el crecimiento interanual en comparación con las tendencias del mercado? Las fórmulas
DAX proporcionan esta y muchas otras capacidades igual de importantes. Obtener
información sobre cómo crear fórmulas DAX eficaces le ayudará a aprovechar los datos
al máximo. Cuando obtiene la información que necesita, puede empezar a resolver
problemas empresariales reales que afectan los resultados finales.

Requisitos previos
Es posible que ya esté familiarizado con la creación de fórmulas en Microsoft Excel y ese
conocimiento será útil para comprender DAX. Pero incluso si no tiene ninguna
experiencia con las fórmulas de Excel, los conceptos descritos aquí le ayudarán a
empezar a crear fórmulas de DAX y solucionar problemas de inteligencia empresarial del
mundo real inmediatamente.
Nos centraremos en comprender las fórmulas DAX que se usan en los cálculos, más
específicamente, en columnas calculadas y medidas. Debe estar familiarizado con el uso
de Power BI Desktop para importar datos y agregar campos a un informe. También debe
estar familiarizado con los conceptos fundamentales de medidas y columnas calculadas.

Libro de Excel
La mejor manera de aprender a usar DAX es crear algunas fórmulas básicas, usarlas con
datos reales y comprobar los resultados con sus propios ojos. Los ejemplos y tareas que
se exponen aquí utilizan el archivo de ventas de muestra de Contoso para
Power BI Desktop . Este es el mismo archivo de ejemplo usado en el artículo Tutorial:
Creación de medidas propias en Power BI Desktop.

Comencemos.
Limitaremos nuestro estudio de DAX en torno a tres conceptos fundamentales: sintaxis,
funciones y contexto. Hay otros conceptos importantes en DAX, pero la comprensión de
estos tres conceptos le proporcionará una base óptima para desarrollar sus habilidades
de DAX.

Sintaxis
Antes de crear sus propias fórmulas, echemos un vistazo a la sintaxis de las fórmulas
DAX. La sintaxis incluye los distintos elementos que componen una fórmula, o en
términos más simples, cómo se escribe la fórmula. Por ejemplo, aquí tiene una fórmula
DAX simple para una medida:

Esta fórmula incluye los siguientes elementos de sintaxis:

A. El nombre de medida Total Sales.

B. El operador signo igual ( = ) que indica el principio de la fórmula. Al calcular,

devolverá un resultado.
C. La función DAX SUM que suma todos los números en la columna
Sales[SalesAmount]. Aprenderá más acerca de las funciones más adelante.

D. Los paréntesis () que rodean una expresión que contiene uno o varios argumentos. La
mayoría de las funciones requieren al menos un argumento. Un argumento pasa un
valor a una función.

E. La tabla de referencia Sales.

F. La columna de referencia [SalesAmount] en la tabla Sales. Con este argumento, la

función SUM detecta en qué columna se agrega una suma.

Al tratar de comprender una fórmula DAX, a menudo resulta útil descomponer cada uno
de los elementos en un lenguaje común. Por ejemplo, puede leer esta fórmula como:

Para la medida denominada Total Sales, calcular (=) la SUMa de los valores de la
columna [SalesAmount] en la tabla Sales.

Cuando se agrega a un informe, esta medida calcula y devuelve valores que resulten de
sumar los importes de las ventas de cada uno de los demás campos que se incluyen, por
ejemplo, el de teléfonos móviles de Estados Unidos.

Quizás se pregunte "¿Esta medida no hace lo mismo que si simplemente agregara el

campo SalesAmount a mi informe?" Pues sí. Pero hay una buena razón para crear
nuestra propia medida que suma los valores del campo SalesAmount: podemos usarla
como argumento en otras fórmulas. Esta solución puede parecer un poco confusa
ahora, pero a medida que desarrolle sus habilidades con las fórmulas de DAX, conocer
esta medida hará que sus fórmulas y modelos sean más eficientes. De hecho, verá que
la medida Ventas totales aparece como argumento en otras fórmulas más adelante.

Veamos algunos otros aspectos de esta fórmula. En concreto, introdujimos una función,
SUM. Las funciones son fórmulas previamente escritas que facilitan el realizar cálculos
complejos y manipulaciones con números, fechas, horas, texto y mucho más. Aprenderá
más acerca de las funciones más adelante.

También puede ver que el nombre de la columna [SalesAmount] estaba precedido de la

tabla Sales a la que pertenece la columna. Este nombre se conoce como un nombre de
columna completo porque incluye el nombre de la columna precedido por el nombre
de la tabla. Las columnas a las que se hace referencia en la misma tabla no requieren
que el nombre de la tabla se incluya en la fórmula, lo que puede hacer que las fórmulas
largas que hacen referencia a muchas columnas sean más cortas y fáciles de leer. Pero
es recomendable incluir el nombre de la tabla en las fórmulas de medida, incluso
cuando estén en la misma tabla.
 ７ Nota

Si un nombre de tabla contiene espacios, palabras clave reservadas o caracteres no

permitidos, deberá incluir el nombre de la tabla entre comillas simples. También
deberá escribir los nombres de tabla entre comillas si el nombre contiene algún
carácter fuera del rango de caracteres alfanuméricos ANSI, independientemente de
si la configuración regional es compatible con el conjunto de caracteres o no.

Es importante que las fórmulas tengan la sintaxis correcta. En la mayoría de los casos, si
la sintaxis no es correcta, se devolverá un error de sintaxis. En otros casos, la sintaxis
puede ser correcta, pero los valores devueltos podrían no ser los que esperaba. El editor
de DAX en Power BI Desktop incluye una característica de sugerencias que lo ayuda a
seleccionar los elementos correctos para crear fórmulas sintácticamente correctas.

Vamos a crear una fórmula de ejemplo. Esta tarea le ayudará a entender mejor la sintaxis
de fórmulas y la utilidad de la característica de sugerencias en la barra de fórmulas.

Tarea: Crear una fórmula de medida

1. Descargue y abra el archivo de muestra de ventas de Contoso de
Power BI Desktop.

2. En la vista Informes, en la lista de campos, haga clic con el botón derecho en la

tabla Sales y, a continuación, seleccione Nueva medida.

3. En la barra de fórmulas, reemplace Medida con un nuevo nombre de medida:

Ventas del trimestre anterior.

4. Después del signo igual, escriba las primeras letras CAL y luego haga doble clic en
la función que quiere usar. En esta fórmula, se quiere usar la función CALCULATE.

Usará la función CALCULATE para filtrar los importes que deseamos sumar
mediante un argumento que pasamos a la función CALCULATE. Este tipo de
función se conoce como funciones anidadas. La función CALCULATE tiene al
menos dos argumentos. El primero es la expresión que se evalúa; el segundo, un
filtro.

5. Después del paréntesis de apertura ( para la función CALCULATE, escriba SUM

seguido por otro paréntesis de apertura (.

A continuación, vamos a pasar un argumento a la función SUM.

 6. Comience a escribir Sal y luego seleccione Sales[SalesAmount], seguido de un
paréntesis de cierre ).

Este paso crea el primer argumento de expresión de nuestra función CALCULATE.

7. Escriba una coma (,) seguida de un espacio para especificar el primer filtro y luego
escriba PREVIOUSQUARTER.

Se usará la función de inteligencia de tiempo PREVIOUSQUARTER para filtrar los

resultados de SUM por el trimestre anterior.

8. Después del paréntesis de apertura ( para la función PREVIOUSQUARTER, escriba

Calendar[DateKey].

La función PREVIOUSQUARTER tiene un argumento, una columna que contiene un

intervalo de fechas contiguas. En este caso, es la columna DateKey de la tabla
Calendar.

9. Cierre los dos argumentos que se pasan a la función PREVIOUSQUARTER y la

función CALCULATE mediante dos paréntesis de cierre )).

La fórmula debe tener el siguiente aspecto:

Previous Quarter Sales = CALCULATE(SUM(Sales[SalesAmount]),

PREVIOUSQUARTER(Calendar[DateKey]))

10. Active la marca de verificación en la barra de fórmulas, o bien presione Entrar

para validar la fórmula y agregarla a la tabla Ventas.

Lo ha conseguido. Acaba de crear una medida compleja mediante DAX. Lo que hará
esta fórmula es calcular el total de ventas del trimestre anterior, según los filtros
aplicados en un informe. Por ejemplo, podemos colocar SalesAmount y nuestra nueva
medida Previous Quarter Sales de la tabla Sales en un gráfico de columnas agrupadas. A
continuación, en la tabla Calendario, agregue Year como una segmentación y seleccione
2011. Después, agregue QuarterOfYear como otra segmentación y seleccione 4;
obtenemos un gráfico similar al siguiente:
Tenga en cuenta que el modelo de ejemplo solo contiene una pequeña cantidad de
datos de ventas del 1/1/2011 al 19/1/2013. Si selecciona un año o trimestre en el que
SalesAmount no se puede sumar, o la nueva medida no puede calcular los datos de
ventas del trimestre actual o anterior, no se mostrará ningún dato para ese período. Por
ejemplo, si selecciona 2011 para Year y 1 para QuarterOfYear, no se muestra ningún
dato para Previous Quarter Sales porque no hay datos para el cuarto trimestre de 2010.

Le acabamos de presentar varios aspectos importantes de las fórmulas de DAX:

Esta fórmula incluye dos funciones. PREVIOUSQUARTER, una función de

inteligencia de tiempo, se anida como un argumento pasado a la función de filtro
CALCULATE.

Las fórmulas DAX pueden contener hasta 64 funciones anidadas. Es poco probable
que una fórmula llegue a contener tantas funciones anidadas. De hecho, una
fórmula así sería difícil de crear y depurar, y probablemente tampoco sería rápida.

En esta fórmula, también usó filtros. Los filtros limitan lo que se calculará. En este
caso, se seleccionó un filtro como argumento, que es, de hecho, el resultado de
otra función. Aprenderá más acerca de los filtros más adelante.

Usó la función CALCULATE. Esta función es una de las funciones más potentes de
DAX. A medida que cree modelos y fórmulas más complejas, seguramente volverá
a usar esta función muchas veces. Aunque un análisis más detallado de la función
CALCULATE está fuera del ámbito de este artículo, le recomendamos prestar
especial atención a esta función conforme aumente sus conocimientos de DAX.

Cuestionario rápido sobre sintaxis

 1. ¿Qué hace este botón de la barra de fórmulas?

2. ¿Qué rodea siempre a un nombre de columna en una fórmula DAX?

Encontrará las respuestas al final de este artículo.

Functions
Las funciones son fórmulas predefinidas que realizan cálculos por medio de valores
específicos, denominados argumentos, en un orden o estructura determinados. Los
argumentos pueden ser otras funciones, otra fórmula, una expresión, referencias de
columna, números, texto, valores lógicos como TRUE o FALSE, o constantes.

DAX incluye las siguientes categorías de funciones: Fecha y hora, Inteligencia de tiempo,
Información, Lógicas, Matemáticas, Estadísticas, Texto, Primarias/Secundarias y Otras. Si
está familiarizado con las funciones en las fórmulas de Excel, muchas de las funciones
DAX le parecerán semejantes; sin embargo, las funciones DAX son únicas de las maneras
siguientes:

Una función de DAX siempre hace referencia a una columna completa o una tabla.
Si solo desea usar valores concretos de una tabla o columna, puede agregar filtros
a la fórmula.

Si necesita personalizar los cálculos fila por fila, DAX ofrece funciones que le
permiten usar el valor de la fila actual o un valor relacionado como un tipo de
argumento para realizar cálculos en función del contexto. Aprenderá más acerca
del contexto más adelante.

DAX incluye muchas funciones que devuelven una tabla en lugar de un valor. La
tabla no se muestra, pero se usa para proporcionar datos para otras funciones. Por
ejemplo, puede recuperar una tabla y, a continuación, contar los valores distintos
que contiene, o calcular sumas dinámicas en tablas o columnas filtradas.

DAX incluye varias funciones de inteligencia de tiempo. Estas funciones permiten

definir o seleccionar intervalos de fechas y realizar cálculos dinámicos con base en
ellos. Por ejemplo, puede comparar sumas en períodos paralelos.

Excel tiene una función popular, BUSCARV. Las funciones DAX no toman una celda
o rango de celdas como una referencia como BUSCARV en Excel. Las funciones
DAX toman una columna o una tabla como referencia. Tenga en cuenta que, en
 Power BI Desktop, está trabajando con un modelo de datos relacionales. Buscar
valores en otra tabla es fácil y en la mayoría de los casos no es necesario crear
ninguna fórmula.

Como puede ver, las funciones de DAX pueden ayudarle a crear fórmulas eficaces.
Solo hemos tratado los conceptos básicos de las funciones. A medida que
desarrolle sus habilidades de DAX, podrá crear fórmulas con muchas funciones
diferentes. Uno de los mejores lugares para obtener información detallada sobre
cada una de las funciones de DAX es la referencia de funciones de DAX.

Cuestionario rápido sobre funciones

1. Una función siempre hace referencia a...
2. ¿Puede una fórmula contener más de una función?
3. ¿Qué categoría de funciones usaría para concatenar dos cadenas de texto en una
sola cadena?

Encontrará las respuestas al final de este artículo.

Contexto
El contexto es uno de los conceptos de DAX más importantes. Hay dos tipos de
contexto en DAX: contexto de fila y contexto de filtro. En primer lugar, examinaremos el
contexto de fila.

Contexto de fila

Es más fácil pensar en el contexto de fila como la fila actual. Se aplica siempre que una
fórmula tiene una función use filtros para identificar una fila individual en una tabla. De
manera inherente, la función aplicará un contexto de fila para cada fila de la tabla que se
está filtrando. Este tipo de contexto de fila se aplica con mayor frecuencia en medidas.

Contexto de filtro

El contexto de filtro es un poco más difícil de entender que el contexto de fila. Para
simplificarlo, piense en el contexto de filtro como uno o varios filtros aplicados en un
cálculo que determina un resultado o valor.

El contexto de filtro no existe en lugar del contexto de fila; más bien, se aplica además
del contexto de fila. Por ejemplo, para restringir aún más los valores que quiera incluir
en un cálculo, puede aplicar un contexto de filtro que no solo especifique el contexto de
fila, sino que también especifique un valor determinado (filtro) en ese contexto de fila.

El contexto de filtro se puede identificar fácilmente en los informes. Por ejemplo, cuando
agrega TotalCost a una visualización y, a continuación, Year y Region, define un contexto
de filtro que selecciona un subconjunto de datos basándose en un año y región
determinados.

¿Por qué es tan importante para DAX el contexto de filtro? Ha visto que el contexto de
filtro se puede aplicar agregando campos a una visualización. El contexto de filtro
también se puede aplicar en una fórmula de DAX mediante la definición de un filtro con
funciones como ALL, RELATED, FILTER o CALCULATE, mediante relaciones, así como
mediante otras medidas y columnas. Por ejemplo, echemos un vistazo a la siguiente
fórmula en una medida denominada Store Sales:

Para entender mejor esta fórmula, podemos desglosarla, similar a como podemos
hacerlo otras fórmulas.

Esta fórmula incluye los siguientes elementos de sintaxis:

A. El nombre de medida, Store Sales.

B. El operador signo igual ( = ) que indica el principio de la fórmula.

C. La función CALCULATE, que evalúa una expresión, como argumento, en un contexto

modificado por los filtros especificados.

D. Los paréntesis () que envuelven una expresión que contiene uno o más argumentos.

E. Una medida [Total Sales] en la misma tabla como una expresión. La medida Total
Sales tiene la fórmula: =SUM(Sales[SalesAmount]).

F. Una coma (,), que separa el primer argumento de expresión del argumento de filtro.

G. La columna completa a la que se hace referencia, Channel[ChannelName]. Se trata

de nuestro contexto de fila. Cada fila de esta columna especifica un canal como Store,
Online, etc.

H. El valor concreto Store como filtro. Este es el contexto de filtro.

Esta fórmula garantiza que únicamente se calculen los valores de ventas definidos por la
medida Total Sales y solamente para las filas de la columna Channel[ChannelName] con
el valor Store utilizado como filtro.

Como puede imaginar, la posibilidad de definir el contexto de filtro dentro de una

fórmula ofrece grandes y potentes capacidades. La capacidad de hacer referencia
solamente a un valor determinado en una tabla relacionada es solo un ejemplo. No se
preocupe si no comprende por completo el concepto de contexto inmediatamente. A
medida que cree sus propias fórmulas, comprenderá mejor el contexto y por qué es tan
importante en DAX.

Cuestionario rápido sobre el contexto

1. ¿Cuáles son los dos tipos de contexto?
2. ¿Qué es el contexto de filtro?
3. ¿Qué es el contexto de fila?

Encontrará las respuestas al final de este artículo.

Resumen
Ahora que tiene conocimientos básicos de los conceptos más importantes en DAX,
puede empezar a crear fórmulas DAX para medidas por su cuenta. En efecto, las
expresiones DAX pueden ser un poco complicadas de aprender, pero hay muchos
recursos a su disposición. Después de leer este artículo y experimentar con algunas de
fórmulas propias, puede obtener más información acerca de otros conceptos y fórmulas
de DAX que le ayudarán a solucionar sus problemas de negocios. Existen muchos
recursos de DAX disponibles; el más importante es la Referencia de expresiones de
análisis de datos (DAX).

Puesto que DAX se usa desde hace varios años en otras herramientas de inteligencia
empresarial de Microsoft, como los modelos tabulares de Power Pivot y Analysis
Services, hay muchas fuentes de información disponibles. Puede encontrar más
información en libros, notas de producto y blogs tanto de Microsoft como de
profesionales líderes de BI. El Wiki del Centro de recursos de DAX de TechNet también
es un excelente punto de partida.

Respuestas de los cuestionarios rápidos

Sintaxis:
 1. Valida e introduce la medida en el modelo.
2. Corchetes [].

Funciones:

1. Una tabla y una columna.

2. Sí. Una fórmula puede contener hasta 64 funciones anidadas.
3. Funciones de texto.

Contexto:

1. Contexto de fila y contexto de filtro.

2. Uno o más filtros en un cálculo que determina un valor único.
3. La fila actual.
Trabajo con la vista Modelo en Power BI
Desktop
Artículo • 08/03/2023

La vista Modelo muestra todas las tablas, columnas y relaciones en el modelo. Esta vista
puede resultar especialmente útil cuando el modelo tiene relaciones complejas entre
muchas tablas.

Seleccione el icono de la vista Modelo cerca del lateral de la ventana para ver una vista
del modelo existente. Mantenga el cursor sobre una línea de relación para mostrar las
columnas que se han usado.

En la imagen, la tabla Conexiones tiene una columna Seat ID (Id. de puesto) que está
relacionada con la tabla Unique Seats (Puestos únicos), que también tiene una columna
seatId. Las dos tablas tienen una relación varios a uno (*:1). Una flecha en el centro de la
línea muestra la dirección del flujo de contexto del filtro. Las flechas dobles significan
que la dirección del filtro cruzado se establece en Ambos.

Se puede hacer doble clic en una relación para abrirla en el cuadro de diálogo Editar
relación. Para más información sobre las relaciones, consulte Crear y administrar
relaciones en Power BI Desktop.
Vista Modelo actualizada
Las versiones actuales de Power BI Desktop tienen habilitada la vista Modelo
actualizada.

Los colores de los encabezados de la tarjeta de tabla coinciden automáticamente con

los colores que ha seleccionado en cualquier tema de informe que use. Si el color se
acerca mucho al blanco, la vista Modelo no lo usa en los encabezados del tema para
evitar situaciones en las que sea difícil diferenciar las tablas en modo dual.

Si el modelo tiene menos de 75 tablas, la vista Modelo muestra todas las tablas. Si el
modelo tiene más de 75 tablas, verá la imagen siguiente en lugar de que se muestren
todas:
Cuando el modelo tiene más de 75 tablas, Power BI Desktop le advierte que se puede
producir un funcionamiento lento. Cree un diseño personalizado (seleccione el botón
Crear un diseño personalizado) para reducir la gran cantidad de CPU y memoria que se
utiliza cuando se muestran más de 75 tablas.

Pasos siguientes
Se puede hacer todo tipo de cosas con Power BI Desktop. Para obtener más información
sobre orígenes de datos, consulte los siguientes recursos:

¿Qué es Power BI Desktop?

Orígenes de datos en Power BI Desktop
Combinar datos y darles forma con Power BI Desktop
Conectarse a Excel en Power BI Desktop
Especificar datos directamente en Power BI Desktop
Sugerencias de medida rápida
Artículo • 18/04/2023

Las sugerencias de medida rápida ayudan a crear medidas DAX mediante el lenguaje
natural en lugar de usar plantillas o escribir DAX desde cero.

Esta característica se puede usar para iniciar la creación de escenarios comunes de

medidas DAX, como:

Columnas agregadas (filtros opcionales)

Recuento de filas (filtros opcionales)
Agregado por categoría
 Operaciones matemáticas
Valor seleccionado
Condición IF
Operaciones de texto
Inteligencia de tiempo
Valor de filtro de tiempo relativo
El valor más común o el menos común
Valor filtrado del top N
Valores de top N principales para una categoría
Funciones de información

Habilitación de sugerencias de medida

Para habilitar la característica, primero debe ir al menú Opciones de Power BI Desktop y
activar el modificador de versión preliminar para sugerencias de medida rápida:
Después de habilitar la característica, puede acceder a las sugerencias de medida rápida
si va a la pestaña Inicio o Modelado de la cinta de opciones y selecciona Sugerencias:

Aquí puede describir la medida que desea crear y presionar Generar (o la tecla ENTRAR)
para obtener sugerencias de medida DAX:
Siempre debe validar las sugerencias de DAX para asegurarse de que satisfacen sus
necesidades. Si una medida sugerida le ha satisfecho, puede hacer clic en el botón
Agregar para agregar automáticamente la medida al modelo.

Ejemplos de lenguaje natural

Para ayudar a demostrar la característica aquí se muestran algunos ejemplos de
lenguaje natural para cada uno de los escenarios de medida admitidos.

Columna agregada
Permite aplicar agregaciones a una columna para devolver un único valor. Nuestras
agregaciones admitidas incluyen suma, recuento, recuento de valores únicos, recuento
de valores únicos sin valores vacíos, promedio, mínimo, máximo, mediana, varianza y
desviación estándar.

Ejemplos:

Muéstrame la suma de las ventas

Dime el total de ventas
Haz el recuento de los productos
¿Cuántos productos hay?
Usuarios únicos
Recuento de valores únicos de usuarios sin valores vacíos
Obtén el número de usuarios únicos y sin valores vacíos
¿Cuál es el precio máximo?
Mediana de la edad

Filtros opcionales

En el caso de las columnas agregadas, también puede especificar una o varias

condiciones de filtro. Si hay varias condiciones de filtro, puede especificar si desea una
intersección (&&o AND) o una unión (|| o OR) de los filtros.

Ejemplos:

¿Cuántos clientes hay en Londres?

Total de unidades vendidas en 2022
Calcula las ventas cuando Producto es Word y Región es Norte
Ventas cuando Producto es Word y Región es Norte
Ventas filtradas cuando el Producto es Word && Región es Norte
Ventas cuando Producto es Word || Región es Norte

Recuento de filas
Hace el recuento del número de registros en la tabla especificada. No es necesario
especificar la tabla si solo hay una.

Ejemplos:

Recuento de registros de la tabla de ventas

Recuento de ventas en la tabla
Recuento de filas de la tabla de ventas
Recuento de filas para la tabla de ventas
Filtros opcionales
En el caso de los recuentos de filas, también puede especificar una o varias condiciones
de filtro. Si hay varias condiciones de filtro, puede especificar si desea una intersección
(&&o AND) o una unión (|| o OR) de los filtros.

Ejemplos:

Recuento de filas de la tabla de ventas cuando Producto es Word y Región es

Norte
Recuento de la tabla de ventas cuando Producto es Word o Región es Norte
Recuento del registro de la tabla de ventas filtrada por Producto es Word &&
Región es Norte
Obtén el recuento de filas de la tabla de ventas cuando Producto es Word ||
Región es Norte

Agregado por categoría

Calcule una medida para cada valor único de una categoría y, a continuación, agregue
los resultados para devolver un solo valor. Nuestros agregados admitidos incluyen
promedio, promedio ponderado, mínimo, máximo y varianza.

Ejemplos:

Promedio de ventas por tienda

Puntuación media por categoría ponderada por prioridad
Puntuación mínima por producto
Número máximo de unidades por almacén

Operaciones matemáticas
Realice operaciones matemáticas con columnas numéricas, medidas o columnas
agregadas. En el caso de escenarios entre columnas de una tabla, puede calcular el
promedio (AVERAGEX) o sumar (SUMX) el resultado para devolver un solo valor.

Ejemplos:

Ventas - Costes productos vendidos

Ventas menos Costes productos vendidos
Ventas divididas entre ingresos objetivo y multiplicadas por 100
Ventas divididas / ingresos objetivo * 100
Ventas en la UE + Ventas en JP + Ventas en NA
Para cada fila de la tabla Ventas, calcula Precio * Unidades y suma el resultado
 Para cada fila de la tabla Ventas suma Precio * Unidades
Para cada fila de la tabla Ventas, calcula Precio * Descuento y, a continuación, saca
el promedio
Para la tabla Ventas, obtén el promedio de Precio * Descuento

Valor seleccionado
Obtenga el valor seleccionado de una columna. Normalmente se combina con una
segmentación de selección única o un filtro para que la medida devuelva un valor que
no esté vacío.

Ejemplos:

¿Cuál es el producto seleccionado?

¿Qué producto se ha seleccionado?
Valor seleccionado para el producto

Condición IF
Devuelve valores basados en condiciones. Si va a devolver cadenas, deberá usar comillas
dobles. Las condiciones pueden usar los siguientes operadores de comparación: =, ==,
<>, <, >, <=, >=

Ejemplos:

Si las ventas > 10 000, devuelve "ventas altas", en caso contrario, "ventas bajas"
Si las ventas son mayores que 10 000, muestra "ventas altas" en caso contrario,
muestra "ventas bajas"
Si el valor seleccionado para el producto está en blanco, muestra "Sin producto
seleccionado", en caso contrario, muestra el producto seleccionado.
Si el producto seleccionado = Power BI, muestra "PBI", si no "Otros"

Operaciones de texto
Realice operaciones de texto con columnas, medidas o columnas agregadas. En
escenarios entre columnas de una tabla, combinaremos (CONCATENATEX) el resultado
para devolver un único valor.

Ejemplos:

"El producto seleccionado es " & producto seleccionado

Muestra "El producto seleccionado es " concatenado con el producto seleccionado
 Header_measure & " - " & Subheader_measure
Para cada fila de la tabla Dim de geografía, concatena Estado & ", " & Ciudad y
combina el resultado
Para cada fila de la tabla Dim de geografía, obtén el estado & ", " & Ciudad y
combinación

Inteligencia de tiempo
Estos escenarios de inteligencia de tiempo requieren el uso de una tabla de fechas
marcada correctamente o una jerarquía de fecha y hora automática. Para escenarios de
año hasta la fecha, puede especificar "fiscal" o "calendario fiscal" para basar el cálculo en
el calendario fiscal (finaliza el 30 de junio).

Ejemplos:

Ventas del año hasta la fecha

Ventas del año fiscal hasta la fecha
Obtén las ventas del año hasta la fecha
Ventas del mes hasta la fecha
Ventas trimestrales hasta la fecha
Ventas del año hasta la fecha para EE. UU. y Canadá
Cambio de ventas respecto al año anterior
Cambio interanual de las ventas
Cambio intermensual de las ventas
Cambio intertrimestral de las ventas
Ventas para el mismo período del año pasado
Ventas para el mismo período del mes pasado
Media acumulada de las ventas a 28 días
Media acumulada de las ventas: 28 días

Valor de filtro de tiempo relativo

Aplique un filtro de tiempo relativo que filtre la medida o columna agregada a las
últimas N horas, días, meses o años.

Ejemplos:

Usuarios únicos en las últimas 4 horas

Usuarios únicos en los últimos 5 días
Ventas totales de los últimos 6 meses
Ventas totales de los últimos 2 años
El valor más común o el menos común
Devuelve el valor con el número máximo o mínimo de repeticiones en una columna
especificada.

Ejemplos:

Valor más común en Producto

Qué valor de Producto es más común
Cuál es el valor más común en Producto
Qué valor de Producto es menos común
Cuál es el valor menos común en Producto

Valor filtrado del top N

Calcule una medida o columna agregadas que se filtra por el top N de valores en
función de esa misma medida o columna agregada.

Ejemplos:

Ventas totales del top 3 de productos

Suma de ventas filtradas del top 3 de productos
Puntuación media para el top 5 de alumnos
Puntuación media filtrada de los 5 primeros alumnos

Valores de top N principales para una categoría

Obtiene una lista concatenada de los valores N principales de una columna basada en
una medida o columna agregada.

Ejemplos:

Top 3 de productos con la mayor cantidad de ventas

Top 3 de productos por ventas
¿Cuáles son los 3 productos con más ventas?

Funciones de información
Devuelve información del sistema o del usuario, como la fecha y hora actuales o el
correo electrónico, el dominio o el nombre de usuario del usuario actual.

Ejemplos:
 La fecha de hoy
Ahora
Devolver el correo electrónico del usuario actual
Devolver el nombre de dominio y el nombre de usuario actuales
Devolver el inicio de sesión de dominio del usuario actual

Limitaciones y consideraciones
Las sugerencias de medida rápida NO están pensadas para sustituir a DAX de
aprendizaje. Las sugerencias proporcionadas por la característica están pensadas
para ayudar a realizar un seguimiento rápido de la creación de medidas. Sin
embargo, todavía tendrá que validar las sugerencias de DAX porque pueden ser
incorrectas o no coincidir con su intención.
La característica se basa en un modelo de aprendizaje automático que actualmente
solo se implementa en centros de datos de EE. UU. (Este de EE. UU. y Oeste de
EE. UU.). Si los datos están fuera de EE. UU., la característica se deshabilitará de
forma predeterminada a menos que el administrador de inquilinos permita que los
datos de usuario abandonen su configuración de inquilino de geografía:
Combinación de archivos (binarios) en
Power BI Desktop
Artículo • 21/03/2023

Un método eficaz para importar los datos en Power BI Desktop consiste en combinar
varios archivos que tengan el mismo esquema en una única tabla lógica. Se han
aumentado la comodidad y la expansión de esta popular técnica.

Para iniciar el proceso de combinar archivos de una misma carpeta, seleccione Obtener
datos, elija Archivo>Carpeta y, después, seleccione Conectar.

Especifique la ruta de acceso a la carpeta, seleccione Aceptar y, a continuación, elija

Transformar datos para ver los archivos de la carpeta en el Editor de Power Query.

Comportamiento al combinar archivos

Para combinar archivos binarios en el Editor de Power Query, seleccione Contenido (la
primera etiqueta de columna) y elija Inicio>Combinar archivos. O bien, basta con que
seleccione el icono Combinar archivos situado junto a Contenido.
La transformación Combinar archivos se comporta como se especifica debajo:

La transformación Combinar archivos analiza todos los archivos de entrada para

determinar el formato de archivo correcto que debe usarse, como texto, libro de
Excel o archivo JSON.
La transformación permite seleccionar un objeto específico del primer archivo (por
ejemplo, un libro de Excel) para extraerlo.
A continuación, la transformación Combinar archivos realiza automáticamente
estas acciones:

Crea una consulta de ejemplo que realiza todos los pasos de extracción
necesarios en un único archivo.

Crea una consulta de función que parametriza la entrada de archivo/binario en

la consulta de ejemplo. La consulta de ejemplo y la consulta de función se
vinculan, de modo que los cambios hechos en la consulta de ejemplo se reflejan
en la consulta de función.

Aplica la consulta de función a la consulta original con archivos binarios de

entrada, como la consulta Carpeta. Aplica la consulta de función para entradas
binarias en cada fila y, a continuación, expande la extracción de datos resultante
como columnas de nivel superior.
 ７ Nota

El ámbito de la selección en un libro de Excel afectará al comportamiento de

combinar binarios. Por ejemplo, puede seleccionar una hoja de cálculo específica
para combinar esa hoja de cálculo o elegir la raíz para combinar el archivo
completo. Al seleccionar una carpeta se combinan los archivos que se encuentran
en esa carpeta.

Con el comportamiento de combinar archivos, se pueden combinar fácilmente todos los

archivos de una determinada carpeta, siempre y cuando tengan el mismo tipo de
archivo y estructura (como, por ejemplo, las mismas columnas).

También se pueden aplicar fácilmente más pasos de transformación o extracción

mediante la modificación de la consulta de ejemplo creada automáticamente y sin
necesidad de preocuparse de la modificación o creación de otros pasos de consulta de
función. Cualquier cambio hecho en la consulta de ejemplo se generará
automáticamente en la consulta de función vinculada.

Pasos siguientes
Puede conectarse a todo tipo de datos con Power BI Desktop. Para obtener más
información sobre orígenes de datos, consulte los siguientes recursos:

¿Qué es Power BI Desktop?

Orígenes de datos en Power BI Desktop
Combinar datos y darles forma con Power BI Desktop
Conectarse a archivos CSV en Power BI Desktop
Especificar datos directamente en Power BI Desktop
Uso de Conclusiones de IA en Power BI
Desktop
Artículo • 14/03/2023

En Power BI, puede usar Conclusiones de IA para obtener acceso a una colección de

modelos de Machine Learning entrenados previamente que mejoran los esfuerzos de
preparación de datos. Puede acceder a Conclusiones de IA en el Editor de Power Query.
Puede encontrar sus características y funciones asociadas en las pestañas Inicio y
Agregar columna del Editor de Power Query.

En este artículo, se describen las funciones de Text Analytics y Vision, ambas de Azure
Cognitive Services. En este artículo también hay una sección en la que se describen las
funciones personalizadas disponibles en Power BI de Azure Machine Learning.

Uso de Text Analytics y Vision

Con Text Analytics y Vision en Power BI, puede aplicar algoritmos distintos de Azure
Cognitive Services para enriquecer los datos en Power Query.

Actualmente, se admiten los servicios siguientes:

Análisis de sentimiento
Extracción de frases clave
Detección de idioma
Etiquetado de imágenes

Las transformaciones se ejecutan en el servicio Power BI y no necesitan una suscripción

a Azure Cognitive Services.

） Importante

El uso de las características de Text Analytics o de Vision requiere

Power BI Premium.
Habilitación de Text Analytics y Vision en capacidades
Premium
Los servicios Cognitive Services son compatibles con los nodos de la capacidad
Premium EM2, A2 o P1, y otros con más recursos. Cognitive Services también está
disponible con una licencia Premium por usuario (PPU). Una carga de trabajo de IA
independiente en la capacidad se usa para ejecutar Cognitive Services. Antes de usar
Cognitive Services en Power BI, debe habilitar la carga de trabajo de IA en la
configuración de capacidad del portal de administración. Puede activar la carga de
trabajo de IA en la sección de cargas de trabajo y definir la cantidad máxima de
memoria que desea que consuma esta carga de trabajo. El límite de memoria
recomendado es del 20 %. Superar este límite hace que la consulta se ralentice.

Funciones disponibles
En esta sección se describen las funciones disponibles en Cognitive Services en Power BI.

Detección de idioma
La función Detectar idioma evalúa la entrada de texto y, para cada campo, devuelve el
identificador ISO y el nombre del idioma. Esta función es útil para las columnas de datos
que recopilan texto arbitrario, donde se desconoce el idioma. La función espera los
datos en formato de texto como entrada.

Text Analytics reconoce hasta 120 idiomas. Para obtener más información, consulte los
idiomas admitidos.

Extracción de frases clave

La función Extracción de frases clave evalúa el texto no estructurado y, para cada
campo de texto, devuelve una lista de frases clave. La función requiere un campo de
texto como entrada y acepta una entrada opcional para un código ISO de idioma.

La extracción de frases clave funciona mejor si le proporciona fragmentos de texto más

grandes con los que trabajar, lo contrario que el análisis de sentimiento. El rendimiento
del análisis de sentimiento es mejor con bloques de texto más pequeños. Para obtener
los mejores resultados de ambas operaciones, considere la posibilidad de reestructurar
las entradas en consecuencia.

Puntuación de opiniones
La función Puntuar opiniones evalúa la entrada de texto y devuelve una puntuación de
opiniones para cada documento, que va desde 0 (negativa) a 1 (positiva). La función
Puntuar opiniones también acepta una entrada opcional para un código ISO de idioma.
Esta función es útil para detectar opiniones positivas y negativas en las redes sociales,
revisiones del cliente y foros de debate.

Text Analytics usa un algoritmo de clasificación de aprendizaje automático para generar

una puntuación de opiniones entre 0 y 1. Las puntuaciones más cercanas a 1 indican
opiniones positivas. Las puntuaciones más cercanas a 0 indican opiniones negativas. El
modelo se entrena previamente con un cuerpo de texto extenso con asociaciones de
opiniones. Actualmente, no es posible proporcionar sus propios datos de aprendizaje. El
modelo usa una combinación de técnicas durante el análisis de texto, incluidas el
procesamiento de texto, el análisis de funciones de sintaxis, la colocación de palabras y
las asociaciones de palabras. Para obtener más información sobre el algoritmo, consulte
Introducción a Text Analytics.

El análisis de sentimiento se realiza en todo el campo de entrada, en lugar de extraerse

opiniones para una entidad concreta del texto. En la práctica, existe una tendencia a la
precisión de la puntuación para mejorar cuando los documentos contienen una o dos
frases en lugar de un gran bloque de texto. Durante una fase de evaluación de
objetividad, el modelo determina si un campo de entrada como un todo es objetivo o
contiene opiniones. Un campo de entrada que es principalmente objetivo no avanza a la
fase de detección de opinión, lo que da lugar a una puntuación de 0,50 sin ningún
procesamiento adicional. Para los campos de entrada siguientes de la canalización, la
fase siguiente genera una puntuación superior o inferior a 0,50, en función del grado de
opinión detectado en el campo de entrada.

Actualmente, Análisis de sentimiento admite inglés, alemán, español y francés. Otros

idiomas están en versión preliminar. Para obtener más información, consulte los idiomas
admitidos.

Etiquetado de imágenes
La función Tag Images (Etiquetar imágenes) devuelve etiquetas basadas en más de 2000
objetos reconocibles, seres vivos, paisajes y acciones. Cuando las etiquetas son
ambiguas o no son conocimientos habituales, el resultado proporciona sugerencias para
aclarar el significado de la etiqueta en el contexto de una configuración conocida. Las
etiquetas no se organizan como una taxonomía y no existe ninguna jerarquía de
herencia. Una colección de etiquetas de contenido constituye la base de una descripción
de la imagen mostrada como lenguaje legible para el ser humano con formato en frases
completas.
Después de cargar una imagen o especificar una dirección URL de la imagen, los
algoritmos de Computer Vision generan etiquetas basadas en los objetos, seres vivos y
acciones identificados en la imagen. El etiquetado no se limita al sujeto principal, como
una persona en primer plano, sino que también incluye el entorno (interior o exterior),
muebles, herramientas, plantas, animales, accesorios, gadgets, etc.

Esta función requiere una dirección URL de la imagen o un campo Base 64 como
entrada. En este momento, el etiquetado de imágenes admite inglés, español, japonés,
portugués y chino simplificado. Para obtener más información, consulte los idiomas
admitidos.

Invocación de funciones de Text Analytics o Vision en

Power Query
Para enriquecer los datos con funciones de Text Analytics o Vision, abra el Editor de
Power Query. En este ejemplo se describe la puntuación de la opinión de un texto.
Puede usar los mismos pasos para extraer frases clave, detectar el idioma y etiquetar las
imágenes.

Seleccione el botón Análisis de texto en la cinta Inicio o Agregar columna. Luego, inicie
sesión cuando vea la solicitud.

Después de iniciar sesión, seleccione la función que quiere usar y la columna de datos
que quiere transformar en la ventana emergente.
Power BI selecciona una capacidad Premium en la que se ejecutará la función y se
devolverán los resultados a Power BI Desktop. La capacidad seleccionada solo se usa
para la función de Text Analytics y Vision durante la aplicación y se actualiza en
Power BI Desktop. Una vez que Power BI publica el informe, las actualizaciones se
ejecutan en la capacidad Premium del área de trabajo en que se publica el informe.
Puede cambiar la capacidad usada para todas las instancias de Cognitive Services en la
lista desplegable situada en la esquina inferior izquierda de la ventana emergente.

El código ISO de idioma es una entrada opcional que permite especificar el idioma del
texto. Puede usar una columna como entrada, o bien un campo estático. En este
ejemplo, se especifica el idioma como inglés (en) para toda la columna. Si deja este
campo en blanco, Power BI detectará automáticamente el idioma antes de aplicar la
función. A continuación, seleccione Aplicar.

La primera vez que use Conclusiones de IA en un origen de datos nuevo, Power BI

Desktop se le pedirá que establezca el nivel de privacidad de los datos.
 ７ Nota

Las actualizaciones del conjunto de datos en Power BI solo funcionarán para los
orígenes de datos en los que el nivel de privacidad esté establecido en público o en
organizacional.

Después de invocar la función, el resultado se agrega como una nueva columna a la

tabla. También se agregará la transformación como un paso aplicado en la consulta.

En los casos de etiquetado de imágenes y extracción de frases clave, los resultados

pueden devolver varios valores. Cada resultado individual se devuelve en un duplicado
de la fila original.

Publicación de un informe con las funciones de Text

Analytics o Vision
Al editar en Power Query y realizar actualizaciones en Power BI Desktop, Text Analytics y
Vision usan la capacidad Premium que se ha seleccionado en el Editor de Power Query.
Después de Text Analytics o Vision publican el informe, usan la capacidad Premium del
área de trabajo en la que se publicó.

Los informes con funciones de Text Analytics y Vision aplicadas se deben publicar en un
área de trabajo que no esté en una capacidad Premium. De lo contrario, se produce un
error al actualizar del conjunto de datos.

Administración del impacto en una capacidad Premium

En las secciones siguientes se describe cómo se pueden administrar los impactos de Text
Analytics y Vision en una capacidad.

Selección de una capacidad

Los autores de los informes pueden seleccionar en qué capacidad Premium ejecutar
Conclusiones de IA. De manera predeterminada, Power BI selecciona la primera
capacidad creada a la que tiene acceso el usuario.

Supervisión con la aplicación Métricas de capacidad

Los propietarios de la capacidad Premium pueden supervisar el impacto de las
funciones de Text Analytics y Vision en una capacidad con la aplicación Métricas de
capacidad de Power BI Premium. La aplicación proporciona métricas detalladas sobre el
estado de las cargas de trabajo de IA dentro de la capacidad. En el gráfico superior se
muestra el consumo de memoria por parte de las cargas de trabajo de IA. Los
administradores de capacidad Premium pueden establecer el límite de memoria para la
carga de trabajo de IA por capacidad. Cuando el uso de memoria alcanza el límite de
memoria, puede considerar la posibilidad de aumentar el límite de memoria o mover
algunas áreas de trabajo a una capacidad distinta.

Comparación de Power Query y Power Query Online

Las funciones de Text Analytics y Vision que se usan en Power Query y Power Query
Online son las mismas. Hay solo un par de diferencias entre ambas experiencias:

Power Query tiene botones independientes para Text Analytics, Vision y Azure
Machine Learning. En Power Query Online, estas funciones se combinan en un
menú.
En Power Query, el autor del informe puede seleccionar la capacidad Premium que
se usa para ejecutar las funciones. Esta opción no es necesaria en Power Query
Online, porque un flujo de datos ya está en una capacidad específica.

Consideraciones y limitaciones de Text Analytics

Hay algunas consideraciones y limitaciones que se deben tener en cuenta al usar Text
Analytics.

Se admite la actualización incremental, pero puede causar problemas de

rendimiento cuando se usa en consultas con Conclusiones de IA.
No se admite DirectQuery.

Uso de Azure Machine Learning

Numerosas organizaciones usan modelos de Machine Learning para obtener mejores
conclusiones y predicciones sobre sus negocios. La capacidad de visualizar e invocar
conclusiones a partir de estos modelos puede ayudar a divulgar estas conclusiones a los
usuarios profesionales que más lo necesiten. Power BI facilita la incorporación de las
conclusiones de modelos hospedados en Azure Machine Learning, mediante
movimientos sencillos de apuntar y hacer clic.

Para usar esta funcionalidad, un científico de datos puede conceder acceso al modelo
de Azure Machine Learning al analista de BI desde Azure Portal. Después, al inicio de
cada sesión, Power Query detecta todos los modelos de Azure Machine Learning a los
que tiene acceso el usuario y los expone como funciones de Power Query dinámicas.
Después, el usuario puede invocar esas funciones obteniendo acceso a ellas desde la
cinta de opciones del Editor de Power Query o invocando la función M directamente.
Power BI también procesa por lotes las solicitudes de acceso de forma automática al
invocar el modelo de Azure Machine Learning para que un conjunto de filas logre un
mejor rendimiento.

Esta funcionalidad es compatible con Power BI Desktop, los flujos de datos de Power BI
y Power Query Online en el servicio Power BI.

Para más información sobre los flujos de datos, consulte Preparación de datos de
autoservicio en Power BI.

Para más información sobre Azure Machine Learning, consulte los artículos siguientes:

Información general: ¿Qué es Azure Machine Learning?

Guías de inicio rápido y tutoriales de Azure Machine Learning: Documentación de
Azure Machine Learning

Concesión de acceso a un modelo de Azure Machine

Learning
Para acceder a un modelo de Azure Machine Learning desde Power BI, el usuario debe
tener acceso de lectura a la suscripción a Azure. Además, también deben tener acceso
de lectura al área de trabajo de Machine Learning.

En los pasos de esta sección, se describe cómo conceder acceso a un usuario de

Power BI a un modelo hospedado en Azure Machine Learning Service. Con este acceso,
pueden usar este modelo como función de Power Query. Para saber más, vea
Administración del acceso mediante RBAC y Azure Portal.

1. Inicie sesión en Azure Portal .

2. Vaya a la página Suscripciones. Encontrará la página Suscripciones a través de la
lista Todos los servicios del menú de navegación izquierdo de Azure Portal.
3. Seleccione su suscripción.
4. Seleccione Control de acceso (IAM) y, a continuación, el botón Agregar.
 5. Seleccione Lector como rol. Seleccione el usuario de Power BI al que quiera
conceder acceso al modelo de Azure Machine Learning.
6. Seleccione Guardar.
7. Repita los pasos del tres al seis para conceder acceso de lectura al usuario para el
área de trabajo de Machine Learning específica en la que se hospeda el modelo.

Detección de esquema para modelos de Machine

Learning
Los científicos de datos usan principalmente Python para desarrollar e incluso
implementar sus modelos de aprendizaje automático para Machine Learning. El
científico de datos debe generar explícitamente el archivo de esquema mediante
Python.

Este archivo de esquema se debe incluir en el servicio web implementado para los
modelos de Machine Learning. Para generar de forma automática el esquema para el
servicio web, debe proporcionar un ejemplo de la entrada y salida en el script de
entrada para el modelo implementado. Para más información, consulte la subsección
sobre Generación automática de esquemas de Swagger (opcional) en los modelos de
implementación con la documentación del servicio Azure Machine Learning. El vínculo
incluye el script de entrada de ejemplo con las instrucciones para la generación de
esquemas.

En concreto, las funciones @input_schema y @output_schema del script de entrada

hacen referencia a los formatos de ejemplo de entrada y salida de las variables
input_sample y output_sample. Las funciones usan estos ejemplos para generar una
especificación de OpenAPI (Swagger) para el servicio web durante la implementación.

Estas instrucciones para la generación de esquemas mediante la actualización del script

de entrada también se deben aplicar a los modelos creados mediante experimentos de
aprendizaje automático automatizado con el SDK de Azure Machine Learning.

７ Nota

Actualmente, en los modelos creados con la interfaz visual de Azure Machine

Learning no se admite la generación de esquemas, pero se admitirá en versiones
posteriores.

Invocación de un modelo de Azure Machine Learning en

Power Query
Puede invocar cualquier modelo de Azure Machine Learning al que se le haya concedido
acceso, directamente desde el Editor de Power Query. Para acceder a los modelos de
Azure ML, seleccione el botón Azure Machine Learning en la cinta de opciones Inicio o
Agregar columna del Editor de Power Query.

Todos los modelos de Azure Machine Learning a los que tiene acceso se enumeran aquí
como funciones de Power Query. Además, los parámetros de entrada para el modelo de
Azure Machine Learning se asignan automáticamente como parámetros de la función
de Power Query correspondiente.

Para invocar un modelo de Azure Machine Learning, puede especificar cualquiera de las

columnas de la entidad seleccionada como entrada del menú desplegable. También
puede especificar un valor constante que se va a usar como entrada cambiando el icono
de la columna a la izquierda del cuadro de diálogo de entrada.

Seleccione Aceptar para obtener una vista previa de la salida del modelo de
Azure Machine Learning como columna nueva en la tabla de la entidad. La invocación
del modelo se muestra como un paso aplicado para la consulta.

Si el modelo devuelve varios parámetros de salida, se agrupan como registro en la

columna de salida. Puede expandir la columna para producir parámetros de salida
individuales en columnas independientes.

Consideraciones y limitaciones de Azure Machine

Learning
Las consideraciones y limitaciones siguientes se aplican a Azure Machine Learning en
Power BI Desktop.

Actualmente, en los modelos creados con la interfaz visual de Azure Machine

Learning no se admite la generación de esquemas. Se prevé compatibilidad en
versiones posteriores.
Se admite la actualización incremental, pero puede causar problemas de
rendimiento cuando se usa en consultas con Conclusiones de IA.
No se admite DirectQuery.

Pasos siguientes
En este artículo se proporcionó información de la integración de Machine Learning en
Power BI Desktop. Los siguientes artículos también podrían ser interesantes y útiles.

Tutorial: Consumo de modelos de Azure Machine Learning en Power BI

Tutorial: Uso de Cognitive Services en Power BI
Cognitive Services en Power BI
Integración de Azure Machine Learning en Power BI
Supervisión de capacidades Premium con la aplicación
Métricas de IA en la aplicación Métricas de capacidad Premium
Uso de medidas rápidas para cálculos
comunes
Artículo • 23/03/2023

Puede usar medidas rápidas para realizar fácilmente cálculos eficaces y comunes. Una
medida rápida ejecuta un conjunto de comandos de Expresiones de análisis de datos
(DAX) en segundo plano y, después, presenta los resultados para que los use en el
informe. No tiene que escribir DAX, ya que se realiza de forma automática en función de
la entrada proporcionada en un cuadro de diálogo. Hay muchas categorías disponibles
de cálculos, y formas de modificarlos para ajustarlo a sus necesidades. Y lo mejor de
todo: puede ver la fórmula DAX que está ejecutando la medida rápida, y empezar a
poner en práctica sus conocimientos sobre DAX, o ampliarlos.

Creación de una medida rápida

Para crear una medida rápida en Power BI Desktop, haga clic con el botón derecho o
seleccione los puntos suspensivos ... junto a cualquier elemento del panel Campos y
seleccione Nueva medida rápida en el menú que aparece.
También puede hacer clic con el botón derecho o seleccionar la flecha desplegable
situada junto a cualquier valor del área Valores de un objeto visual existente y
seleccionar Nueva medida rápida en el menú.

Al seleccionar Nueva medida rápida, aparece la ventana Medidas rápidas, en la que

puede seleccionar el cálculo deseado y los campos en los que se va a ejecutar.

Elija el campo Seleccionar un cálculo para ver una larga lista de medidas rápidas
disponibles.
Los cinco tipos de cálculo de medida rápida, con sus cálculos, son los siguientes:

Agregado por categoría

Promedio por categoría
Varianza por categoría
Valor máximo por categoría
Valor mínimo por categoría
Media ponderada por categoría
Filtros
Valor filtrado
Diferencia respecto al valor filtrado
Diferencia porcentual respecto al valor filtrado
Ventas de los nuevos clientes
Inteligencia de tiempo
 Total anual hasta la fecha
Total trimestral hasta la fecha
Total mensual hasta la fecha
Cambio de año a año
Cambio de trimestre a trimestre
Cambio mes a mes
Media móvil
Totales
Total acumulado
Total por categoría (con filtros aplicados)
Total por categoría (sin filtros aplicados)
Operaciones matemáticas
Suma
Resta
Multiplicación
División
Diferencia porcentual
Coeficiente de correlación
Texto
Clasificación por estrellas
Lista de valores concatenados

Para enviar ideas sobre las nuevas medidas rápidas que le gustaría ver, las fórmulas DAX
subyacentes u otras ideas de medidas rápidas para tener en cuenta, consulte la página
Ideas de Power BI .

７ Nota

Al usar las conexiones dinámicas de SQL Server Analysis Services (SSAS), hay
algunas medidas rápidas disponibles. Power BI Desktop muestra solo las medidas
rápidas que son compatibles con la versión de SSAS a la que se conecta. Si está
conectado a un origen de datos dinámico de SSAS y no ve determinadas medidas
rápidas en la lista, se debe a que la versión de SSAS a la que está conectado no
admite los comandos de DAX usados para implementar esas medidas rápidas.

Después de seleccionar los cálculos y los campos que quiere para la medida rápida, elija
Aceptar. La nueva medida rápida aparece en el panel Campos y la fórmula DAX
subyacente en la barra de fórmulas.

Ejemplo de medida rápida

A continuación se analizará una medida rápida en acción.

El siguiente objeto visual de matriz muestra una tabla de ventas de distintos productos.
Es una tabla básica que incluye el total de ventas de cada categoría.

Con el objeto visual de matriz seleccionado, elija la flecha de lista desplegable situada
junto a TotalSales en la sección Valores y seleccione Nueva medida rápida.

En la ventana Medidas rápidas, en Cálculo, seleccione Promedio por categoría.

Arrastre Promedio de precio unitario desde el panel Campos hasta el campo Valor
base. Deje Categoría en el campo Categoría y seleccione Aceptar.
Al seleccionar Aceptar, se producen varias cosas interesantes.

1. El objeto visual de matriz tiene una nueva columna en la que se muestra el

Promedio de precio unitario por categoría calculado.

2. La fórmula DAX para la nueva medida rápida aparece en la barra de fórmulas. Vea
la sección siguiente para obtener más información sobre la fórmula DAX.

3. La nueva medida rápida aparece seleccionada y resaltada en el panel Campos.

La nueva medida rápida está disponible para cualquier objeto visual del informe, no solo
para el que se ha creado. En la imagen siguiente se muestra un objeto visual de gráfico
de columnas rápido creado mediante el nuevo campo de medida rápida.

Aprendizaje de DAX mediante el uso de

medidas rápidas
Una gran ventaja de las medidas rápidas es que muestran la fórmula DAX que
implementa la medida. Al seleccionar una medida rápida en el panel Campos, aparece la
barra de fórmulas, con la fórmula DAX que Power BI ha creado para implementar la
medida.

La barra de fórmulas no solo muestra la fórmula subyacente a la medida, sino que lo

más importante es que permite ver cómo crear las fórmulas DAX subyacentes a las
medidas rápidas.

Imagine que tiene que realizar un cálculo interanual, pero no sabe muy bien cómo
estructurar la fórmula DAX, o bien no sabe por dónde empezar. En lugar de
desesperarse, puede crear una medida rápida mediante el cálculo Cambio año a año y
ver cómo aparece en el objeto visual y cómo funciona la fórmula DAX. Después, puede
realizar cambios directamente en la fórmula DAX, o bien crear una medida similar que
satisfaga sus necesidades y expectativas.

Siempre puede eliminar medidas rápidas del modelo si no le gustan si hace clic con el
botón derecho o selecciona ... junto a la medida y selecciona Eliminar del modelo.
También puede cambiar el nombre de una medida rápida por el que prefiera si
selecciona Cambiar nombre en el menú.

Consideraciones y limitaciones
Hay algunas consideraciones y limitaciones que se deben tener en cuenta.

Puede usar las medidas rápidas agregadas al panel Campos con cualquier objeto
visual del informe.
Siempre puede ver la fórmula DAX asociada con una medida rápida si la selecciona
en la lista Campos y la examina en la barra de fórmulas.
 Las medidas rápidas solo están disponibles si puede modificar el modelo. Una
excepción es cuando se trabaja con algunas conexiones dinámicas. Se admiten las
conexiones dinámicas tabulares de SSAS, como se ha descrito antes.
No se pueden crear medidas rápidas de inteligencia de tiempo cuando se trabaja
en el modo DirectQuery. Las funciones DAX que se usan en estas medidas rápidas
conllevan implicaciones de rendimiento cuando se convierten en las instrucciones
T-SQL que se envían al origen de datos.

） Importante

Las instrucciones DAX para las medidas rápidas solo usan comas para los
separadores de argumentos. Si la versión de Power BI Desktop está en un idioma
en el que se usan comas como separador de decimales, las medidas rápidas no
funcionarán correctamente.

Inteligencia de tiempo y medidas rápidas

Puede usar tablas de fechas personalizadas propias con medidas rápidas de inteligencia
de tiempo. Si va a usar un modelo tabular externo, procure que, cuando se compile el
modelo, esa columna de fecha principal de esa tabla se haya marcado como una tabla
de fechas. Para obtener más información, consulte Especificar Marcar como tabla de
fechas con inteligencia de tiempo. Si va a importar una tabla de fechas propia,
asegúrese de marcarla como una tabla de fechas, como se describe en Configuración y
uso de tablas de fechas en Power BI Desktop.

Información adicional y ejemplos

¿Tiene alguna idea para una medida rápida que todavía no se haya proporcionado?
Magnífico. Vaya a la página Ideas de Power BI y envíe las ideas y fórmulas DAX para
medidas rápidas que le gustaría ver en Power BI Desktop. Consideraremos la posibilidad
de agregarlas a la lista de medidas rápidas en una versión futura.
Creación y uso de parámetros para
visualizar variables en Power BI Desktop
Artículo • 23/03/2023

Puede crear variables para los informes, interactuar con la variable como una
segmentación, así como visualizar y cuantificar diferentes valores clave de los informes.

Cree un parámetro en la pestaña Modelado de Power BI Desktop. Al seleccionarlo,

aparece un cuadro de diálogo donde puede configurarlo.

Creación de un parámetro
Para crear un parámetro, seleccione Parámetro nuevo en la pestaña Modelado de
Power BI Desktop y elija Campos o Intervalo numérico. En los ejemplos siguientes se
usa Intervalo numérico, aunque se aplican procedimientos similares al uso de Campos.
Asigne al ejemplo el nombre Discount Percentage y establezca Tipo de datos en
Número decimal. El valor mínimo es cero. El valor máximoes 0,50 (50 por ciento).
Además, establezca Incremento en 0,05, o cinco por ciento. El incremento indica cuánto
se ajustará el parámetro cuando se interactúe con él en un informe.
 ７ Nota

En el caso de los números decimales, asegúrese de que el valor va precedido de un

cero, como en 0,50 frente a solo ,50. De lo contrario, no se validará el número y no
se podrá seleccionar el botón Aceptar.

Para su comodidad, la casilla Agregar segmentación en esta página coloca

automáticamente una segmentación de datos con el parámetro en la página actual del
informe.
Al crear el parámetro, también se crea una medida automáticamente en este proceso,
que puede usar para visualizar el valor actual del parámetro.

Es importante y resulta útil advertir que, después de crear un parámetro, el parámetro y

la medida se convierten en parte del modelo. Por lo tanto, están disponibles en todo el
informe y se pueden usar en otras páginas del informe. Y, dado que forma parte del
modelo, puede eliminar la segmentación de la página del informe. Si quiere recuperarlo,
seleccione el parámetro en la lista Campos, arrástrelo hasta el lienzo y, después, cambie
el objeto visual a una segmentación de datos.

Uso de un parámetro de intervalo numérico

En el ejemplo siguiente se muestra cómo usar un parámetro con datos. Ha creado el
parámetro en la sección anterior. Ahora lo va a usar creando una nueva medida cuyo
valor se ajuste con el control deslizante.
La nueva medida será el importe de ventas total, con la tarifa de descuento aplicada.
Puede crear medidas complejas e interesantes que permitan a los consumidores de los
informes visualizar la variable del parámetro. Por ejemplo, podría crear un informe que
permita al personal de ventas ver sus compensaciones si satisfacen determinados
objetivos o porcentajes de venta, o ver la influencia que tiene el incremento en las
ventas sobre unos mayores descuentos.

Escriba la fórmula de medida en la barra de fórmulas y asígnele el nombre Sales after

Discount.

DAX

Sales after Discount = SUM(Sales[SalesAmount]) - (SUM(Sales[SalesAmount]) *

'Discount percentage' [Discount percentage Value])

A continuación, cree un objeto visual de columna con OrderDate en el eje, y los valores
SalesAmount y la medida que se acaba de crear Sales after Discount.

Seguidamente, al mover la segmentación, verá que la columna Sales after Discount

refleja el importe de ventas descontado.
Este proceso es como puede crear parámetros para los datos con los que quiera
trabajar. Puede usar parámetros en todo tipo de situaciones. Estos parámetros permiten
que los consumidores de informes interactúen con diferentes escenarios que se crean
en los informes.

Consideraciones y limitaciones
Hay algunas consideraciones y limitaciones que debe tener en cuenta en relación con
los parámetros:

Los parámetros solo pueden tener 1000 valores únicos. Para los parámetros con
más de 1000 valores únicos, los valores se muestrearán uniformemente.

Los parámetros están diseñados para medidas en objetos visuales y puede que no
se calculen correctamente cuando se usan en un cálculo de dimensiones.

Pasos siguientes
Puede que también esté interesado en los siguientes artículos:

Uso de medidas rápidas para cálculos comunes

Creación de columnas calculadas en Power BI Desktop
Creación de tablas calculadas en Power BI Desktop
Especificación de categorías de datos en
Power BI Desktop
Artículo • 23/03/2023

En Power BI Desktop, puede especificar la categoría de datos para una columna, de

manera que Power BI Desktop sepa cómo debe tratar sus valores en una visualización.

Cuando Power BI Desktop importa datos, obtiene más información aparte de los
propios datos, como los nombres de tabla y de columna, y si los datos son una clave
principal. Con esa información, Power BI Desktop realiza algunas suposiciones sobre
cómo proporcionar una buena experiencia predeterminada al crear una visualización.
Por ejemplo, cuando una columna tiene valores numéricos, es posible que quiera
agregarla de alguna manera, por lo que Power BI Desktop la coloca en el área de
Valores del panel Visualizaciones. O bien, para una columna con valores de fecha y hora
en un gráfico de líneas, Power BI Desktop supone que la va a usar probablemente como
un eje de la jerarquía de tiempo.

Sin embargo, existen algunos casos que son un poco más difíciles, como la ubicación
geográfica. Tenga en cuenta la tabla siguiente desde una hoja de cálculo de Excel:

¿Debería Power BI Desktop tratar los códigos en la columna GeoCode como una
abreviatura para un país o un estado de EE. UU.? La respuesta a esa pregunta no está
clara, ya que un código como este puede significar cualquiera de ellos. Por ejemplo, AL
puede significar Alabama o Albania. AR puede significar Arkansas o Argentina. O CA
puede significar California o Canadá. Esto es diferente cuando nos dirigimos a nuestro
campo de código geográfico en un mapa.

¿Debería Power BI Desktop mostrar una imagen del mundo con países o regiones
resaltados? ¿O debe mostrar una imagen de Estados Unidos con estados resaltados?
Puede especificar una categoría de datos como esta para los datos. La categorización de
datos restringe aún más la información que Power BI Desktop puede usar para
proporcionar las mejores visualizaciones.

Especificación de una categoría de datos

Siga estos pasos para especificar una categoría de datos:

1. En las vistas Informes o Datos, en la lista Campos, seleccione el campo que quiera
ordenar por una categorización diferente.

2. En la cinta de opciones, en el área Propiedades de la pestaña Herramientas de

columnas, seleccione la flecha desplegable situada junto a Categoría de datos. De
esta forma, se muestra la lista de categorías de datos que puede elegir para la
columna. Es posible que algunas selecciones estén deshabilitadas si no funcionan
con el tipo de datos actual de la columna. Por ejemplo, si una columna es un tipo
de fecha y hora, Power BI Desktop no le permitirá elegir categorías de datos
geográficos.

3. Seleccione la categoría que quiera.

También le podría interesar aprender sobre el filtrado geográfico para aplicaciones

móviles de Power BI.
Etiquetado de un campo de código de
barras en Power BI Desktop
Artículo • 18/03/2023

En Power BI Desktop, puede clasificar datos en una columna, para que Power BI Desktop
sepa cómo tratar los valores en objetos visuales en un informe. También puede clasificar
una columna como Código de barras. Después, puede permitir que alguien de su
organización examine un código de barras en un producto mediante la aplicación móvil
de Power BI en su dispositivo iOS o Android. Este código de barras les permite ver
cualquier informe que lo incluya. Cuando se abre el informe, se filtra automáticamente
con los datos relacionados con el código de barras en cuestión.

Clasificación de datos de códigos de barras

Supongamos que dispone de un informe que contiene códigos de barras:

1. En Power BI Desktop, cambie a la vista Datos.

2. Seleccione la columna que contiene los datos de código de barras. Consulte la lista
de formatos de código de barras admitidos en la sección siguiente.

3. En la pestaña Herramientas de columnas, seleccione Categoría de datos>Código

de barras.
 ２ Advertencia

No clasifique más de una columna en todas las tablas de datos de un informe

como Código de barras. Las aplicaciones móviles solo admiten el filtrado de
códigos de barras en informes que únicamente tienen una columna de código
de barras en todas las tablas de datos del informe. Si un informe tiene más de
una columna de código de barras, no se realiza ningún filtrado.

4. En la vista Informes, agregue el código de barras a los objetos visuales que quiera
filtrar por dicho código.

5. Guarde el informe y publíquelo en el servicio Power BI.

Ahora, al abrir el escáner en las aplicaciones de Power BI para dispositivos iOS y

Android, puede escanear un código de barras. Luego, puede ver este informe en la lista
de informes que tienen códigos de barras. Al abrir el informe, los objetos visuales se
filtran por el código de barras del producto que ha escaneado.

Formatos de código de barras admitidos

Power BI reconoce estos son los formatos de código de barras si los puede etiquetar en
un informe de Power BI:
 UPCECode
Code39Code
A39Mod43Code
EAN13Code
EAN8Code
93Code
128Code
PDF417Code
Interleaved2of5Code
ITF14Code

Pasos siguientes
Digitalización de códigos de barras mediante la aplicación móvil para obtener
datos filtrados
Problemas con el escaneo de código de barras
Especificación de categorías de datos en Power BI Desktop
¿Tiene alguna pregunta? Pregunte a la comunidad de Power BI
Establecimiento del filtrado geográfico
en Power BI Desktop para su uso en las
aplicaciones móviles
Artículo • 18/03/2023

En Power BI Desktop, puede clasificar datos geográficos para una columna, de modo
que Power BI Desktop sepa cómo tratar los valores en objetos visuales en un informe.
Como ventaja adicional, si usted o sus compañeros ven el informe en la aplicación móvil
de Power BI, este proporciona automáticamente filtros geográficos que coinciden con
su ubicación.

Por ejemplo, imagine que es un director de ventas que viaja para reunirse con clientes y
quiere filtrar rápidamente el total de ventas e ingresos del cliente específico que va a
visitar. Quiere dividir los datos para la ubicación actual, ya sea por estado, ciudad o una
dirección real. Más adelante, si le queda tiempo, le gustaría visitar a otros clientes que se
encuentren cerca. Puede filtrar el informe por su ubicación para encontrar esos clientes.

７ Nota

Solo puede filtrar por ubicación en la aplicación móvil si los nombres geográficos
del informe están en inglés; por ejemplo, "New York City" o "Germany".

Identificar datos geográficos en el informe

1. En Power BI Desktop, cambie a la vista Datos .

2. Seleccione una columna con datos geográficos; por ejemplo, una columna Ciudad.
 3. En la pestaña Herramientas de columnas, seleccione Categoría de datos y la
categoría correcta; en este ejemplo, Ciudad.

4. Siga estableciendo categorías de datos geográficos de los demás campos en el

modelo.

７ Nota

Puede establecer varias columnas para cada categoría de datos de un

modelo, pero, si lo hace, el modelo no se puede filtrar por zona geográfica en
la aplicación móvil de Power BI. Para usar el filtrado geográfico en las
aplicaciones móviles, establezca solo una columna para cada categoría de
datos. Por ejemplo, establezca solo una columna Ciudad, una columna Estado
o provincia y una columna País o región.

Crear objetos visuales con datos geográficos

1. Cambie a la vista Informe, , y cree objetos visuales que utilicen los campos
geográficos de los datos.
 En este ejemplo, el modelo también contiene una columna calculada que une la
ciudad y el estado en una única columna. Para obtener más información, consulte
Creación de columnas calculadas en Power BI Desktop.

2. Publique el informe en el servicio Power BI.

Ver el informe en la aplicación móvil de Power

BI
1. Abra el informe en cualquiera de las aplicaciones móviles de Power BI.

2. Si está en una ubicación geográfica con datos en el informe, puede filtrarlo

automáticamente por su ubicación.
Para obtener más información, consulte Filtrar un informe por ubicación geográfica en
las aplicaciones móviles de Power BI.

Pasos siguientes
Especificación de categorías de datos en Power BI Desktop
¿Tiene alguna pregunta? Pruebe a preguntar a la comunidad de Power BI
Creación de columnas calculadas en
Power BI Desktop
Artículo • 23/03/2023

Con las columnas calculadas, se pueden agregar nuevos datos a una tabla ya existente
en el modelo. Pero en lugar de consultar y cargar los valores en la nueva columna desde
un origen de datos, se crea una fórmula de expresiones de análisis de datos (DAX) que
define los valores de columna. En Power BI Desktop, las columnas calculadas se crean
mediante la característica de nueva columna en las vistas Informes, Datos o Modelo.

A diferencia de las columnas personalizadas creadas como parte de una consulta con la
opción Agregar columnas personalizadas en el Editor de Power Query, las columnas
calculadas creadas en las vistas Informes, Datos o Modelo se basan en los datos que ya
se han cargado en el modelo. Por ejemplo, tal vez elija concatenar los valores de dos
columnas diferentes en dos tablas diferentes pero relacionadas, hacer sumas o extraer
subcadenas.

Las columnas calculadas que cree aparecerán en la lista Campos como cualquier otro
campo, pero tendrán un icono especial para indicar que sus valores son resultado de
una fórmula. Puede asignar el nombre que desee a las columnas y agregarlas a la
visualización de un informe, igual que cualquier otro campo.

Las columnas calculadas calculan los resultados usando DAX, un lenguaje de fórmulas
diseñado para trabajar con datos relacionales como en Power BI Desktop. DAX incluye
una biblioteca de más de 200 funciones, operadores y construcciones. Ofrece una gran
flexibilidad en la creación de fórmulas para calcular los resultados ante casi cualquier
necesidad de análisis de datos. Para más información acerca de DAX, consulte
Conceptos básicos de DAX en Power BI Desktop.

Las fórmulas DAX son muy similares a las fórmulas de Excel. De hecho, DAX tiene
muchas de las mismas funciones que Excel. Las funciones de DAX, sin embargo, están
diseñadas para trabajar con datos segmentados de forma interactiva o filtrados en un
informe, como en Power BI Desktop. En Excel, puede tener una fórmula diferente para
cada fila de una tabla. En Power BI, al crear una fórmula DAX para una nueva columna,
calculará un resultado para cada fila de la tabla. Los valores de columna se calculan
varias veces, según sea necesario, como cuando se actualizan los datos subyacentes y
los valores cambian.

Ahora se verá un ejemplo.

Juan es administrador de envíos en Contoso y quiere crear un informe que muestre el
número de envíos a diferentes ciudades. Juan tiene una tabla Geography con campos
independientes para las ciudades y los estados. Sin embargo, Juan quiere que en sus
informes se muestren los valores de ciudad y estado como un valor único en la misma
fila. En este momento la tabla Geography de Juan no tiene el campo que necesita.

Pero con una columna calculada, Juan puede reunir las ciudades de la columna City con
los estados de la columna State.

Jeff hace clic con el botón derecho en la tabla Geography y selecciona Nueva columna.
Después, Juan especifica la siguiente fórmula DAX en la barra de fórmulas:

DAX

CityState = [City] & "," & [State]

Esta fórmula crea una nueva columna denominada CityState. Para cada fila de la tabla
Geography, toma los valores de la columna City, agrega una coma y un espacio y,
después, concatena los valores de la columna State.

Ahora Juan tiene el campo que quiere.

Puede agregarlo al lienzo de su informe junto con el número de envíos. Con el mínimo
esfuerzo, Juan tiene un campo CityState, que puede agregar a casi cualquier tipo de
visualización. Cuando Juan crea un mapa nuevo, Power BI Desktop sabe cómo leer los
valores de ciudad y estado de la nueva columna.

Pasos siguientes
En este artículo se ofrece una breve introducción a las columnas calculadas. Para
obtener más información, consulte los siguientes recursos:
Para descargar un archivo de ejemplo y obtener lecciones paso a paso sobre cómo
crear otras columnas, consulte Tutorial: Creación de columnas calculadas en
Power BI Desktop.

Para más información acerca de DAX, consulte Conceptos básicos de DAX en

Power BI Desktop.

Para más información sobre las columnas que se crean como parte de una
consulta, consulte Creación de columnas personalizadas.
Creación de tablas calculadas en
Power BI Desktop
Artículo • 23/03/2023

La mayoría de las veces, las tablas se crean al importar datos en el modelo desde un
origen de datos externo. Pero las tablas calculadas permiten agregar nuevas tablas
basadas en los datos que ya se han cargado en el modelo. En lugar de consultar y
cargar valores en las columnas de la nueva tabla desde un origen de datos, se crea una
fórmula de expresiones de análisis de datos (DAX) que define los valores de la tabla.

DAX es un lenguaje de fórmulas para trabajar con datos relacionales, como los de
Power BI Desktop. DAX incluye una biblioteca de más de 200 funciones, operadores y
construcciones, lo que ofrece una gran flexibilidad al momento de crear formulas para
calcular los resultados de casi cualquier necesidad de análisis de datos. Las tablas
calculadas son más adecuadas para cálculos y datos intermedios que se quieran
almacenar como parte del modelo en lugar de calcularse sobre la marcha o como parte
de una consulta. Por ejemplo, puede elegir entre realizar una combinación o una
combinación cruzada de dos tablas.

Al igual que otras tablas de Power BI Desktop, las tablas calculadas pueden establecer
relaciones con otras tablas. Las columnas de tabla calculada tienen tipos de datos y
formato, y pueden pertenecer a una categoría de datos. Puede asignar a las columnas el
nombre que prefiera y agregarlas a la visualización de informes, igual que cualquier otro
campo. Las tablas calculadas vuelven a calcularse si alguna de las tablas desde la que
extraen datos se actualiza. Si la tabla usa datos de DirectQuery, las tablas calculadas no
se actualizan. En el caso de DirectQuery, la tabla solo reflejará los cambios una vez
actualizado el conjunto de datos. Si una tabla necesita usar DirectQuery, es mejor tener
también la tabla calculada en DirectQuery.

Creación de una tabla calculada

Las tablas calculadas se crean mediante la característica Nueva columna de la Vista de
informe, la Vista de datos o la Vista de modelo de Power BI Desktop.

Por ejemplo, imagine que es director de personal y tiene una tabla de empleados del
noroeste y otra de empleados del suroeste. Quiere combinar las dos tablas en una sola
tabla llamada Empleados de la región occidental.

Empleados del noroeste

Empleados del suroeste

En la Vista de informe, la Vista de datos o la Vista de mocelo de Power BI Desktop, en el

grupo Cálculos, seleccione Nueva tabla. Resulta un poco más fácil hacerlo en
Herramientas de tablas en la vista de datos, ya que puede ver inmediatamente la nueva
tabla calculada.

Escriba la fórmula siguiente en la barra de fórmulas:

DAX

Western Region Employees = UNION('Northwest Employees', 'Southwest

Employees')

Se crea una tabla denominada Empleados de la región occidental que, como cualquier
otra tabla, aparece en el panel Campos. Puede crear relaciones con otras tablas, agregar
medidas y columnas calculadas, y agregar cualquiera los campos a los informes como
con cualquier otra tabla.
Funciones para las tablas calculadas
Puede definir una tabla calculada mediante cualquier expresión DAX que devuelva una
tabla, incluida una simple referencia a otra tabla. Por ejemplo:

DAX

New Western Region Employees = 'Western Region Employees'

En este artículo solo se ofrece una breve introducción a las tablas calculadas. Puede usar
tablas calculadas con DAX para resolver muchos problemas de análisis. Estas son
algunas de las funciones DAX para tabla más habituales que puede usar:

DISTINCT
VALUES
CROSSJOIN
UNION
NATURALINNERJOIN
 NATURALLEFTOUTERJOIN
INTERSECT
CALENDAR
CALENDARAUTO

Vea la referencia de funciones DAX para ver estas y otras funciones DAX que devuelven
tablas.
Creación de medidas para el análisis de
datos en Power BI Desktop
Artículo • 20/04/2023

Power BI Desktop le ayuda a crear información sobre sus datos con solo unas pocas
acciones. Pero a veces los datos simplemente no incluyen todo lo que necesita para
responder algunas de las preguntas más importantes. En esos casos, las medidas
pueden ser de ayuda.

Las medidas se usan en algunos de los análisis de datos más comunes. Los resúmenes
simples, como sumas, promedios, mínimo, máximo y recuentos, también se pueden
establecer a través del área Campos. Los resultados calculados de las medidas cambian
constantemente en respuesta a la interacción con los informes, lo que permite la
exploración rápida y dinámica de datos ad hoc. Analicemos la cuestión más
detenidamente. Para más información, consulte Crear medidas.

Descripción de las medidas

En Power BI Desktop, las medidas se crean y muestran en Vista de informes, Vista de
datos o Vista de modelo. Las medidas que se creen aparecerán en la lista Campos con un
icono de calculadora. Puede asignar el nombre que desee a las medidas y agregarlas a
una visualización nueva o existente como cualquier otro campo.
 ７ Nota

Quizá también esté interesado en las medidas rápidas, medidas listas para usar que
puede seleccionar en los cuadros de diálogo. Son una buena manera de crear
medidas rápidamente y de aprender a usar la sintaxis de expresiones de análisis de
datos (DAX), ya que sus fórmulas DAX creadas automáticamente están disponibles
para su revisión. Para obtener más información, vea el artículo sobre medidas
rápidas.

Expresiones de análisis de datos

Las medidas calculan un resultado a partir de una fórmula de expresiones. Al crear sus
propias medidas, debe usar el lenguaje de fórmulas de expresiones de análisis de datos
(DAX). DAX incluye una biblioteca de más de 200 funciones, operadores y
construcciones. Su biblioteca ofrece una gran flexibilidad al momento de crear medidas
para calcular los resultados de casi cualquier necesidad de análisis de datos.

Las fórmulas DAX son muy similares a las fórmulas de Excel. DAX tiene incluso muchas
de las mismas funciones que Excel, tales como DATE , SUM y LEFT . Sin embargo, las
funciones DAX están diseñadas para trabajar con datos relacionales como los que
tenemos en Power BI Desktop.

Veamos un ejemplo
Jan es jefa de ventas de Contoso. Le han pedido que presente los pronósticos de ventas
de los revendedores para el próximo año fiscal. Jan decide que basará las estimaciones
en las cifras de ventas del año pasado, agregando un seis por ciento anual, resultante de
las distintas promociones programadas para los próximos seis meses.

Para informar de las estimaciones, Jan importa datos de las ventas del año pasado en
Power BI Desktop. Busca el campo SalesAmount de la tabla Venta del distribuidor.
Debido a que los datos importados solo contienen los importes de las ventas del año
pasado, Jan cambia el nombre del campo SalesAmount a Ventas de los últimos años.
Después, Jan arrastra el campo Ventas de los últimos años al lienzo del informe.
Aparece en una visualización de gráfico como un valor único, que es la suma de las
ventas de todos los distribuidores durante el año pasado.

Jan se da cuenta de que, aunque no ha especificado ningún cálculo, se ha facilitado uno

automáticamente. Power BI Desktop creó su propia medida con la suma de todos los
valores de Ventas de los últimos años.

Sin embargo, Jan necesita una medida para calcular las previsiones de ventas para el
año siguiente, que se basarán en las ventas del año anterior multiplicadas por 1,06 para
tener en cuenta el aumento del 6 % previsto en los negocios. Para este cálculo, Jan
creará su propia medida. Jan crea una nueva medida mediante la característica Nueva
medida y luego escribe la siguiente fórmula DAX:

DAX

Projected Sales = SUM('Sales'[Last Years Sales])*1.06

Después Jan arrastra la nueva medida Ventas previstas hasta el gráfico.

Rápidamente y con el mínimo esfuerzo, ahora Jan tiene una medida para calcular las
ventas previstas. Jan puede analizar con más detalle los pronósticos al filtrar por
revendedores específicos o agregar otros campos al informe.

Categorías de datos de medidas

También puede elegir categorías de datos de medidas.

Entre otras cosas, estas categorías de datos le permiten usar medidas para crear
direcciones URL de forma dinámica y marcar la categoría de datos como URL web.

Puede crear tablas que muestren las medidas como direcciones URL web y en las que
pueda seleccionar en la dirección URL que se crea según su selección. Esto es
especialmente útil si quiere establecer vínculos con otros informes de Power BI con
parámetros de filtro de URL.

Organización de las medidas

Las medidas tienen una tabla Inicio que define dónde se encuentran en la lista de
campos. Puede cambiar su ubicación eligiendo una ubicación de las tablas en el
modelo.
También puede organizar los campos de una tabla en carpetas para mostrar. Seleccione
Modelo en el margen izquierdo de la ventana de Power BI Desktop. En el panel
Propiedades, seleccione el campo que quiere mover de la lista de campos disponibles.
Escriba el nombre de una nueva carpeta en Carpeta para mostrar para crear una
carpeta. Al crear una carpeta, el campo seleccionado se mueve a esa carpeta.

Puede crear subcarpetas mediante un carácter de barra diagonal inversa. Por ejemplo
Finance\Currencies crea una carpeta Finance y, dentro de ella, una carpeta Currencies.

Puede hacer que un campo aparezca en varias carpetas mediante un punto y coma para
separar los nombres de carpeta. Por ejemplo, Products\Names;Departments hace que el
campo aparezca en una carpeta Departments y en una carpeta Names dentro de una
carpeta Products.

Puede crear una tabla especial que solo contenga medidas. Esa tabla siempre aparece
en la parte superior de la lista Campos. Para ello, cree una tabla con una sola columna.
Puede usar Especificar datos para crear esa tabla. Luego, mueva las medidas a esa tabla.
Por último, oculte la columna (no la tabla) que creó. Seleccione la flecha situada en la
parte superior de Campos para cerrar y volver a abrir la lista de campos para ver los
cambios.
  Sugerencia

Las medidas ocultas se muestran y son accesibles en Power BI Desktop, pero no

verá medidas ocultas en Excel ni en Power BI, ya que Excel y el servicio Power BI se
consideran herramientas de cliente.

Cadenas de formato dinámico

Con las cadenas de formato dinámico, puede personalizar cómo aparecen las medidas
en los objetos visuales aplicando condicionalmente una cadena de formato con una
expresión DAX independiente. Para más información, consulte cadenas de formato
dinámico.

Más información
Aquí solo ofrecemos una breve introducción a las medidas. Hay mucho más para
ayudarle a aprender a crear las suyas propias. Para más información, consulte el Tutorial:
Creación de medidas propias en Power BI Desktop. Puede descargar un archivo de
ejemplo y obtener lecciones paso a paso sobre cómo crear otras medidas.

Para profundizar un poco más en DAX, consulte Aprenda sobre aspectos básicos de DAX
en Power BI Desktop. La referencia de expresiones de análisis de datos proporciona
artículos detallados sobre cada una de las funciones, la sintaxis, los operadores y las
convenciones de nomenclatura. DAX lleva varios años en Power Pivot en Excel y SQL
Server Analysis Services. También hay muchos otros excelentes recursos disponibles.
Asegúrese de revisar el wiki del centro de recursos de DAX , donde miembros
destacados de la comunidad de BI comparten sus conocimientos sobre DAX.
Importar y mostrar KPI en Power BI
Artículo • 23/03/2023

Con Power BI Desktop, puede importar y mostrar los KPI en tablas, matrices y tarjetas.

Para importar y mostrar los KPI:

1. Comience con un libro de Excel que tenga un modelo de Power Pivot y KPI.

2. Importe el libro de Excel en Power BI mediante Archivo -> Importar -> Power
Query, Power Pivot y Power View. También puede obtener información sobre
cómo importar libros.

3. Después de la importación en Power BI, el KPI aparece en el panel Campos,

marcado con el icono de . Para usar un KPI en el informe, asegúrese de expandir
su contenido, exponiendo los campos Valor, Objetivo y Estado.

4. Los KPI importados son útiles en los tipos de visualización estándar, como el tipo
Tabla. Power BI también incluye el tipo de visualización KPI, que solo se debe usar
para crear nuevos KPI.

Puede usar los KPI para resaltar tendencias, el progreso u otros indicadores importantes.
Aplicación de fecha y hora automáticas
en Power BI Desktop
Artículo • 30/03/2023

Este artículo se dirige a los modeladores de datos que desarrollan modelos compuestos
o de importación en Power BI Desktop. Presenta y describe la opción Fecha y hora
automáticas.

La opción Fecha y hora automáticas es una opción de carga de datos de Power BI

Desktop. El objetivo de esta opción es facilitar la creación de prácticos informes de
inteligencia de tiempo basados en columnas de fecha cargadas en un modelo. En
concreto, permite a los autores de los informes usar el modelo de datos para filtrar,
agrupar y explorar en profundidad empleando períodos de tiempo de calendario (años,
trimestres, meses y días). Lo importante es que no es necesario desarrollar de forma
explícita estas funcionalidades de inteligencia de tiempo.

Cuando se habilita esta opción, Power BI Desktop crea una tabla oculta de fecha y hora
automáticas para cada columna de fecha, siempre que se cumplan todas las condiciones
siguientes:

El modo de almacenamiento de tabla es Importar

El tipo de datos de la columna es fecha o fecha/hora
La columna no es el lado "varios" de una relación de modelo

Cómo funciona
Cada tabla de fecha y hora automáticas es en realidad una tabla calculada que genera
filas de datos mediante la función DAX CALENDAR. Cada tabla también incluye seis
columnas calculadas: Day, MonthNo, Month, QuarterNo, Quarter y Year.

７ Nota

Power BI traduce los nombres de las columnas y los valores según el idioma del
modelo y les da formato. Por ejemplo, si el modelo se ha creado con el idioma
inglés, se seguirán mostrando los nombres de los meses (y similares) en inglés,
incluso al consultarlos mediante un cliente en coreano.

Power BI Desktop también crea una relación entre la columna Date de la tabla de fecha
y hora automáticas y la columna de fecha del modelo.
La tabla de fecha y hora automáticas contiene años naturales completos que abarcan
todos los valores de fecha almacenados en la columna de fecha del modelo. Por
ejemplo, si el valor más antiguo de una columna de fecha es el 20 de marzo de 2016 y el
último valor es el 23 de octubre de 2019, la tabla contendrá 1461 filas. Representa una
fila por cada fecha en los cuatro años naturales de 2016 a 2019. Cuando Power BI
actualiza el modelo, también se actualizan todas las tablas de fecha y hora automáticas.
De este modo, el modelo siempre contiene fechas que abarcan los valores de la
columna de fecha.

Si fuera posible ver las filas de una tabla de fecha y hora automáticas, podrían tener un
aspecto similar al ejemplo siguiente. En el ejemplo se muestran siete columnas con 10
filas de datos del 1 al 10 de enero de 2019.

７ Nota

Las tablas de fecha y hora automáticas están ocultas permanentemente, incluso

para los modeladores. No aparecen en el panel Campos ni en el diagrama de vistas
de modelos y sus filas no aparecen en la vista de datos. Además, las expresiones
DAX no pueden hacer referencia directamente a la tabla y a su columna.

Tampoco es posible trabajar con ellas al usar Analizar en Excel ni al conectarse al

modelo mediante diseñadores de informes que no sean de Power BI.

La tabla también define una jerarquía, que proporciona a los objetos visuales una ruta
de exploración en profundidad mediante los niveles de año, trimestre, mes y día.

Si fuera posible ver una tabla de fecha y hora automáticas en el diagrama de vistas de
modelos, podría tener un aspecto similar al de las tablas siguientes con las columnas
relacionadas resaltadas:
Trabajar con fecha y hora automáticas
Cuando existe una tabla de fecha y hora automáticas para una columna de fecha (y esa
columna está visible), los autores de informes no encontrarán esa columna como un
campo en el panel Campos. En su lugar, buscan un objeto expansible que tiene el
nombre de la columna de fecha. Puede identificarlo fácilmente porque está indicado
con un icono de calendario. Cuando los autores de los informes expandan el objeto de
calendario, encontrarán una jerarquía denominada Jerarquía de fechas. Al expandir la
jerarquía, encontrarán cuatro niveles: Year (Año), Quarter (Trimestre), Month (Mes) y
Day (Día).
La jerarquía generada de fecha y hora automáticas se puede usar para configurar un
objeto visual exactamente de la misma manera que se pueden usar las jerarquías
normales. Los objetos visuales se pueden configurar con la jerarquía Date Hierarchy
(Jerarquía de fechas) completa o con niveles específicos de la jerarquía.

Sin embargo, existe una funcionalidad agregada que no admiten las jerarquías
normales. Cuando la jerarquía de fecha y hora automáticas (o un nivel de la jerarquía) se
agrega a un contenedor de objetos visuales, los autores de los informes pueden usar la
jerarquía o bien la columna de fecha. Este enfoque tiene sentido para algunos objetos
visuales, cuando lo único que necesitan es la columna de fecha, no la jerarquía y sus
niveles. En primer lugar, configurarán el campo visual (haga clic con el botón derecho en
el campo visual o seleccione la flecha hacia abajo) y, a continuación, usarán el menú
contextual para cambiar entre la columna de fecha o la jerarquía de fechas.

Por último, los cálculos del modelo, escritos en DAX, pueden hacer referencia a una
columna de fecha directamente o a las columnas de la tabla oculta de fecha y hora
automáticas indirectamente.

Las fórmulas escritas en Power BI Desktop pueden hacer referencia a una columna de
fecha de la manera habitual. Sin embargo, se debe hacer referencia a las columnas de la
tabla de fecha y hora automáticas con una sintaxis extendida especial. En primer lugar,
debe hacer referencia a la columna de fecha seguida de un punto (.). A continuación, la
funcionalidad de autocompletar de la barra de fórmulas le permitirá seleccionar una
columna de la tabla de fecha y hora automáticas.
En Power BI Desktop, una expresión de medida válida podría ser:

DAX

Date Count = COUNT(Sales[OrderDate].[Date])

７ Nota

Aunque esta expresión de medida es válida en Power BI Desktop, no es una sintaxis

DAX correcta. Internamente, Power BI Desktop transpone la expresión para hacer
referencia a la columna de la tabla (oculta) de fecha y hora automáticas real.

Configuración de la opción de fecha y hora

automáticas
La fecha y hora automáticas se pueden configurar globalmente o para el archivo actual.
La opción global se aplica a los nuevos archivos de Power BI Desktop y se puede activar
o desactivar en cualquier momento. Para una nueva instalación de Power BI Desktop,
ambas opciones están activadas de forma predeterminada.

También se puede activar o desactivar la opción de archivo actual en cualquier

momento. Cuando esta opción está activada, se crean tablas de fecha y hora
automáticas. Si está desactivada, todas las tablas de fecha y hora automáticas se quitan
del modelo.

Ｕ Precaución

Tenga cuidado a la hora de desactivar la opción de archivo actual, ya que se

quitarán las tablas de fecha y hora automáticas. Asegúrese de corregir los objetos
visuales o filtros de informes con errores que se hayan configurado para usarse.
En Power BI Desktop, seleccione Archivo > Opciones y configuración > Opciones y,
luego, seleccione la página Global o Archivo actual. En cualquiera de las páginas, la
opción está en la sección Inteligencia de tiempo.

Pasos siguientes
Para obtener más información sobre este artículo, consulte los recursos siguientes:

Guía sobre la fecha y hora automáticas en Power BI Desktop

Creación de tablas de fechas en Power BI Desktop
Configuración y uso de tablas de fechas en Power BI Desktop
¿Tiene alguna pregunta? Pregunte a la comunidad de Power BI
¿Sugerencias? Ideas para contribuir a mejorar Power BI
Herramientas externas de Power BI
Desktop
Artículo • 17/06/2023

Power BI cuenta con una comunidad vibrante de profesionales y desarrolladores de

inteligencia empresarial. Los colaboradores de la comunidad crean herramientas
gratuitas que usan Power BI y Analysis Services API para ampliar e integrar con las
características de creación de informes y modelado de datos de Power BI Desktop.

La cinta de opciones Herramientas externas proporciona un acceso sencillo a las

herramientas externas instaladas localmente y registradas con Power BI Desktop.
Cuando se inicia desde la cinta Herramientas externas, Power BI Desktop pasa el nombre
y el número de puerto de su instancia de motor de modelo de datos interno y el
nombre del modelo actual a la herramienta. A continuación, la herramienta se conecta
automáticamente y proporciona una experiencia de conexión sin problemas.

Las herramientas externas generalmente se dividen en una de las siguientes categorías:

Modelado semántico: las herramientas de código abierto como DAX Studio, ALM
Toolkit, Tabular Editor y Metadata Translator amplían la funcionalidad de Power BI
Desktop para escenarios específicos de modelado de datos como la optimización de
consultas y expresiones de Expresiones de análisis de datos (DAX), la administración del
ciclo de vida de las aplicaciones (ALM) y la traducción de metadatos.

Análisis de datos: herramientas para conectarse a un modelo en modo de solo lectura

para consultar los datos y realizar otras tareas de análisis. Por ejemplo, una herramienta
podría iniciar Python, Excel y Power BI Report Builder. La herramienta conecta la
aplicación cliente con el modelo en Power BI Desktop para realizar pruebas y análisis sin
tener que publicar primero el archivo de Power BI Desktop (pbix) en el servicio Power BI.
Las herramientas para documentar un conjunto de datos de Power BI también entran en
esta categoría.

Varios: algunas herramientas externas no se conectan a un modelo, sino que extienden

Power BI Desktop para hacer más accesibles los consejos y el contenido útil. Por
ejemplo, los tutoriales de [Link], la guía DAX de [Link] y la herramienta de la
comunidad de operaciones empresariales del producto [Link], facilitan la
instalación de una gran selección de herramientas externas. Estas herramientas también
facilitan el registro en Power BI Desktop, como DAX Studio, ALM Toolkit, Tabular Editor y
muchas otras.

Personalizar: integre sus propios scripts y herramientas agregando un documento

*.[Link] a la carpeta Power BI Desktop\External Tools.

Antes de instalar herramientas externas, tenga en cuenta lo siguiente:

No se admiten herramientas externas en Power BI Desktop para Power BI Report

Server.

Las herramientas externas las proporcionan colaboradores externos. Microsoft no

proporciona soporte técnico ni documentación para herramientas externas.

Herramientas de código abierto destacadas

Hay muchas herramientas externas. Estas son algunas de los más populares y
pertenecen a cada cuadro de herramientas de modeladores de datos de Power BI
Desktop:

Herramienta Descripción

[Link] Herramienta de implementación fácil de usar para agregar extensiones de

- Business herramientas externas a Power BI Desktop. El objetivo de Business Ops es
Ops proporcionar un único lugar para instalar todas las versiones más recientes de las
herramientas externas. Para más información, vaya a [Link] - Business
Ops .

Tabular Los creadores de modelos pueden crear, mantener y administrar fácilmente

Editor modelos tabulares mediante un editor intuitivo y ligero. Una vista jerárquica
muestra todos los objetos del modelo tabular, organizados por carpetas para
mostrar con compatibilidad para la edición de propiedades de selección múltiple
y el resaltado de sintaxis de DAX. Para más información, vaya a
[Link] .

DAX Studio Una herramienta de código abierto para la creación, el diagnóstico, el ajuste del
rendimiento y el análisis de DAX. Entre las características se incluyen la
exploración de objetos, el seguimiento integrado, los desgloses de la ejecución de
consultas con estadísticas detalladas y resaltado y aplicación de formato de
sintaxis de DAX. Para obtener la versión más reciente, vaya a DAX Studio en
GitHub.
 Herramienta Descripción

ALM Toolkit Herramienta de comparación de esquemas para modelos y conjuntos de datos de

Power BI, que se utiliza en escenarios de administración del ciclo de vida de las
aplicaciones (ALM). Puede realizar una implementación sencilla en todos los
entornos y retener los datos históricos de actualización incremental. Puede
comparar y combinar archivos de metadatos, ramas y repositorios. También
puede reutilizar definiciones comunes entre conjuntos de datos. Para obtener la
versión más reciente, vaya a [Link] .

Metadata Simplifica la localización de los modelos y conjuntos de datos de Power BI. La

Translator herramienta puede traducir automáticamente subtítulos, descripciones y mostrar
nombres de carpetas de tablas, columnas, medidas y jerarquías. La herramienta
traduce con la tecnología de traducción automática de Azure Cognitive Services.
También puede exportar e importar traducciones mediante archivos de valores
separados por comas (.csv) para una cómoda edición masiva en Excel o en una
herramienta de localización. Para obtener la versión más reciente, vaya aMetadata
Translator en GitHub.

Arquitectura de integración de las herramientas

externas
Los archivos Power BI Desktop (pbix) constan de varios componentes, entre los que se
incluyen el lienzo del informe, los objetos visuales, los metadatos del modelo y los datos
que se cargaron desde los orígenes de datos. Cuando Power BI Desktop abre un archivo
pbix, inicia un proceso de Analysis Services en segundo plano para cargar el modelo de
modo que las características de modelado de datos y los objetos visuales del informe
puedan tener acceso a los metadatos del modelo y consultar los datos del modelo.

Cuando Power BI Desktop inicia Analysis Services como su motor de datos analíticos,
asigna dinámicamente un número de puerto aleatorio. También carga el modelo con un
nombre generado de forma aleatoria en el formato de un identificador único global
(GUID). Dado que estos parámetros de conexión cambian con cada sesión de Power BI
Desktop, es difícil que las herramientas externas detecten en su propia instancia de
Analysis Services y modelo correctos para conectarse. La integración de las herramientas
externas resuelve este problema al permitir que Power BI Desktop envíe el nombre del
servidor de Analysis Services, el número de puerto y el nombre del modelo a la
herramienta como parámetros de línea de comandos al iniciar la herramienta externa
desde la cinta Herramientas externas, tal como se muestra en el siguiente diagrama.
Con el nombre del servidor de Analysis Services, el número de puerto y el nombre del
modelo, la herramienta utiliza las bibliotecas de cliente de Analysis Services para
establecer una conexión con el modelo, recuperar metadatos y ejecutar consultas DAX o
MDX. Cada vez que una herramienta de modelado de datos externa actualiza los
metadatos, Power BI Desktop sincroniza los cambios para que la interfaz de usuario de
Power BI Desktop refleje con precisión el estado actual del modelo. Tenga en cuenta
que hay algunas limitaciones en cuanto a las funcionalidades de sincronización, tal
como se describe a continuación.

Operaciones de modelado de datos

Las herramientas externas, que se conectan a la instancia de Analysis Services de Power
BI Desktop, pueden realizar cambios (operaciones de escritura) en el modelo de datos.
Power BI Desktop, a continuación, sincronizará esos cambios con el lienzo del informe
para que se muestren en los objetos visuales del informe. Por ejemplo, las herramientas
externas de modelado de datos pueden invalidar la expresión original de la cadena de
formato de una medida, y editar cualquiera de las propiedades de la medida, incluidos
los KPI y las filas de detalles. Las herramientas externas también pueden crear nuevos
roles para la seguridad de nivel de objeto y fila, y agregar traducciones.

Operaciones de escritura admitidas

Objetos que admiten operaciones de escritura:

Object Conectarse a una instancia de AS

Tablas No

Columnas Sí 1

Tablas calculadas Sí
 Object Conectarse a una instancia de AS

Columnas calculadas Sí

Relaciones Sí

Medidas Sí

KPI de modelo Sí

Grupos de cálculo Sí

Perspectivas Sí

Traducciones Sí

Seguridad de nivel de fila (RLS) Sí

Seguridad de nivel de objeto (OLS) Sí

anotaciones Sí

Expresiones M No

1: cuando se usen herramientas externas para conectarse a la instancia de AS, se

admitirá el cambio del tipo de datos de una columna, pero no se admitirá el cambio de
nombre de columnas.

Los archivos de proyecto de Power BI Desktop ofrecen un ámbito más amplio de las
operaciones de escritura admitidas. Esos objetos y operaciones que no admiten
operaciones de escritura mediante herramientas externas para conectarse a la instancia
de Analysis Services de Power BI Desktop pueden ser compatibles mediante la edición
de archivos de proyecto de Power BI Desktop. Para obtener más información, consulte
Proyectos de Power BI Desktop: creación de modelos.

Limitaciones del modelado de datos

Se puede tener acceso a todos los metadatos del modelo de objetos tabulares (TOM)
para solo lectura. Las operaciones de escritura están limitadas porque Power BI Desktop
debe permanecer sincronizado con las modificaciones externas, por lo que no se
admiten las siguientes operaciones:

Cualquier tipo de objeto TOM no incluido en las operaciones de escritura

admitidas, como tablas y columnas.
La edición de un archivo de plantilla de Power BI Desktop (PBIT).
Traducciones de nivel de informe o de nivel de datos.
Todavía no se admite el cambio de nombre de tablas y columnas.
 Envío de comandos de procesamiento a un conjunto de datos cargado en
Power BI Desktop.

Registro de herramientas externas

Las herramientas externas se registran con Power BI Desktop cuando la herramienta
incluye un archivo de registro *.[Link] en la carpeta C:\Program Files
(x86)\Common Files\Microsoft Shared\Power BI Desktop\External Tools . Cuando se
registra una herramienta e incluye un icono, la herramienta aparece en la cinta de
opciones Herramientas externas. Algunas herramientas, como ALM Toolkit y DAX Studio,
crean el archivo de registro automáticamente al instalar la herramienta. Pero muchas
herramientas, como SQL Profiler, no lo suelen hacer debido a que el instalador que
tienen no incluye la creación de un archivo de registro para Power BI Desktop. Las
herramientas que no se registran automáticamente con Power BI Desktop se pueden
registrar manualmente creando un archivo de registro *.[Link].

Para obtener más información, incluidos ejemplos de json, consulte Registro de una
herramienta externa.

Deshabilitación de la cinta de opciones

Herramientas externas
La cinta de opciones Herramientas externas está habilitada de forma predeterminada,
pero se puede deshabilitar mediante una directiva de grupo o editando directamente la
clave del Registro EnableExternalTools.

Clave del Registro: Software\Policies\Microsoft\Power BI Desktop\

Valor del Registro: EnableExternalTools

Un valor de 1 (decimal) habilita la cinta de opciones Herramientas externas, que también

es el valor predeterminado.

Un valor de 0 (decimal) deshabilita la cinta de opciones Herramientas externas.

Consulte también
Registro de una herramienta externa
Registro de una herramienta externa
Artículo • 23/03/2023

Algunas herramientas deben registrarse manualmente con Power BI Desktop. Para

registrar una herramienta externa, cree un archivo JSON con el código de ejemplo
siguiente:

JSON

"name": "<tool name>",

"description": "<tool description>",

"path": "<tool executable path>",

"arguments": "<optional command line arguments>",

"iconData": "image/png;base64,<encoded png icon data>"

El archivo [Link] incluye los siguientes elementos:

name: proporcione un nombre para la herramienta, que aparecerá como un título

de botón en la cinta de opciones Herramientas externas en Power BI Desktop.
description: (opcional) proporcione una descripción que aparecerá como
información sobre herramientas en el botón de la cinta de opciones Herramientas
externas en Power BI Desktop.
path: proporcione la ruta de acceso completa al archivo ejecutable de la
herramienta.
arguments: (opcional) proporcione una cadena de argumentos de la línea de
comandos con los que se debe iniciar el archivo ejecutable de la herramienta.
Puede usar cualquiera de los siguientes marcadores de posición:
%server%: se reemplaza por el nombre del servidor y el número de puerto de la
instancia local del modelo tabular de Analysis Services para los modelos de
datos importados/DirectQuery.
%database%: se reemplaza por el nombre de base de datos del modelo
hospedado en la instancia local del modelo tabular de Analysis Services para los
modelos de datos importados/DirectQuery.
iconData: proporcione datos de imagen, que se representarán como un icono de
botón en la cinta de Herramientas externas en Power BI Desktop. Se debe dar
formato a la cadena según la sintaxis de los URI de datos sin el prefijo "data:".

Asigne al archivo el nombre "<tool name>.[Link]" y colóquelo en la siguiente

carpeta:
 %commonprogramfiles%\Microsoft Shared\Power BI Desktop\External Tools

En entornos de 64 bits, coloque los archivos en la siguiente carpeta:

Archivos de programa (x86)\Common Files\Microsoft Shared\Power BI

Desktop\External Tools

Los archivos de la ubicación especificada con la extensión .[Link] se cargan en

Power BI Desktop cuando se inicia.

Ejemplo
El siguiente archivo *.[Link] inicia [Link] desde la cinta de herramientas
externas y ejecuta un script denominado pbiToolsDemo.ps1. El script pasa el nombre del
servidor y el número del puerto del parámetro -Server y el nombre del conjunto de
datos del parámetro -Database.

JSON

"version": "1.0.0",

"name": "External Tools Demo",

"description": "Launches PowerShell and runs a script that outputs

server and database parameters. (Requires elevated PowerShell
permissions.)",

"path":
"C:\\Windows\\System32\\WindowsPowerShell\\v1.0\\[Link]",

"arguments": "C:\\pbiToolsDemo.ps1 -Server \"%server%\" -Database

\"%database%\"",

"iconData":
"image/png;base64,iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAYAAAAfFcSJAAAAAXNSR0IArs
4c6QAAAARnQU1BAACxjwv8YQUAAAAJcEhZcwAADsEAAA7BAbiRa+0AAAANSURBVBhXY/jH9+8/AA
ciAwpql7QkAAAAAElFTkSuQmCC"

El script de pbiToolsDemo.ps1 correspondiente genera los parámetros Server y

Database en la consola.

PowerShell

[CmdletBinding()]

param

[Parameter(Mandatory = $true)]

[string] $Server,

[Parameter(Mandatory = $true)]

[string] $Database

 Write-Host ""

Write-Host "Analysis Services instance: " -NoNewline

Write-Host "$Server" -ForegroundColor Yellow

Write-Host "Dataset name: " -NoNewline

Write-Host "$Database" -ForegroundColor Green

Write-Host ""

Read-Host -Prompt 'Press [Enter] to close this window'

URI de datos de iconos

Para incluir un icono en la cinta de opciones de herramientas externas, el archivo de
registro [Link] debe incluir un elemento iconData.

El elemento iconData toma un URI de datos sin el prefijo data: . Por ejemplo, el URI de
datos de una imagen png de un píxel magenta es:

data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAYAAAAfFcSJAAAAAXNSR0IArs4c6

QAAAARnQU1BAACxjwv8YQUAAAAJcEhZcwAADsEAAA7BAbiRa+0AAAANSURBVBhXY/jH9+8/AAciAwpql7Qk

AAAAAElFTkSuQmCC

Asegúrese de quitar el prefijo data:, tal como se muestra en el ejemplo anterior de

[Link].
Para convertir un archivo .png u otro tipo de archivo de imagen en un URI de datos, use
una herramienta en línea o una herramienta personalizada, como la que se muestra en
el siguiente fragmento de código de C#:

c#

string ImageDataUri;

OpenFileDialog openFileDialog1 = new OpenFileDialog();

[Link] = "PNG Files (.png)|*.png|All Files (*.*)|*.*";

[Link] = 1;

[Link] = false;

[Link] = true;

bool? userClickedOK = [Link]();

if (userClickedOK == true)

var fileName = [Link];

var sb = new StringBuilder();

[Link]("image/")

.Append(([Link](fileName) ??
"png").Replace(".", ""))

.Append(";base64,")

.Append(Convert.ToBase64String([Link](fileName)));

ImageDataUri = [Link]();

Consulte también
Herramientas externas de Power BI Desktop

Bibliotecas de cliente de Analysis Services

Modelo de objetos tabulares (TOM)

Uso de la lista de campos en Power BI
Desktop
Artículo • 23/03/2023

Las listas de campos se están unificando en la vistas Modelo, Datos e Informe en

Power BI Desktop. Al unificar estas vistas, se creará coherencia para la funcionalidad y la
interfaz de usuario (IU) en todas las vistas, y se abordarán los comentarios de los
clientes.

Los siguientes cambios en las vistas son:

Iconografía
Funcionalidad de búsqueda
Elementos del menú contextual
Comportamiento similar de arrastrar y colocar
Información sobre herramientas
Mejoras de accesibilidad

La intención es facilitar aún más el uso de Power BI Desktop. Los cambios deben tener
un impacto mínimo en el flujo de trabajo de datos típico.

Cambios en la lista de campos

En las tablas siguientes se muestran las actualizaciones de la lista de campos.

Lista de campos original (vista de modelo) Lista de campos nueva (vista de modelo)

Original Nuevo

Iconos e interfaz de usuario

Lista de campos original (vista de modelo) Lista de campos nueva (vista de modelo)

Menú contextual: Campo

Menú contextual: Tabla

 Lista de campos original (vista de modelo) Lista de campos nueva (vista de modelo)

Información sobre herramientas

Iconos de la lista de campos

También hay nuevos iconos en la lista de campos. En la tabla siguiente se muestran los
iconos originales y su nuevo equivalente, y se proporciona una breve descripción de
cada uno.

Icono Icono Descripción

original nuevo
 Icono Icono Descripción
original nuevo

Carpeta en la lista de campos.

Campo numérico: los campos numéricos son agregados que se pueden

sumar o promediar, por ejemplo. Los agregados se importan con los datos y
se definen en el modelo de datos en el que se basa su informe. Para más
información, consulte Trabajar con agregados (suma, promedio, etc.) en
Power BI.

Columna calculada con un tipo de datos no numérico: columna no numérica

que se crea con una fórmula de Expresiones de análisis de datos (DAX) que
define los valores de la columna. Para más información, consulte Creación de
columnas calculadas en Power BI Desktop.

Columna calculada numérica: columna que se crea con una fórmula de

Expresiones de análisis de datos (DAX) que define los valores de la columna.
Para más información, consulte Creación de columnas calculadas en
Power BI Desktop.

Medida: una medida tiene su propia fórmula codificada de forma rígida. Los
visores de informes no pueden cambiar el cálculo; por ejemplo, si es una
suma, solo podrá ser una suma. Los valores no se almacenan en una columna.
Se calculan sobre la marcha, únicamente en función de su ubicación en un
objeto visual. Para obtener más información, consulte Creación de medidas
para el análisis de datos en Power BI Desktop.

Grupo de medida.

KPI: una indicación visual que comunica el progreso realizado para lograr un
objetivo cuantificable. Para obtener más información, consulte Creación de
visualizaciones clave del indicador de rendimiento (KPI).

Jerarquía de campos: seleccione la flecha para ver los campos que componen
la jerarquía. Para obtener más información, consulte Creación y trabajo con
jerarquías en Power BI (3-11g) en YouTube.

Datos geográficos: estos campos de ubicación se pueden usar para crear

visualizaciones de mapa.

Campo de identidad: los campos con este icono son campos únicos,
configurados para mostrar todos los valores, incluso si tienen duplicados. Por
ejemplo, es posible que los datos tengan registros para dos personas distintas
llamadas "Robin Smith", y cada uno se tratará de forma única. No se suman.
 Icono Icono Descripción
original nuevo

Parámetro: establezca parámetros para que elementos de los informes y los

modelos de datos (como un filtro de consulta, una referencia de origen de
datos, una definición de medida, etc.) dependan de uno o más valores de
parámetro. Para más información, consulte Profundización en los parámetros
de consulta y las plantillas de Power BI .

Campo de fecha del calendario con una tabla de fechas integrada.

Tabla calculada: una tabla creada con una fórmula de expresiones de análisis
de datos (DAX) basada en los datos ya cargados en el modelo. Las tablas
calculadas son las más útiles para los cálculos intermedios que desea
almacenar como parte del modelo.

Advertencia: un campo calculado con un error. Por ejemplo, la sintaxis de la

expresión DAX podría ser incorrecta.

Grupos: los valores de esta columna se basan en la agrupación de valores de

otra columna, mediante la característica de grupos y rangos. Para obtener
más información, consulte Uso de grupos y rangos en Power BI Desktop.

ningún Cambiar medida de detección: al configurar una página para la actualización

icono automática de páginas, puede configurar una medida de detección de
original cambios que se consulta para determinar si se debe actualizar el resto de los
objetos visuales de una página.

Pasos siguientes
Puede que también esté interesado en los siguientes artículos:

Creación de columnas calculadas en Power BI Desktop

Usar la agrupación y la discretización en Power BI Desktop
Usar líneas de cuadrícula y ajustar a la cuadrícula en los informes de Power BI
Desktop
Editor de fórmulas de Power BI Desktop
Artículo • 23/03/2023

El editor de fórmulas (a menudo denominado editor de DAX) incluye eficaces mejoras

de edición y métodos abreviados para que el proceso de creación y edición de fórmulas
sea sencillo e intuitivo.

Uso del editor de fórmulas

Puede usar los siguientes métodos abreviados de teclado para aumentar la
productividad y optimizar la creación de fórmulas en el editor de fórmulas.

Comando de teclado Resultado

Ctrl+C Copiar línea (selección vacía)

Ctrl+G Ir a línea...

Ctrl+L Seleccionar la línea actual

Ctrl+M Cambiar de una pestaña a otra

Ctrl+U Deshacer la última operación de cursor

Ctrl+X Cortar línea (selección vacía)

Mayús+Entrar Insertar línea debajo

Ctrl+Mayús+Entrar Insertar línea encima

Ctrl+Mayús+\ Saltar al corchete correspondiente

Ctrl+Mayús+K Eliminar línea

Ctrl+] / [ Aplicar sangría o anular sangría de línea

Ctrl+Inicio Ir al principio del archivo

Ctrl+Fin Ir al final del archivo

Ctrl+↑ / ↓ Desplazarse línea arriba/abajo

Ctrl+Mayús+Alt + (tecla de flecha) Selección de columnas (cuadro)

Ctrl+Mayús+Alt +Re Pág/Av Pág Página arriba/abajo para selección de columnas (cuadro)

Ctrl+Mayús+L Seleccionar todas las apariciones de la selección actual

 Comando de teclado Resultado

Ctrl+Alt+ ↑ / ↓ Insertar el cursor encima o debajo

Ctrl+F2 Seleccionar todas las apariciones de la palabra actual

Shift+Alt + (arrastrar mouse) Selección de columnas (cuadro)

Mayús+Alt + ↓ / ↑ Copiar línea arriba/abajo

Mayús+Alt+→ Ampliar selección

Mayús+Alt+← Contraer selección

Mayús+Alt+I Insertar el cursor al final de cada línea seleccionada

Alt+ ↑ / ↓ Mover línea arriba/abajo

Alt+Re pág / Av pág Desplazarse página arriba/abajo

Alt+Clic Insertar cursor

Inicio/fin Ir al principio o al final de la línea

Pasos siguientes
En los artículos siguientes se proporcionn más información sobre las fórmulas y DAX en
Power BI Desktop.

Aspectos básicos de DAX en Power BI Desktop

Uso de DAX en la ruta de aprendizaje de Power BI Desktop.
Referencia de expresiones de análisis de datos (DAX)