Díganos qué opina sobre la experiencia de descarga del PDF.

Conexión a datos en Power BI:

documentación
La documentación de Power BI proporciona información experta para conectarse a
datos con herramientas como puertas de enlace, aplicaciones de plantilla y actualización
de datos.

Conexión a datos en Power BI

ｐ CONCEPTO

Orígenes de datos

Vista de tabla en Power BI Desktop

Nuevo nombre para conjuntos de datos de Power BI

ｇ TUTORIAL

Importación de datos desde una página web

Gateways

ｐ CONCEPTO

Puertas de enlace de datos locales

ｇ TUTORIAL

Conexión a datos locales de SQL Server

ｃ GUÍA PASO A PASO

Uso de puertas de enlace personales

Aplicaciones de plantilla

ｅ INFORMACIÓN GENERAL
¿Qué son las aplicaciones de plantilla?

ｐ CONCEPTO

Creación de aplicaciones de plantilla

Distribuir aplicaciones de plantilla en la organización

Actualizar datos

ｐ CONCEPTO

Actualización de datos

Actualización incremental para modelos semánticos

ｃ GUÍA PASO A PASO

Configuración de la actualización programada

Orígenes de datos del servicio Power BI
Artículo • 28/08/2024

Los datos constituyen el núcleo de Power BI. Puede explorar datos creando gráficos y
paneles, o formulando preguntas con Q&A. Las visualizaciones y respuestas obtienen
sus datos subyacentes de un modelo semántico, que procede de un modelo semántico.

En este artículo se tratan los tipos de orígenes de datos a los que puede conectarse
desde el servicio Power BI. Hay muchos otros tipos de orígenes de datos. Para usar estos
otros orígenes de datos en el servicio Power BI, es posible que tenga que usar primero
Power BI Desktop o las características avanzadas de modelado y consulta de datos de
Excel. Para más información, consulte Bases de datos y Otros orígenes de datos.

Descubrir contenido
Puede usar el centro de datos de OneLake para detectar los datos y los informes
existentes.

En el sitio de Power BI, seleccione Centro de datos de OneLake en el panel de

navegación:

Los iconos de la parte superior de la página muestran los elementos de datos

recomendados. Por ejemplo, se pueden recomendar datos porque los ha promocionado
alguien de su organización o porque se ha accedido a ellos recientemente.
Debajo de esos iconos se muestra una lista de datos a los que tiene acceso. Puede filtrar
para mostrar todos los datos, sus propios datos o los datos aprobados por alguien de
su organización:

Puede seleccionar Aplicaciones en el panel de navegación para detectar aplicaciones

publicadas por otras personas de su organización. En la parte superior derecha de esa
pestaña, seleccione Obtener aplicaciones para elegir aplicaciones de servicios en línea
que usted use:
Muchos servicios tienen aplicaciones de plantilla para Power BI. La mayoría de los
servicios requiere que tenga una cuenta. Para más información, consulte Conexión a los
servicios que usa con Power BI.

Crear contenido
Para crear contenido, puede importar o crear archivos o bases de datos.

Archivos
Para importar archivos:

1. Vaya al área de trabajo a la que desea importar los archivos. Seleccione Nuevo y, a
continuación, Modelo semántico:
 2. Seleccione Excel o CSV. También puede pegar o introducir manualmente los datos.

Al importar archivos de Excel o CSV o crear manualmente un libro, Power BI importa los
datos admitidos en tablas y cualquier modelo de datos en un nuevo modelo semántico
de Power BI.

También puede cargar un archivos. Use este método para archivos .pbix. Al cargar
archivos de Excel desde OneDrive o SharePoint, Power BI crea una conexión al archivo.
Si decide cargar un archivo local, Power BI agrega una copia del archivo al área de
trabajo.

Para cargar archivos, en la pestaña Mi área de trabajo, seleccione Cargar a fin de cargar
archivos de forma local o desde SharePoint o OneDrive:

A continuación se muestran algunos tipos de archivos que puede agregar:

Los libros de Excel, o archivos .xlsx y .xlsm, pueden incluir diferentes tipos de datos.
Por ejemplo, los libros pueden incluir datos que usted mismo introduzca en hojas
de cálculo, o datos que se consultan y cargan desde orígenes de datos externos
mediante Power Query. Power Query está disponible a través de Obtener y
 transformar datos en la pestaña Datos de Excel o mediante Obtener datos
externos en Power Pivot. Puede importar datos de tablas en hojas de cálculo o
importar datos de un modelo de datos. Para más información, consulte Obtener
datos de archivos en Power BI.

Power BI Desktop o los archivos de informe .pbix consultan y cargan datos de

orígenes de datos externos para crear informes. En Power BI Desktop, puede
ampliar el modelo de datos con medidas y relaciones, y publicar los archivos .pbix
en el servicio Power BI. Power BI Desktop se ha creado para los usuarios más
avanzados, con conocimientos amplios de los orígenes de datos, las consultas y
transformación de datos y el modelado de datos. Para más información, consulte
Conectarse a orígenes de datos en Power BI Desktop.

Los archivos de valores separados por comas o .csv son archivos de texto simples
con filas de datos que contienen valores separados por comas. Por ejemplo, un
archivo .csv que contiene datos de nombre y dirección puede tener muchas filas,
cada una con valores para nombre, apellidos, dirección postal, ciudad y estado. No
puede importar datos en un archivo .csv, pero muchas aplicaciones, como Excel,
pueden guardar datos de tabla simples como archivos .csv.

Para otros tipos de archivo, como XML (.xml) o texto (.txt), puede usar Obtener y
transformar datos de Excel para consultar, transformar y cargar los datos primero.
Después, puede importar el archivo de Excel en el servicio de Power BI.

El lugar donde se almacenan los archivos supone una diferencia significativa. OneDrive
proporciona la máxima flexibilidad e integración con Power BI. También puede mantener
los archivos en la unidad local, pero si necesita actualizar los datos, es necesario seguir
más pasos. Para más información, consulte Obtener datos de archivos en Power BI.

Bases de datos
Puede conectar bases de datos de Azure a Power BI para obtener análisis e informes
que proporcionen información en tiempo real. Por ejemplo, puede conectarse a una
instancia de Azure SQL Database y explorar sus datos mediante la creación de informes
en Power BI. Cada vez que segmenta datos o agrega un campo a una visualización,
Power BI consulta la base de datos directamente.

Para más información, consulte:

Azure y Power BI
Azure SQL Database con DirectQuery
Azure Synapse Analytics con DirectQuery
También puede usar Power BI Desktop o Excel para conectarse, consultar y cargar datos
en modelos de datos para otras bases de datos. Después, puede importar el archivo en
Power BI, donde existe un modelo semántico. Si configura la actualización programada,
Power BI usa la configuración y la información de conexión del archivo para conectarse
directamente al origen de datos. Power BI busca actualizaciones y las carga en el
modelo semántico. Para más información, consulte Conectarse a orígenes de datos en
Power BI Desktop.

Otros orígenes de datos

Puede usar cientos de diferentes orígenes de datos con Power BI. Los datos deben estar
en un formato que el servicio Power BI pueda utilizar. Después, Power BI puede usar los
datos para crear informes y paneles, y responder preguntas con Q&A.

Algunos orígenes de datos ya tienen los datos con el formato para el servicio Power BI.
Estos orígenes son como aplicaciones de plantilla de proveedores de servicios como
Google Analytics y Twilio. Las bases de datos de modelos tabulares de SQL Server
Analysis Services también están preparadas para utilizarlas.

En otros casos, puede que tenga que consultar y cargar los datos que desee en un
archivo. Por ejemplo, puede que su organización tenga que almacenar datos de logística
en una base de datos de un almacén de datos en un servidor. Sin embargo, el servicio
Power BI puede conectar con esa base de datos y explorar sus datos solo si se trata de
una base de datos modelo tabular. Puede usar Power BI Desktop o Excel para consultar
y cargar los datos de logística en un modelo de datos tabular y guardarlos como un
archivo. Puede importar ese archivo en Power BI, donde existe un modelo semántico.

Si los datos de logística de la base de datos cambian todos los días, puede actualizar el
modelo semántico de Power BI. Al importar los datos en el modelo semántico, también
importa la información de conexión del archivo de Excel o Power BI Desktop.

Si configura una actualización programada o realiza una actualización manual del

modelo semántico, Power BI usa la información de conexión con otra configuración para
conectarse directamente a la base de datos. Power BI busca actualizaciones y las carga
en el modelo semántico. Es probable que necesite una puerta de enlace de datos local
para ayudar a proteger las transferencias de datos entre un servidor local y Power BI.
Una vez completada la transferencia, las visualizaciones de los informes y paneles se
actualizan automáticamente.

Por lo tanto, incluso si no puede conectarse con el origen de datos directamente desde
el servicio Power BI, no significa que no pueda obtener esos datos en Power BI. Solo se
necesitan unos pocos pasos más y la ayuda del departamento de TI. Para más
información, consulte Orígenes de datos en Power BI Desktop.

Modelos semánticos y orígenes de datos

Es posible que vea los términos modelos semánticos y origen de datos usados como
sinónimos. Pero los modelos semánticos y los orígenes de datos son dos cosas
diferentes, aunque están relacionadas.

Power BI crea un modelo semántico automáticamente para conectarse e importar datos

desde una aplicación de plantilla, un archivo o un origen de datos activo. Un modelo
semántico contiene información sobre el origen de datos y las credenciales del origen
de datos. El modelo semántico también suele incluir un subconjunto de los datos
copiados desde el origen de datos. Al crear visualizaciones en informes y paneles, se
consultan los datos del modelo semántico.

Los datos de un modelo semántico proceden de un origen de datos. Por ejemplo, los
datos podrían proceder de los siguientes orígenes de datos:

Un servicio en línea como Google Analytics o QuickBooks.

Una base de datos en la nube como Azure SQL Database.
Una base de datos o un archivo en un equipo o servidor local en su organización

Actualización de datos
Si guarda el archivo en una unidad local o en una unidad de la organización, puede que
necesite una puerta de enlace local para actualizar el modelo semántico en Power BI. El
equipo que almacena el archivo debe ejecutarse durante la actualización. También
puede volver a importar el archivo o usar Publicar desde Excel o Power BI Desktop, pero
estos no son procesos automatizados.

Si guarda los archivos en OneDrive para uso profesional o educativo o en SharePoint:

Sitios de grupo, el modelo semántico, los informes y el panel siempre estarán
actualizados. Dado que OneDrive y Power BI están en la nube, Power BI puede
conectarse directamente a los archivos o importarlos en Power BI. Power BI se conecta
una vez cada hora aproximadamente y comprueba si hay actualizaciones. El modelo
semántico y las visualizaciones se actualizan automáticamente si hay actualizaciones.

Las aplicaciones de plantilla de los servicios también se actualizan automáticamente,

una vez al día en la mayoría de los casos. Puede actualizar manualmente estas
aplicaciones, pero si ve o no los datos actualizados depende del proveedor de servicios.
Las actualizaciones de las aplicaciones de plantilla de los usuarios de su organización
dependen de los orígenes de datos utilizados y de cómo el creador de la aplicación
configuró la actualización.

Las bases de datos de Azure como SQL Database, Azure Synapse Analytics y Spark en
Azure HDInsight son orígenes de datos en la nube. El servicio Power BI también está en
la nube, por lo que puede conectarse a dichos orígenes de datos de forma dinámica
mediante DirectQuery. Con DirectQuery, Power BI está siempre sincronizado y no
necesita configurar una actualización programada.

SQL Server Analysis Services es una conexión dinámica a Power BI igual que una base de
datos en la nube de Azure. La diferencia es que la base de datos está en un servidor de
su organización. Este tipo de conexión requiere una puerta de enlace local, que puede
configurar un departamento de TI.

La actualización de datos es una consideración importante al usar Power BI. Para más
información, consulte Actualización de datos en Power BI.

Consideraciones y limitaciones
Los orígenes de datos del servicio Power BI tienen las siguientes limitaciones. Hay
características específicas que tienen otras limitaciones, pero la siguiente lista es válida
para todo el servicio Power BI:

Límite de tamaño del modelo semántico. Los modelos semánticos almacenados

en capacidades compartidas del servicio Power BI tienen un límite de tamaño de
1 GB. Para modelos semánticos más grandes, use Power BI Premium.

Valores distintos en una columna. Cuando un modelo semántico de Power BI

almacena en caché los datos en modo de importación, puede almacenar un límite
de 1 999 999 997 valores distintos en una columna.

Límite de filas. Cuando se usa DirectQuery, Power BI impone un límite en los

resultados de consulta que se envían al origen de datos subyacente. Si la consulta
enviada al origen de datos devuelve más de un millón de filas, verá un error y la
consulta no se tramitará. Los datos subyacentes sí pueden contener más de un
millón de filas. Es poco probable alcanzar este límite, ya que la mayoría de los
informes agregan los datos en conjuntos de resultados más pequeños.

Límite de columnas. El número máximo de columnas que se permiten en todas las

tablas del modelo semántico es 16 000 columnas. Este límite se aplica al servicio
Power BI y a los modelos semánticos que se usan en Power BI Desktop. Power BI
usa este límite para realizar un seguimiento del número de columnas y tablas del
 modelo semántico, lo que significa que el número máximo de columnas es 16 000
menos uno por cada tabla del modelo semántico.

Límite de usuarios del origen de datos. El número máximo de orígenes de datos

permitidos por usuario es de 1000. Este límite solo se aplica al servicio Power BI.

Consideraciones sobre el inicio de sesión único (SSO). Los modelos de

DirectQuery pueden habilitar el acceso SSO a sus orígenes de datos, lo que
permite aplicar implícitamente la seguridad en el sistema de origen a las consultas
DAX que ejecuta cada usuario. El inicio de sesión único se puede habilitar para
cada conexión de origen que admita el SSO (no todos los tipos de conexión
admiten el SSO) y cada conexión de SSO podría requerir la configuración de una
puerta de enlace o red virtual para ciertos tipos de orígenes. Puede obtener más
información sobre cómo habilitar el inicio de sesión único para puertas de enlace
en el artículo Inicio de sesión único para puertas de enlace de datos.

No se admite la consulta del modelo DirectQuery habilitado para SSO mediante un

nombre de entidad de seguridad de servicio (SPN), ya que no se pueden pasar las
credenciales de SPN al origen de DirectQuery. En su lugar, use un nombre principal
de usuario (UPN) para ejecutar estas consultas en el modelo semántico de
DirectQuery habilitado para SSO.

Contenido relacionado
Conexión a los servicios que usa con Power BI
Obtener datos de archivos en Power BI
Actualizar datos en Power BI
DirectQuery en Power BI
¿Qué es una puerta de enlace de datos local?
Orígenes de datos en Power BI Desktop

Comentarios
¿Le ha resultado útil esta página?  Sí  No

Proporcionar comentarios sobre el producto | Preguntar a la comunidad

¿Qué es una puerta de enlace de datos
local?
Artículo • 10/02/2025

７ Nota

La documentación sobre puertas de enlace de datos locales se ha dividido en

contenido específico de Power BI y contenido general que se aplica a todos los
servicios que admite la puerta de enlace. Actualmente se encuentra en el
contenido de Power BI. Para proporcionar comentarios sobre este artículo o la
experiencia general de la documentación sobre puertas de enlace, desplácese hasta
la parte inferior del artículo.

Una puerta de enlace de datos local es software que se instala en una red local. La
puerta de enlace de datos local facilita el acceso a los datos de esa red y actúa como
puente para proporcionar una transferencia rápida y segura de datos entre datos locales
(datos que no están en la nube) y varios servicios en la nube de Microsoft. Estos
servicios en la nube incluyen Power BI, PowerApps, Power Automate,
Azure Analysis Services y Azure Logic Apps. Al usar una puerta de enlace, las
organizaciones pueden mantener bases de datos y otros orígenes de datos en sus redes
locales, pero usar de forma segura esos datos locales en servicios en la nube.

Este artículo le ayuda a comprender el propósito y la funcionalidad de la puerta de

enlace de datos local para que pueda transferir y usar datos locales de forma segura en
varios servicios en la nube de Microsoft. Siga leyendo para obtener información sobre
cómo salvar la distancia entre los datos locales y los servicios en la nube.

Funcionamiento de la puerta de enlace

Para más información sobre cómo funciona la puerta de enlace, vea Arquitectura de
puerta de enlace de datos local.

Tipos de puertas de enlace

Hay tres tipos de puertas de enlace diferentes, cada una para un escenario distinto:

Puerta de enlace de datos local: permite que varios usuarios se conecten a varios
orígenes de datos locales. Con una sola instalación de puerta de enlace puede usar
una puerta de enlace de datos local con todos los servicios admitidos. Esta puerta
de enlace es adecuada para escenarios complejos en los que varias personas
acceden a varios orígenes de datos.

puerta de enlace de datos local (modo personal): permite a un usuario conectarse

a orígenes de datos y no se puede compartir con otros usuarios. Una puerta de
enlace de datos local (modo personal) solo se puede usar con Power BI. Esta
puerta de enlace es adecuada para escenarios en los que es la única persona que
crea informes y no necesita compartir ningún origen de datos con otros usuarios.

Puerta de enlace de datos de red virtual: permite a varios usuarios conectarse a

varios orígenes de datos protegidos mediante redes virtuales. No se necesita
instalación porque es un servicio administrado de Microsoft. Esta puerta de enlace
 es adecuada para escenarios complejos en los que varias personas acceden a
varios orígenes de datos.

Uso de una puerta de enlace

Hay cinco pasos principales para usar una puerta de enlace:

1. Descargar e instalar la puerta de enlace en un equipo local.

2. Configurar la puerta de enlace según el firewall y otros requisitos de red.
3. Agregar administradores de puerta de enlace que también pueden administrar
otros requisitos de red.
4. Usar la puerta de enlace para actualizar un origen de datos local.
5. Solucionar problemas con la puerta de enlace.

Contenido relacionado
Instalación de la puerta de enlace de datos local
Planificación de la implementación de Power BI: puertas de enlace de datos

¿Tiene más preguntas? Pruebe la comunidad de Power BI

Comentarios
¿Le ha resultado útil esta página?  Sí  No

Proporcionar comentarios sobre el producto | Preguntar a la comunidad

Introducción al catálogo de OneLake
Artículo • 31/01/2025

OneLake catalog es un lugar centralizado que le ayuda a encontrar, explorar y usar los
elementos de Fabric que necesita y controlar los datos que posee. Incluye dos pestañas:

pestaña Explorar: La pestaña Explorar tiene una lista de elementos con una vista de
detalles de elementos en contexto que permite explorar los elementos sin perder el
contexto de la lista. También proporciona selectores y filtros para restringir y centrar la
lista, lo que facilita la búsqueda de lo que necesita. De forma predeterminada, el catálogo
de OneLake se abre en la pestaña Explorar.

Pestaña Gobernar: La pestaña Gobernar proporciona información que le ayuda a

comprender el estado de gobernanza de todos los datos que posee en Fabric y presenta
acciones recomendadas que puede realizar para mejorar el estado de gobernanza de los
datos.

Abrir el catálogo de OneLake

Para abrir el catálogo de OneLake, seleccione el icono de OneLake en el panel de navegación
Fabric. Seleccione la pestaña que le interesa si no se muestra de forma predeterminada.

Contenido relacionado
Detectar y explorar elementos de Fabric en el catálogo de OneLake
Gobierna tus datos en Fabric
Aprobación
Dominios de Fabric
Linaje en Fabric
centro de supervisión
Información del modelo semántico
Artículo • 05/11/2024

La página de detalles del modelo semántico le ayuda a explorar, supervisar y aprovechar

los modelos semánticos. Al seleccionar un modelo semántico del centro de conectividad
de datos, en un área de trabajo o en cualquier otro lugar de Power BI, se abre la página
de detalles de dicho modelo semántico.

En este artículo se proporciona información general sobre la página de detalles del

modelo semántico en Power BI, se explican sus características, funcionalidades y cómo
puede interactuar con él.

Página de información del modelo semántico:

Muestra los metadatos sobre el modelo semántico, incluida la descripción, la

aprobación y la confidencialidad.
Proporciona acciones que puede realizar en el modelo semántico, como compartir,
actualizar, Analizar en Excel, etc.
Enumera los informes y cuadros de mandos que se basan en el modelo semántico.

El encabezado de página muestra el nombre y la aprobación del modelo semántico (si

existe). Para ponerse en contacto con el propietario del modelo semántico o el
certificador de modelo semántico (si existe), seleccione el encabezado y, a continuación,
seleccione el nombre del propietario.

Acciones admitidas
La página de información del modelo semántico permite realizar varias acciones. Las
acciones disponibles varían de usuario a usuario en función de sus permisos en el
elemento de datos y, por tanto, no todas las acciones están disponibles para todos los
usuarios.

ﾉ Expandir tabla

Acción Descripción En la Barra de acciones,

elija:

Descargar este Descarga el archivo .pbix para este modelo Archivo > Descargar este
archivo semántico. archivo

Administración Abre la página de administración de permisos Archivo > Administrar

de permisos del modelo semántico. permisos

Configuración Abre la página de configuración del modelo Archivo > Configuración

semántico.

Actualizar ahora Inicia una actualización del modelo semántico. Actualizar > Actualizar
ahora

Programar Abre la página de configuración del modelo Actualizar > Programar

actualización semántico donde puede establecer la actualización
actualización programada.

Actualizar Abre la pantalla Historial de actualizaciones. Actualizar historial de

historial actualización>.

Compartir Abre el cuadro de diálogo Compartir modelo Comparta o use el icono

semántico. Compartir estos datos.

Exploración de Abre el lienzo de edición de tablas con formato. Explore estos datos >
estos datos Explore estos datos o use
el icono Explorar estos
datos.

Creación Crea un informe basado en los datos del Explore estos datos >
automática de modelo semántico. Crear automáticamente
un informe un informe o use el icono
Explorar estos datos.

Creación de un Abre el lienzo de edición de informes donde Explore estos datos >
informe en puede crear un nuevo informe basado en el Crear un informe en
blanco modelo semántico. blanco o use el icono
Explorar estos datos.

Creación de un Abre el lienzo de edición de informes Use el comando de la lista

informe paginados. desplegable en el icono
paginado Explorar estos datos.
 Acción Descripción En la Barra de acciones,
elija:

Analizar en Excel Inicia Analizar en Excel mediante este modelo Analizar en Excel
semántico.

Abrir linaje del Abre la vista de linaje para el modelo Linaje abierto del > área
área de trabajo semántico. de trabajo

Análisis de Abre el panel lateral de análisis de impacto para Linaje > Análisis de
impacto este modelo semántico. impacto

Chatear en Invite a las personas a empezar a chatear en ... > Chatear en Teams
Teams Teams. Las personas a las que invite recibirán un
mensaje de chat de Teams suyo con un vínculo
a la página de detalles de este modelo
semántico. Si tienen acceso al modelo
semántico, el vínculo abrirá esta página de
detalles del modelo semántico en Teams.

Mostrar tablas Abre un panel lateral que muestra las tablas del ... > Mostrar tablas
modelo semántico. En la vista de tablas puede
crear vistas previas de tabla seleccionando las
columnas deseadas.

Visualización de metadatos del modelo

semántico

La sección de información del modelo semántico muestra:

Nombre del área de trabajo donde se encuentra el elemento.

Hora exacta de la última actualización.
Estado de aprobación y certificador (si está certificado).
Sensibilidad (si se establece).
Descripción (si existe). Puede crear o editar la descripción aquí.
Ver lo que ya existe
La sección Ver lo que ya existe muestra todos los informes y cuadros de mandos que se
basan en el modelo semántico. Para crear una copia de un elemento, seleccione el icono
de tres puntos horizontales en la línea del modelo semántico para abrir el menú Más
opciones y, a continuación, seleccione Guardar una copia.

Las columnas de la lista de informes relacionados son:

Nombre: nombre del informe. Si el nombre termina con (plantilla), significa que
este informe se ha construido especialmente para usarse como plantilla. Por
ejemplo, "Ventas (plantilla)".
Tipo: tipo de elemento, por ejemplo, informe o cuadro de mandos.
Relación: relación con el modelo semántico, por ejemplo, descendente.
Ubicación: nombre del área de trabajo donde se encuentra el elemento
relacionado.
Actualizado: fecha en la que se actualizó por última vez el elemento.
Promoción: estado de la aprobación.
Sensibilidad: etiqueta de confidencialidad (si se establece).

Exploración de estos datos

Para crear un informe basado en el modelo semántico, seleccione el botón Explorar
estos datos en este icono o seleccione la lista desplegable y elija la opción deseada.

Explore estos datos: abre el lienzo de edición de tablas con formato.

Crear automáticamente un informe: crea un informe basado en los datos del
modelo semántico.
 Crear un informe en blanco: abre el lienzo de edición de informes en un nuevo
informe basado en el modelo semántico. Al guardar el nuevo informe, se guardará
en el área de trabajo que contiene el modelo semántico si tiene permisos de
escritura en esa área de trabajo. Si no tiene permisos de escritura en el área de
trabajo o si es un usuario gratuito y el modelo semántico reside en un área de
trabajo de capacidad Premium, el nuevo informe se guardará en Mi área de
trabajo.
Crear un informe paginado: abre el lienzo de edición de informes paginados.

Recurso compartido de estos datos

Puede compartir el modelo semántico con otros usuarios de su organización. Al
seleccionar el botón Compartir modelo semántico, se abre el cuadro de diálogo
Compartir modelo semántico, donde puede elegir qué permisos conceder en el modelo
semántico.

Vista previa de datos

La vista previa de los datos permite ver una tabla o columnas seleccionadas del modelo
semántico. También puede exportar los datos a formatos de archivo compatibles o crear
un informe paginado.

Requisitos previos
El modelo semántico puede estar dentro de áreas de trabajo Premium o no
Premium. No se admiten las áreas de trabajo clásicas. Obtenga información sobre
las áreas de trabajo.
Necesita el Permiso de compilación para el modelo semántico.

Selección de datos para obtener una vista previa

Para obtener una vista previa de los datos de los modelos semánticos de la página de
detalles del modelo semántico, seleccione una tabla o columnas en el panel lateral
Tablas.

Si no ve el panel lateral, seleccione Mostrar tablas en la barra de acciones.

Una casilla primaria completamente rellenada y activada en la tabla del modelo

semántico indica que se han seleccionado todas sus sub tablas y columnas. Una casilla
primaria parcialmente rellena sin marca de verificación significa que solo se ha
seleccionado un subconjunto de ellos.
Al seleccionar una tabla o columnas en una tabla, se mostrarán en la página Vista
previa de tabla que se abre.
Es posible que la vista previa de la tabla no muestre todos los datos que ha
seleccionado. Si desea ver más, puede exportar o compilar un informe paginado.

Mostrar consulta

Mostrar consulta le permite copiar la consulta DAX utilizada para crear la vista previa de
la tabla en el Portapapeles. Esto permite reutilizar la consulta para futuras acciones.

Atrás
En cualquier momento, puede volver a la página de detalles del modelo semántico
seleccionando el botón Atrás en la barra de acciones. Al seleccionar el botón Atrás, se
borran todas las selecciones y se vuelve a la página de detalles del modelo semántico.
 ７ Nota

La vista previa de la tabla está pensada para explorar rápidamente los datos
subyacentes de las tablas del modelo semántico. No puede ver medidas ni
seleccionar más de una tabla o columnas entre tablas. Para eso, puede seleccionar
Crear informe paginado.

Exportar datos
Seleccione el botón Exportar de la página Vista previa de tabla para exportar los datos a
uno de los formatos de archivo admitidos.

Creación de un informe paginado

Seleccione el botón Crear informe paginado para abrir el editor.

７ Nota
 Los datos cambiarán de datos subyacentes a datos resumidos. Puede cambiar a
datos subyacentes mediante Más opciones junto al nombre de la tabla en el panel
Datos.

En el editor, puede seleccionar varias tablas, medidas, campos entre tablas, aplicar
estilos de tabla, cambiar agregados, etc.

A continuación, puede exportar el informe a cualquiera de los formatos de archivo

admitidos y el archivo se guardará en la carpeta de descargas predeterminada. O bien,
puede guardarlo como un informe paginado en el área de trabajo que prefiera. Los
informes paginados conservan completamente el formato del informe.

Cambio de datos resumidos a datos subyacentes en el

editor
Seleccione Más opciones (…) para cambiar de datos resumidos a datos subyacentes.
Consideraciones y limitaciones
Los conjuntos de datos de streaming no tienen una página de detalles.

Contenido relacionado
Uso de modelos semánticos en áreas de trabajo
Creación de informes basados en modelos semánticos de diferentes áreas de
trabajo
Aprobación del modelo semántico
¿Tiene alguna pregunta? Pruebe a preguntar a la comunidad de Power BI

Comentarios
¿Le ha resultado útil esta página?  Sí  No

Proporcionar comentarios sobre el producto | Preguntar a la comunidad

Detalles de datamart
Artículo • 20/11/2023

La página de detalles de un datamart facilita la exploración, la supervisión y el uso de

datamarts. Al hacer clic en un datamart en el centro de datos, se abre la página de
detalles de ese datamart.

La página de detalles del datamart:

Muestra los metadatos sobre datamart, incluida la descripción, la aprobación y la

confidencialidad y la cadena de conexión.
Proporciona acciones que puede realizar en el datamart, como compartir,
actualizar, crear nuevo y analizar en Excel.
Enumera los informes que se basan en datamart.

Acciones admitidas
La página de detalles del datamart permite realizar acciones en el datamart. En la
siguiente tabla se enumeran todas las acciones admitidas. En la página de detalles del
datamart, es posible que solo vea un subconjunto de esta lista, ya que solo se muestran
las acciones para las que tiene permiso.

Acción Descripción En la Barra de acciones, elija:

Administración Abre la página de administración de Archivo>Administrar

de permisos permisos de datamart. permisos

Configuración Abre la página de configuración de Archivo>Configuración

datamart.
 Acción Descripción En la Barra de acciones, elija:

Actualizar ahora Inicia una actualización del modelo Actualizar>Actualizar ahora

semántico.

Programar Abre la página de configuración del modelo Actualizar>Programar

actualización semántico donde puede establecer la actualización
actualización programada.

Actualizar Abre la ventana Actualizar historial donde Actualizar>Actualizar historial

historial verá el tiempo, la duración y el estado de
cada actualización. Puede descargar el
historial como un archivo .csv.

Compartir Abre el cuadro de diálogo Share datamart Comparta o use el icono

(Compartir datamart). Compartir un Compartir estos datos.
datamart con los destinatarios les permite
crear contenido basado en el modelo
semántico subyacente y consultar el punto
de conexión SQL correspondiente.

Creación de un Abre el lienzo de edición de informes Crear un informe>Desde el

informe desde donde puede crear un nuevo informe principio, o bien use el icono
cero basado en datamart. Visualizar estos datos.

Analizar en Excel Inicia Analizar en Excel con este datamart. Analizar en Excel

Abrir vista de Abre la vista de linaje de datamart. Linaje>Abrir vista de linaje

linaje

Análisis de Abre el panel lateral de análisis de impacto Linaje>Análisis de impacto

impacto para este datamart.

Editar Abre el datamart en el Editor de datamart. Editar

Visualización de metadatos de datamart

La sección de detalles del datamart muestra lo siguiente:

Ubicación del datamart.

Estado de aprobación (y certificador si está certificado).
 Hora exacta de la última actualización.
sensibilidad, si se establece.
Cadena de conexión de T-SQL.
Descripción, si la hay.

Exploración de informes relacionados

En la sección Ver lo que ya existe, se muestran los informes creados además del modelo
semántico del datamart generado automáticamente. Puede crear una copia de un
informe al seleccionar la línea en la que se encuentra el elemento y hacer clic en el icono
Guardar una copia que aparece. En esta sección también se muestran las métricas de
uso de los elementos relacionados.

７ Nota

Los informes basados en otros modelos semánticos creados a partir de datamart

no se muestran en esta sección.

Las columnas de la lista de informes relacionados son:

Nombre: nombre del informe. Si el nombre termina con (plantilla), significa que
ese informe se ha creado especialmente para usarlo como plantilla. Por ejemplo,
"Ventas (plantilla)".
Tipo: tipo de elemento, por ejemplo, informe o cuadro de mandos.
Ubicación: nombre del área de trabajo donde se encuentra el elemento
relacionado.
Actualizado: hora de la última actualización.
Promoción: estado de la aprobación.
Confidencialidad: confidencialidad.
Unique viewers (Visitantes únicos): muestra el número total de usuarios distintos
que han visualizado el elemento por lo menos una vez en los últimos 30 días, sin
contar la visualización del día en curso.
Views (Visualizaciones): muestra el número total de veces que se ha visualizado un
elemento en los últimos 30 días, sin contar las visualizaciones del día en curso.
Visualización de estos datos
Para elaborar un informe basado en el modelo semántico, seleccione el botón Crear
informe en este icono y elija la opción deseada.

La opción Crear desde cero abre el lienzo de edición de informes con un nuevo
informe basado en el modelo semántico.

Al guardar el nuevo informe, se guarda en el área de trabajo que contiene el

modelo semántico, si tiene permisos de escritura en esa área de trabajo.

Si no tiene permisos de escritura en el área de trabajo, el informe se guarda en Mi

área de trabajo. Si usa el nivel Gratis y el modelo semántico reside en un área de
trabajo de capacidad Premium, el informe se guarda en Mi área de trabajo.

La opción Informe paginado abre el editor en línea de informes paginados. Para

obtener información sobre cómo crear un informe paginado con el editor en línea,
consulte Creación de informes paginados exportables en el servicio Power BI.

Recurso compartido de estos datos

Puede compartir datamart con otros usuarios de su organización. Al hacer clic en el
botón Compartir datamart, se abre el cuadro de diálogo Compartir datamart. Las
personas con las que comparte el datamart pueden crear contenido basado en el
modelo semántico subyacente y consultar el punto de conexión SQL correspondiente.
Pasos siguientes
Creación de informes paginados exportables en el servicio Power BI
Apruebe su contenido
¿Tiene alguna pregunta? Pruebe a preguntar a la comunidad de Power BI
Power BI para usuarios de
Microsoft Azure
¿Trabaja con datos, administra infraestructuras o crea aplicaciones en Microsoft Azure?
¿Desea obtener valor de sus datos o aplicaciones usando Power BI? Estos recursos le
ayudarán a ponerse al día. Bienvenido.

¿Es más un consumidor de Power BI? También le damos la bienvenida. Se recomienda

empezar con Power BI para consumidores.

Introducción a la creación con Power BI

Introducción a Power BI Desktop
Introducción al servicio Power BI
¿Qué es Power BI Report Server?

Análisis de los datos de Azure SQL

Conexión a datos en Azure SQL Database
Conexión a los datos de Azure Synapse Analytics

Análisis de datos desde otros servicios de Azure

Conexión a Azure Stream Analytics
Visualización de datos de Azure Cosmos DB
Visualización de datos desde Azure Data Explorer

Análisis del uso y los costos de Azure

$
Conexión a Azure Consumption Insights

Insertar Power BI en sus propias aplicaciones

Análisis integrados de Power BI
Tutorial: Inserción de contenido de Power BI mediante una
aplicación de ejemplo de inserción para los clientes

Enriquecer Power BI con Azure Machine Learning

Azure Machine Learning y Power BI
Inicio rápido: Conectarse a los datos en
Power BI Desktop
Artículo • 23/03/2023

En este inicio rápido, se conecta a datos mediante Power BI Desktop, que es el primer
paso para compilar modelos de datos y crear informes.

Si no está registrado en Power BI, regístrese para obtener una evaluación gratuita
antes de empezar.

Requisitos previos
Para completar los pasos de este artículo, necesitará los siguientes recursos:

Descargar e instalar Power BI Desktop, que es una aplicación gratuita que se

ejecuta en el equipo local. Puede descargar Power BI Desktop directamente,o
bien puede obtenerlo en Microsoft Store .
Descargue este libro de Excel de ejemplo y cree una carpeta denominada
C:\PBID-qs donde puede almacenar el archivo de Excel. En los pasos posteriores de
este inicio rápido se supone que esa es la ubicación del archivo para el libro de
Excel descargado.
Para muchos conectores de datos de Power BI Desktop, se requiere Internet
Explorer 10 (o posterior) para la autenticación.

Inicio de Power BI Desktop

Una vez que instale Power BI Desktop, inicie la aplicación, para que se ejecute en el
equipo local. Se le mostrará un tutorial de Power BI. Siga el tutorial o cierre el cuadro de
diálogo para empezar con un lienzo en blanco. En el lienzo se crean objetos visuales e
informes a partir de los datos.

Conectar a datos
Con Power BI Desktop puede conectarse a muchos tipos de datos diferentes. Estos
orígenes incluyen orígenes de datos básicos, como un archivo de Microsoft Excel. Puede
conectarse a servicios en línea que contienen todo tipo de datos, como Salesforce,
Microsoft Dynamics, Azure Blob Storage y muchos más.

Para conectarse a datos, seleccione Obtener datos en la cinta Inicio.

Aparecerá la ventana Obtener datos. Puede elegir entre muchos orígenes de datos
diferentes a los que poder conectar Power BI Desktop. En este inicio rápido, use el libro
de Excel que descargó en Requisitos previos.
Como este origen de datos es un archivo de Excel, seleccione Excel en la ventana
Obtener datos y luego elija el botón Conectar.

Power BI le pedirá que proporcione la ubicación del archivo de Excel al que se quiere
conectar. El archivo descargado se denomina Ejemplo financiero. Seleccione el archivo y
luego elija Abrir.
Power BI Desktop carga el libro, lee su contenido y muestra los datos disponibles en el
archivo en la ventana Navegador. En esa ventana, puede elegir qué datos quiere cargar
en Power BI Desktop. Seleccione las tablas marcando las casillas situadas junto a cada
tabla que quiere importar. Importe ambas tablas disponibles.


Una vez realizadas las selecciones, haga clic en Cargar para importar los datos en Power
BI Desktop.

Visualización de los datos en el panel Campos

Una vez cargadas las tablas, se muestran los datos en el panel Campos. Seleccione la
flecha que está junto al nombre de cada tabla para expandirlas. En la siguiente imagen,
se expande la tabla financials, que muestra cada uno de sus campos.

Y listo. Se ha conectado a los datos de Power BI Desktop, ha cargado esos datos y ahora
puede ver todos los campos disponibles en las tablas.

Pasos siguientes
Puede hacer muchísimas cosas con Power BI Desktop tras conectarse a los datos. Puede
crear objetos visuales e informes. Eche un vistazo a los siguientes recursos para ayudarlo
a empezar:

Introducción a Power BI Desktop

Tutorial: Dar forma a los datos y
combinarlos en Power BI Desktop
Artículo • 01/10/2024

Con Power BI Desktop, puede conectarse a muchos tipos de orígenes de datos distintos
y dar forma a la información para que se ajuste a sus necesidades. De este modo, podrá
crear informes visuales y compartirlos con otras personas. Dar forma a los datos significa
transformar los datos: cambiar el nombre de las columnas o las tablas, convertir texto en
números, quitar filas, configurar la primera fila como encabezado, etc. Combinar datos
significa conectarse a dos o más orígenes de datos, darles la forma necesaria y
consolidarlos después en una consulta individual.

En este tutorial, aprenderá a:

Dar forma a los datos con el Editor de Power Query.

Conectarse a diferentes orígenes de datos.
Combinar esos orígenes de datos y crear un modelo de datos para usarlo en los
informes.

El Editor de Power Query en Power BI Desktop usa los menús contextuales y la cinta de
opciones Transformar. La mayor parte de los elementos que se pueden seleccionar en la
cinta también están disponibles en el menú contextual que aparece al hacer clic con el
botón derecho en un elemento (por ejemplo, en una columna).

Dar forma a los datos

Para dar forma a los datos en el Editor de Power Query, tiene que proporcionar
instrucciones paso a paso para que esta característica ajuste los datos a medida que se
cargan y se presentan. El origen de datos del que procede la información no se verá
afectado. Los únicos datos a los que se va a dar forma o que se van a ajustar son los de
esta vista concreta.

El Editor de Power Query registra los pasos especificados (por ejemplo, cambiar el
nombre de una tabla, transformar un tipo de datos o eliminar una columna). Cada vez
que esta consulta se conecte al origen de datos, el Editor de Power Query llevará a cabo
esos pasos para que los datos siempre tengan la forma indicada. Este proceso tendrá
lugar siempre que utilice el Editor de Power Query o que otra persona utilice su consulta
compartida; por ejemplo, en el servicio Power BI. Estos pasos se capturan, de manera
secuencial, en el panel Configuración de consulta, en PASOS APLICADOS. Explicaremos
cada uno de estos pasos en este artículo.
1. Importe los datos desde un origen web. Seleccione la lista desplegable Obtener
datos y, a continuación, elija Web.
2. Pegue esta dirección URL en el cuadro de diálogo De web y seleccione Aceptar.

[Link]
3. En el cuadro de diálogo Navegador, seleccione la casilla de la entrada que
comienza por Individual factor scores y, a continuación, elija Transformar datos.

 Sugerencia

Algunas informaciones de las tablas de la dirección URL anterior pueden

cambiar o actualizarse ocasionalmente. Como resultado, es posible que tenga
que ajustar las selecciones o los pasos de este artículo en consecuencia.

4. Se abre la ventana Editor de Power Query. Puede ver los pasos predeterminados
aplicados hasta ahora, en el panel Configuración de consulta en PASOS
APLICADOS.

Origen: conexión con el sitio web.

Tabla extraída de HTML: selección de la tabla.
Encabezados promovidos: cambiar la fila superior de datos en los
encabezados de columna.
Tipo cambiado: cambiar los tipos de columna, que se importan como texto, a
sus tipos inferidos.
 

5. Cambie el nombre de la tabla del valor predeterminado Individual factor

scores... a Retirement Data y, después, presione Entrar.

6. Los datos existentes se ordenan por una puntuación ponderada, como se describe
en la página web de origen en Metodología. A continuación, ordenaremos la
tabla de esta columna para comparar la clasificación de la puntuación
personalizada con la clasificación existente.

7. En la cinta de opciones Agregar columna, seleccione Columna personalizada.

 8. En el cuadro de diálogo Columna personalizada, en el campo Nuevo nombre de
columna, escriba Nueva puntuación. En Fórmula de columna personalizada,
especifique lo siguiente:

( [Quality of life] + [Cost of housing] + [Public health] + [Crime] +

[Taxes] + [Weather] + [#"Non-housing cost of living"] ) / 7

9. Compruebe que el mensaje de estado es No se han detectado errores de sintaxis y

seleccione Aceptar.

10. En Configuración de consulta, la lista PASOS APLICADOS ahora muestra el nuevo

paso Personalizada agregada que acabamos de definir.
Ajuste de los datos
Antes de poder trabajar con esta consulta, hagamos algunos cambios para ajustar los
datos:

Ajustar las clasificaciones quitando una columna.

Por ejemplo, supongamos que Weather no es un factor en nuestros resultados.

Quitar esta columna de la consulta no afecta a los demás datos.

Corrija cualquier error.

Al quitar una columna, es necesario ajustar los cálculos de la columna Nueva

puntuación mediante el cambio de su fórmula.

Ordenar los datos.

Ordene los datos en función de la columna Nueva puntuación y compare con la

columna Clasificación existente.

Reemplazar los datos.

Es importante resaltar cómo se van a reemplazar valores específicos y cómo

insertar un paso aplicado.

Estos cambios se describen en los pasos siguientes.

1. Para quitar la columna Weather, selecciónela, elija la pestaña Inicio de la cinta de

opciones y haga clic en Quitar columnas.
 ７ Nota

Observe que los valores de Nueva puntuación no han cambiado, lo que se

debe al orden de los pasos. Editor de Power Query registra los pasos
secuencialmente, pero de forma independiente, entre sí. Para aplicar acciones
en una secuencia diferente, puede mover cada paso aplicado hacia arriba o
hacia abajo.

2. Haga clic con el botón derecho en un paso para ver su menú contextual.
3. Seleccione Mover antes en el menú contextual para subir al último paso,
Columnas quitadas, y colóquelo justo encima del paso Personalizada agregada.
También puede usar el ratón para mover un paso a la posición deseada.
4. Seleccione el paso Personalizada agregada.

Observe que la columna Nueva puntuación ahora muestra Error en lugar del valor
calculado.

Hay varias maneras de obtener más información sobre cada error. Si selecciona la
celda sin hacer clic en la palabra Error, el Editor de Power Query mostrará la
información del error.
 Si selecciona la palabra Error directamente, el Editor de Power Query crea un Paso
aplicado en el panel Configuración de la consulta y muestra información sobre el
error. Como no necesitamos mostrar información sobre los errores en ningún otro
lugar, seleccione Cancelar.

5. Para corregir los errores, es necesario realizar dos cambios: quitar el nombre de la
columna Weather y cambiar el divisor de 7 a 6. Puede realizar estos cambios de
dos maneras:

a. Haga clic con el botón derecho en el paso Agregar personalizado y seleccione

Editar configuración o haga clic en el icono de engranaje situado junto al
nombre del paso para abrir el cuadro de diálogo Columna personalizada que
usó para crear la columna Nueva puntuación. Edite la fórmula como se ha
descrito anteriormente, hasta que tenga este aspecto:
b. Seleccione la columna Nueva puntuación, luego muestre la fórmula de datos
de la columna seleccionando la casilla Barra de fórmulas de la pestaña Ver.

Edite la fórmula como se ha descrito anteriormente, hasta que tenga este

aspecto y luego presione Entrar.

= [Link](#"Removed Columns", "New score", each ( [Quality

of life] + [Cost of housing] + [Public health] + [Crime] + [Taxes] +
[#"Non-housing cost of living"] ) / 6)

El Editor de Power Query reemplaza los datos por los valores revisados y el paso
Personalizada agregada se completa sin errores.

７ Nota

También puede seleccionar Quitar errores en la cinta o el menú contextual, lo

que quitará todas las filas que contienen errores. Sin embargo, en este tutorial
queremos conservar todos los datos de la tabla.
6. Ordene los datos con arreglo a la columna Nueva puntuación. En primer lugar,
seleccione el último paso aplicado, Personalizada agregada para mostrar los datos
más recientes. Después, seleccione la lista desplegable situada junto al encabezado
de columna Nueva puntuación y elija Orden descendente.

Ahora, los datos están ordenados con arreglo a la columna Nueva puntuación.
Puede seleccionar un paso aplicado en cualquier parte de la lista y seguir dando
forma a los datos en ese momento en la secuencia. El Editor de Power Query
insertará de forma automática un paso nuevo inmediatamente después del paso
aplicado seleccionado actualmente.

7. En PASOS APLICADOS, seleccione el paso anterior a la columna personalizada, que

es el paso Columnas quitadas. Aquí reemplazaremos el valor de la clasificación
Housing cost de Oregón. Haga clic con el botón derecho en la celda que contiene
el valor Housing cost de Oregón y seleccione Reemplazar valores. Observe cuál es
el paso aplicado que está seleccionado actualmente.
 8. Seleccione Insertar.

Como vamos a insertar un paso, el Editor de Power Query nos recuerda que los
pasos posteriores podrían hacer que la consulta se interrumpiera.

9. Cambie el valor de los datos a 100,0.

El Editor de Power Query reemplaza los datos de Oregón. Cuando se crea un paso
aplicado nuevo, el Editor de Power Query le asigna un nombre en función de la
acción; en este caso, Valor reemplazado. Si tiene varios pasos con el mismo
nombre en la consulta, el Editor de Power Query agrega un número creciente al
nombre de cada paso aplicado posterior.

10. Seleccione el último Paso aplicado y Filas ordenadas.

Observe que los datos han cambiado con respecto a la nueva clasificación de
Oregón. Este cambio se produce porque hemos insertado el paso Valor
reemplazado en la ubicación correcta, antes del paso Personalizada agregada.

Ahora, hemos dado a los datos la forma que necesitábamos. A continuación,

vamos a conectarnos a otro origen de datos y combinar datos.
Combinar datos
Los datos sobre los diferentes estados son interesantes y serán útiles para crear otras
consultas y análisis. Sin embargo, la mayoría de los datos sobre los estados usan una
abreviatura de dos letras para los códigos de estado, no el nombre completo del estado.
Debemos encontrar un modo de asociar las abreviaturas con los nombres de los
estados.

Hay otro origen de datos públicos que proporciona esa asociación, pero necesita unos
buenos ajustes para que podamos conectarlo a nuestra tabla sobre la jubilación. Para
dar forma a los datos, siga estos pasos:

1. En la cinta de opciones Inicio de Editor de Power Query, seleccione Nuevo origen

> Web.

2. Escriba la dirección del sitio web que contiene las abreviaturas de los estados,
[Link] ,y
seleccione Aceptar.

En Navegador, se muestra el contenido del sitio web.

3. Seleccione Códigos y abreviaturas para estados estadounidenses, distrito federal,

territorios y otras regiones.
  Sugerencia

Llevará algo de tiempo dar forma a los datos de la tabla para reducirlos y que
se adapten a lo que queremos. ¿Hay una forma más rápida o fácil de realizar
los siguientes pasos? Sí, podríamos crear una relación entre las dos tablas y
dar forma a los datos según esa relación. Los pasos de ejemplo siguientes son
útiles para aprender a trabajar con tablas. Sin embargo, las relaciones pueden
ayudarle a usar rápidamente datos de varias tablas.

Para ajusta los datos, siga estos pasos:

1. Quite la fila superior. Esta fila es el resultado del modo en que se creó la tabla de la
página web, así que no la necesitamos. Desde la cinta de opciones Inicio,
seleccione Quitar filas > Quitar filas superiores.

Aparece el cuadro de diálogo Quitar filas superiores. Especifique 1 fila para quitar.

2. Como la tabla Datos de jubilación no tiene información sobre Washington D. C. ni

territorios, debemos filtrarlos en nuestra lista. Seleccione la lista desplegable de la
columna Estado de región y desactive todas las casillas excepto Estado y Estado
(oficialmente Commonwealth).
3. Quite todas las columnas innecesarias. Dado que solo necesitamos la asignación
de cada estado a su abreviatura oficial de dos letras (columnas Nombre y ANSI),
podemos quitar las demás columnas. En primer lugar, seleccione la columna
Nombre y mantenga presionada la tecla CTRL para seleccionar la columna ANSI.
En la pestaña Inicio de la cinta de opciones, seleccione Quitar columnas > Quitar
otras columnas.

７ Nota
 La secuencia de los pasos aplicados en el Editor de Power Query es
importante y afecta a la forma en que se ajustan los datos. También es
importante tener en cuenta cómo un paso puede afectar a otro paso
posterior. Por ejemplo, si quita un paso de los pasos aplicados, es posible que
los pasos posteriores no se comporten según lo previsto originalmente.

７ Nota

Al cambiar el tamaño de la ventana del Editor de Power Query para reducir el

ancho, algunos elementos de la cinta de opciones se comprimen para
optimizar el uso del espacio visible. Al aumentar el ancho de la ventana de
Editor de Power Query, se expanden los elementos de la cinta de opciones
para hacer el mayor uso posible del área aumentada de esta.

4. Cambie el nombre de las columnas y la tabla. Hay un par de formas de cambiar el

nombre de una columna. En primer lugar, seleccione la columna y, después, puede
seleccionar Cambiar nombre en la pestaña Transformar de la cinta de opciones o
bien hacer clic con el botón derecho y seleccionar Cambiar nombre. En la
siguiente imagen se muestran ambas opciones, pero solo necesitará elegir una.
5. Vamos a llamarlas Nombre de estado y Código de estado. Para cambiar el nombre
de la tabla, escriba Códigos de estado en el campo Nombre en el panel
Configuración de consulta.
Combinación de consultas
Ahora que hemos dado a la tabla Códigos de estado la forma que queríamos, vamos a
combinar estas dos tablas (o consultas) en una sola. Como las tablas que tenemos ahora
son el resultado de las consultas que aplicamos a los datos, a menudo también se les
llama consultas.

Hay dos formas principales de combinar las consultas: combinar y anexar.

Si desea agregar una o más columnas a otra consulta, combine las consultas.
Si desea agregar una o más filas de datos que desea agregar a una consulta
existente, asocie la consulta.

En este caso, lo que vamos a hacer es combinar las consultas:

1. En el panel izquierdo de Editor de Power Query, seleccione la consulta en la que

quiere combinar la otra consulta. En este caso, será Datos de jubilación.

2. Seleccione Combinar consultas > Combinar consultas en la pestaña Inicio de la

cinta de opciones.
 Es posible que tenga que establecer los niveles de privacidad para garantizar que
los datos se combinan sin que se incluyan o transfieran datos no deseados.

Aparece la ventana Combinar. Le pedirá que seleccione la tabla que desea

combinar con la tabla seleccionada y las columnas correspondientes que se van a
utilizar para realizar la combinación.

3. Seleccione Estado en la tabla Datos de jubilación y, después, seleccione la consulta

Códigos de estado.

Cuando haya seleccionado las columnas correspondientes, se habilitará el botón

Aceptar.

4. Seleccione Aceptar.
 El Editor de Power Query crea una columna al final de la consulta con el contenido
de la tabla (consulta) que se ha combinado con la consulta actual. Todas las
columnas de la consulta combinada se comprimen en la columna, pero puede
expandir la tabla e incluir las columnas que quiera.

5. Para expandir la tabla combinada y seleccionar las columnas que desea incluir,
haga clic en el icono de Expandir ( ).

Aparecerá la ventana Expandir.

6. En este caso, solo vamos a utilizar la columna Código de estado. Seleccione esa
columna, desactive Usar el nombre de columna original como prefijo y seleccione
Aceptar.

Si dejáramos activada la casilla Usar el nombre de columna original como prefijo,

la columna combinada se llamaría Códigos de estado.Códigos de estado.

７ Nota

Si desea explorar cómo incorporar la tabla Códigos de estado, puede

experimentar un poco. Si no le gustan los resultados, elimine ese paso de la
lista PASOS APLICADOS del panel Configuración de consulta y la consulta
regresará al estado anterior a la aplicación del paso Expandir. Puede realizar
esta operación tantas veces como quiera hasta que el proceso de expansión
tenga la apariencia deseada.

Ahora tiene una única consulta (tabla) con dos orígenes de datos combinados, a
los que se les dio forma para que se adecuaran a sus necesidades. Esta consulta
puede ser una base para conexiones de datos interesantes, como estadísticas de
costos de vivienda, calidad de vida o tasa de criminalidad en cualquier estado.
 7. Para aplicar los cambios y cerrar Editor de Power Query, seleccione Cerrar y aplicar
en la pestaña Inicio de la cinta de opciones.

El modelo semántico transformado aparece en Power BI Desktop, listo para usarse

para crear informes.

Contenido relacionado
Para más información sobre Power BI Desktop y 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
Realización de tareas de consultas comunes en Power BI Desktop

Comentarios
¿Le ha resultado útil esta página?  Sí  No

Proporcionar comentarios sobre el producto | Preguntar a la comunidad

Tutorial: Análisis de datos de páginas
web con Power BI Desktop
Artículo • 15/08/2024

Como antiguo fanático del fútbol, desea crear un informe de los ganadores de
Campeonato Europeo de la UEFA (Eurocopa) a lo largo de los años. Con Power BI
Desktop, puede importar estos datos desde una página web en un informe y crear
visualizaciones que muestren los datos. En este tutorial, aprenderá a usar Power BI
Desktop para:

Conectarse a un origen de datos web y navegar por las tablas disponibles.

Dar forma a los datos y transformarlos en el Editor de Power Query.
Asignar un nombre a una consulta e importarla en un informe de Power BI
Desktop.
Crear y personalizar un mapa y una visualización de gráfico circular

Conexión a un origen de datos de web

Puede obtener los datos de los ganadores de la UEFA de la tabla Historial de la página
de Wikipedia sobre el Campeonato Europeo de fútbol de la UEFA (Eurocopa), en
[Link] .

Las conexiones web solo se establecen con la autenticación básica. Los sitios web que
requieren autenticación podrían no funcionar correctamente con el conector web.
Para importar los datos:

1. En la pestaña de la cinta de opciones Inicio de Power BI Desktop, despliegue la

flecha que está junto a Obtener datos y luego seleccione Web.

７ Nota

También puede seleccionar el elemento Obtener datos en sí, o bien

seleccionar Obtener datos de otros orígenes desde la página principal de
Power BI Desktop y, a continuación, seleccionar Web en la sección Todos u
Otros del cuadro de diálogo Obtener datos y, a continuación, seleccione
Conectar.

2. En el cuadro de diálogo Desde la Web, pegue la dirección URL

[Link] en el cuadro

de texto URL y luego seleccione Aceptar.

Después de conectarse a la página web de Wikipedia, el cuadro de diálogo
Navegador muestra una lista de las tablas disponibles en la página. Puede
seleccionar cualquiera de los nombres de tabla para obtener una vista previa de
sus datos. La Tabla 3 tiene los datos que desea, aunque no está exactamente en la
forma que desee. Podrá cambiar la forma de los datos y limpiarlos antes de
cargarlos en el informe.

７ Nota

En el panel Vista previa se muestra la tabla seleccionada más recientemente,

pero todas las tablas seleccionadas se cargan en el Editor de Power Query si
selecciona Transformar datos o Cargar.
 3. Seleccione Tabla 3 en la lista Navegador y, a continuación, seleccione Transformar
datos.

Se abre una vista previa de la tabla en el Editor de Power Query, donde puede
aplicar transformaciones para limpiar los datos.

Dar forma a los datos en el Editor de Power

Query
Desea facilitar el análisis de los datos mostrando solo los años y los países o regiones
ganadores. Puede usar el Editor de Power Query para realizar estos pasos necesarios
para dar forma a los datos y limpiarlos.

En primer lugar, quite todas las columnas excepto dos de la tabla. Cambie el nombre de
una de estas columnas como CountryRegion más adelante en el proceso.

1. En la cuadrícula Editor de Power Query, seleccione las columnas. Presione Ctrl

para seleccionar varios elementos.

2. Haga clic con el botón derecho y seleccione Quitar otras columnas o seleccione
Quitar columnas>Quitar otras columnas en el grupo Administrar columnas de la
pestaña de la cinta de opciones Inicio para eliminar todas las demás columnas de
la tabla.
 o

La segunda fila de los datos importados contiene valores que no son necesarios. Puede
filtrar la columna Final para excluir la palabra "Ganadores".

1. Seleccione la flecha desplegable del filtro en la columna.

2. En el menú desplegable, desplácese hacia abajo y desactive la casilla junto a la

opción Ganadores y, luego, seleccione Aceptar.
 La celda con la palabra "Winners" se filtra junto con la situada junto a ella, el valor
null de la misma fila para la otra columna.

3. Haga lo mismo para 2028 y 2032, ya que estos juegos aún no se han jugado y los
resultados son desconocidos.

Como solo va a examinar la lista de campeones, puede cambiar el nombre de esta

columna a CountryRegion. Para cambiar el nombre de la columna:

1. Haga doble clic en el encabezado de la segunda columna y manténgalo

presionado.

Haga clic con el botón derecho en el encabezado de columna y seleccione

Cambiar nombre, o
Otra opción es seleccionar la columna y seleccionar Cambiar el nombre en el
grupo Cualquier columna de la pestaña Transformar de la cinta de opciones.
 o

2. Escriba CountryRegion en el encabezado y presione Entrar para cambiar el

nombre de la columna.

También puede filtrar las filas que tengan valores null en la columna CountryRegion.
Podría usar el menú de filtro como en el caso del valor Ganador, o bien puede hacer lo
siguiente:

1. Haga clic con el botón derecho en la fila que tiene el valor NULL en ella. Puesto
que ambas columnas tienen null en la misma fila, puede hacer clic con el botón
derecho en la celda de cualquiera de las columnas.

2. Seleccione Filtros de texto>No es igual a en el menú contextual para quitar todas

las filas que contienen ese valor de celda.
Los datos importados tienen el marcador de nota de superíndice [c] anexados al año
2020. Puede quitar el marcador de nota [c], o puede cambiar el valor a 2021, que es
cuando tuvo lugar la coincidencia, según la nota.

1. Seleccione la primera columna.

2. Haga clic con el botón derecho y seleccione Reemplazar valores o seleccione

Reemplazar valores del grupo Transformar en la pestaña Inicio de la cinta de
opciones. Esta opción también se encuentra en el grupo Cualquier columna de la
pestaña Transformar.

o
 3. En el cuadro de diálogo Reemplazar valores, escriba 2020[c] en el cuadro de texto
Valor para buscar, escriba 2021 en el cuadro de texto Reemplazar por y, a
continuación, seleccione Aceptar para reemplazar el valor de la columna.

Importar de la consulta en la vista Informe

Ahora que ya ha dado forma a los datos de la manera deseada, puede asignar el
nombre "Euro Cup Winners" a su consulta e importarla en el informe.

1. En el panel Consultas, en el cuadro de texto Nombre, escriba Ganadores de la

Eurocopa.
 2. Seleccione Cerrar y aplicar>Cerrar y aplicar en la pestaña Inicio de la cinta de
opciones.

La consulta se carga en la Vista de informe de Power BI Desktop, donde puede verla en

el panel Datos.
  Sugerencia

Puede volver siempre al Editor de Power Query para editar y refinar la consulta;
para ello, haga lo siguiente:

Seleccione los puntos suspensivos Más opciones ( ... ) junto a Euro Cup
Winners en el panel Campos y seleccione Editar consulta, o bien
Seleccione Transformar datos en el grupo Consultas de la pestaña de la cinta
Inicio en la vista Informe.

Creación de una visualización

Para crear una visualización basada en los datos:

1. Seleccione el campo CountryRegion en el panel Datos o arrástrelo al lienzo del

informe. Power BI Desktop reconoce los datos como nombres de países o regiones
y crea automáticamente una visualización Mapa.

2. Amplíe el mapa arrastrando los controladores de las esquinas para que todos los
nombres de los países o regiones ganadores estén visibles.
3. En el mapa se muestran puntos de datos idénticos para cada país o región
ganador del campeonato de la Eurocopa. Para que el tamaño de cada punto de
datos refleje cuántas veces ha ganado el país o región, arrastre el campo Año a
Añadir campos de datos aquí en Tamaño de burbuja en la parte inferior del panel
Visualizaciones. El campo cambia automáticamente a una medida de Número de
años y en la visualización del mapa se muestran ahora los puntos de datos más
altos para los países o regiones que ganaron más campeonatos.


Personalización de la visualización
Como puede ver, es muy fácil crear visualizaciones basadas en los datos. También es
fácil personalizar las visualizaciones para presentar mejor los datos de las formas que
desee.

Dar formato al mapa

Puede cambiar la apariencia de una visualización; para ello, selecciónela y luego
seleccione el icono Formato (pincel de pintura) en el panel Visualizaciones. Por ejemplo,
los puntos de datos de "Alemania" podrían ser erróneos en su visualización, ya que
Alemania Occidental ganó dos campeonatos y Alemania, uno. El mapa superpone los
dos puntos en lugar de separarlos o agregarlos juntos. Puede dar color diferentes a
estos dos puntos para resaltar este hecho. También puede dar al mapa un título más
descriptivo y atractivo.

1. Con la visualización seleccionada, seleccione el icono Formato y luego seleccione

Objeto visual>Burbujas>Colores para expandir las opciones de color de los datos.

2. Cambie el estado de Mostrar todo a Activado y luego seleccione el menú

desplegable junto a Alemania Occidental y elija el color amarillo.
3. Seleccione General>Título para expandir las opciones de título y, en el campo
Texto, escriba Ganadores de la Eurocopa en lugar del título actual.

4. Cambie Color del texto a rojo, el tamaño a 12 y Fuente a Segoe UI (Bold).

La visualización del mapa ahora tiene el siguiente del siguiente ejemplo:
 

Cambiar el tipo de visualización

Puede cambiar el tipo de una visualización si la selecciona y, a continuación, selecciona
un icono diferente en la parte superior del panel Visualizaciones. Por ejemplo, en la
visualización del mapa faltan los datos de la Unión Soviética porque ese país o región ya
no existe en el mapa del mundo. Otro tipo de visualización, como un gráfico de
rectángulos o un gráfico circular, podría ser más precisa, porque muestra todos los
valores.

Para cambiar el mapa a un gráfico circular, selecciónelo y luego elija el icono de Gráfico
circular en el panel Visualizaciones.

 Sugerencia
 Puede usar las opciones de formato de Colores de datos para resaltar
"Alemania" y "Alemania Occidental" en el mismo color.
Para agrupar los países o regiones con más victorias en el gráfico circular,
seleccione los puntos suspensivos (...) en la esquina superior derecha de la
visualización y, a continuación, seleccione Eje de ordenación y Recuento de
año.

Power BI Desktop ofrece una experiencia perfectamente integrada que va desde la

obtención de datos procedentes de una amplia gama de orígenes hasta su
manipulación para adaptarlos a cualquier necesidad de análisis y su visualización de
forma enriquecida e interactiva. Cuando el informe esté listo, podrá cargarlo en Power BI
y crear paneles basados en él, paneles que podrá compartir con otros usuarios de Power
BI.

Contenido relacionado
Vídeos de Power BI
Visite el foro de Power BI
Lea el blog de Power BI

Comentarios
¿Le ha resultado útil esta página?  Sí  No

Proporcionar comentarios sobre el producto | Preguntar a la comunidad

Tutorial: Análisis de datos de ventas de
Excel y una fuente de OData
Artículo • 10/11/2023

Es habitual tener datos de varios orígenes de datos. Por ejemplo, podría tener dos bases
de datos, una para la información de productos y otra para la información de ventas.
Con Power BI Desktop, puede combinar datos de orígenes diferentes para crear
interesantes y atractivos análisis de datos y visualizaciones.

En este tutorial, combinará datos de dos orígenes de datos:

Un libro de Excel con información de productos.

Una fuente de OData que contiene datos de pedidos.

Va a importar cada modelo semántico y a realizar operaciones de transformación y

agregación. Después, puede usar los datos de los dos orígenes para generar un informe
de análisis de ventas con visualizaciones interactivas. Más adelante, aplique estas
técnicas a consultas de SQL Server, archivos CSV y cualquier otro origen de datos en
Power BI Desktop.

７ Nota

En Power BI Desktop, a menudo hay varias maneras de realizar una tarea. Por
ejemplo, puede hacer clic con el botón derecho o usar un menú Más opciones en
una columna o celda para ver más opciones de la cinta. En los pasos siguientes, se
describen varios métodos alternativos.

Importación de datos de productos de Excel

En primer lugar, importe los datos de producto desde el libro de Excel [Link] en
Power BI Desktop.

1. Descargue el libro de Excel [Link] y guárdelo como [Link].

2. Seleccione la flecha situada junto a Obtener datos en la pestaña Inicio de la cinta

de Power BI Desktop y, luego, seleccione Excel en el menú Orígenes de datos
comunes.
 ７ Nota

También puede seleccionar el propio elemento Obtener datos, o bien

seleccionar Obtener datos en el cuadro de diálogo Introducción de Power BI.
Luego, seleccione Excel o Archivo>Excel en el cuadro de diálogo Obtener
datos y, finalmente, Conectar.

3. En el cuadro de diálogo Abrir, vaya al archivo [Link] y selecciónelo y luego

seleccione Abrir.

4. En el Navegador, seleccione la tabla Productos y, después, Transformar datos.

 Se abre una vista previa de la tabla en el Editor de Power Query, donde puede
aplicar transformaciones para limpiar los datos.

７ Nota

También puede abrir el Editor de Power Query si selecciona Transformar datos en

la cinta Inicio de Power BI Desktop, o bien si hace clic con el botón derecho o
selecciona Más opciones junto a cualquier consulta de la vista Informe y selecciona
Transformar datos.

Limpieza de las columnas

El informe combinado usa las columnas ProductID, ProductName, QuantityPerUnit y
UnitsInStock. Puede quitar las demás columnas.
 1. En el Editor de Power Query, seleccione las columnas ProductID, ProductName,
QuantityPerUnit y UnitsInStock. Puede usar la tecla Ctrl para seleccionar más de
una columna, o bien Mayúsculas para seleccionar columnas adyacentes.

2. Haga clic con el botón derecho en cualquiera de los encabezados seleccionados.

Seleccione Quitar otras columnas en el menú desplegable. También puede
seleccionar Quitar columnas>Quitar otras columnas desde el grupo Administrar
columnas de la pestaña Inicio de la cinta de opciones.

Importar los datos de pedidos de la fuente

OData
A continuación, importe los datos de pedidos de la fuente de OData del sistema de
ventas de Northwind de ejemplo.

1. En el Editor de Power Query, seleccione Nuevo origen y, luego, Fuente de OData

en el menú Más comunes.
2. En el cuadro de diálogo Fuente de OData, escriba la dirección URL de la fuente de
OData de Northwind, [Link] .
Seleccione Aceptar.

3. En Navegador, seleccione la tabla Orders y luego seleccione Aceptar para cargar

los datos en el Editor de Power Query.
 ７ Nota

En Navegador, puede seleccionar cualquier nombre de tabla, sin marcar la

casilla, para obtener una vista previa.

Expansión de los datos del pedido

Cuando se conecta a orígenes de datos que tienen varias tablas, como bases de datos
relacionales o la fuente de OData de Northwind, puede utilizar referencias entre tablas
para crear las consultas. La tabla Orders contiene referencias a varias tablas
relacionadas. Puede agregar las columnas ProductID, UnitPrice y Quantity de la tabla
relacionada Order_Details en la tabla principal (Orders) mediante la operación Expandir.

1. Desplácese hacia la derecha en la tabla Orders hasta que pueda ver la columna
Order_Details. Contiene referencias a otra tabla, no datos.
 2. Seleccione el icono Expandir ( ) en el encabezado de columna Order_Details.

3. En el menú desplegable:

a. Seleccione (Seleccionar todas las columnas) para borrar todas las columnas.

b. Seleccione ProductID, UnitPrice y Quantity, y luego seleccione Aceptar.

Después de expandir la tabla Order_Details, tres nuevas columnas de tabla anidada

reemplazan a la columna Order_Details. Hay nuevas filas en la tabla para los datos
agregados de cada pedido.
Creación de una columna calculada
personalizada
El Editor de Power Query le permite crear cálculos y campos personalizados para
enriquecer los datos. Puede crear una columna personalizada que multiplica el precio
unitario por la cantidad de artículos para calcular el precio total de cada artículo de línea
en un pedido.

1. En la pestaña Agregar columna de la cinta de opciones del Editor de Power Query,

seleccione Columna personalizada.

2. En el cuadro de diálogo Columna personalizada, escriba LineTotal en el campo

Nuevo nombre de columna.

3. En el campo Fórmula de columna personalizada, después de =, escriba

[Order_Details.UnitPrice] * [Order_Details.Quantity]. También puede seleccionar
 los nombres de campo en el cuadro de desplazamiento Columnas disponibles y
seleccionar << Insertar, en lugar de escribirlos.

4. Seleccione Aceptar.

El nuevo campo LineTotal aparece como la última columna de la tabla Orders.

Definición del tipo de datos del nuevo campo

Cuando el Editor de Power Query se conecta a los datos, intenta determinar el tipo de
datos de cada campo con fines de presentación. Un icono de encabezado indica el tipo
de datos asignado a cada campo. También puede consultar en Tipo de datos, en el
grupo Transformar de la pestaña Inicio de la cinta de opciones.

La nueva columna LineTotal tiene un tipo de datos Any, pero contiene valores de
moneda. Para asignar un tipo de datos, haga clic con el botón derecho en el
encabezado de columna LineTotal, seleccione Cambiar tipo en el menú desplegable y,
luego, Número decimal fijo.
 ７ Nota

También puede seleccionar la columna LineTotal, la flecha junto a Tipo de datos en

la sección Transformar de la pestaña Inicio de la cinta de opciones, y Número
decimal fijo.

Limpieza de las columnas de pedidos

Para que sea más fácil que el modelo funcione con los informes, puede eliminar algunas
columnas, cambiarles el nombre y reordenarlas.

El informe va a usar las columnas siguientes:

OrderDate
ShipCity
ShipCountry
Order_Details.ProductID
Order_Details.UnitPrice
Order_Details.Quantity
LineTotal

Seleccione estas columnas y use Quitar otras columnas como hizo con los datos de
Excel. O bien, puede seleccionar las columnas que no están en la lista, hacer clic con el
botón derecho en una de ellos y seleccionar Quitar columnas.

Puede cambiar el nombre de las columnas con el prefijo "Order_Details." para facilitar
su lectura:
 1. Haga doble clic en el encabezado de columna o manténgalo presionado, o bien
haga clic con el botón derecho en el encabezado de columna y seleccione
Cambiar nombre en el menú desplegable.

2. Elimine el prefijo Order_Details. de cada nombre.

Por último, para facilitar el acceso a la columna LineTotal, arrástrela y colóquela en la

izquierda, justo a la derecha de la columna ShipCountry.

Revisión de los pasos de la consulta

Las acciones del Editor de Power Query para dar forma a los datos y transformarlos se
registran. Cada acción aparece a la derecha en el panel Configuración de la consulta, en
PASOS APLICADOS. Puede retroceder por los PASOS APLICADOS para revisar los pasos
y editarlos, eliminarlos o reorganizarlos si es necesario. Sin embargo, es arriesgado
cambiar los pasos anteriores porque pueden afectar a los pasos posteriores.

Seleccione cada una de las consultas en la lista Consultas en el lado izquierdo del Editor
de Power Query y revise los PASOS APLICADOS en Configuración de la consulta.
Después de aplicar las transformaciones de datos anteriores, los PASOS APLICADOS
para las dos consultas deben ser similares a los siguientes:

Consulta Productos
Consulta Pedidos

 Sugerencia

Subyacentes a los pasos aplicados hay fórmulas escritas en el lenguaje Power

Query, que también se conoce como lenguaje M. Para ver y editar las fórmulas,
seleccione Editor avanzado en el grupo de consultas de la pestaña Inicio de la
cinta de opciones.
Importación de las consultas transformadas
Cuando obtenga los datos transformados de acuerdo con sus necesidades y esté a
punto para importarlos en la vista Informes de Power BI Desktop, seleccione Cerrar y
aplicar>Cerrar y aplicar en el grupo Cerrar de la pestaña Inicio de la cinta de opciones.

Una vez cargados los datos, las consultas aparecen en la lista Campos de la vista
Informes de Power BI Desktop.

Administrar la relación entre los modelos

semánticos
Power BI Desktop no requiere combinar consultas para crear informes sobre ellas. Sin
embargo, puede usar las relaciones entre los modelos semánticos, en función de los
campos que tengan en común, para ampliar y enriquecer los informes. Power BI
Desktop puede detectar automáticamente las relaciones, o bien puede crearlas en el
cuadro de diálogo Administrar relaciones de Power BI Desktop. Para más información,
consulte Crear y administrar relaciones en Power BI Desktop.

El campo ProductID compartido crea una relación entre los modelos semánticos de
Orders y Products de este tutorial.

1. En la vista Informe de Power BI Desktop, seleccione Administrar relaciones en el

área Relaciones de la pestaña de la cinta Modelado.

2. En el cuadro de diálogo Administrar relaciones, observe que Power BI Desktop ya

ha detectado y enumerado una relación activa entre las tablas Products y Orders.
Para ver la relación, seleccione Editar.

Se abre Editar relación, donde se muestran los detalles de la relación.

 3. Power BI Desktop detectó la relación automática y correctamente, por lo que
puede seleccionar Cancelar y, luego, Cerrar.

En Power BI Desktop, en el lado izquierdo, seleccione Modelo para ver y administrar las
relaciones de la consulta. Haga doble clic en la flecha situada en la línea que conecta las
dos consultas para abrir el cuadro de diálogo Editar relación y ver o cambiar la relación.
Para volver a la vista Informes desde la vista Modelo, seleccione el icono Informe.

Creación de visualizaciones con los datos

Puede crear diferentes visualizaciones en la vista de revisión de Power BI Desktop para
obtener información sobre los datos. Puede generar informes con varias páginas y cada
página puede tener varios objetos visuales. Tanto usted como otros usuarios pueden
interactuar con las visualizaciones para ayudar a analizar y comprender los datos. Para
más información, consulte Interacción con un informe en la vista de edición en el
servicio Power BI
Puede usar los dos conjuntos de datos y la relación entre ellos para facilitar la
visualización y el análisis de los datos de ventas.

En primer lugar, cree un gráfico de columnas apiladas que utilice campos de las dos
consultas para mostrar la cantidad de cada producto pedido.

1. Seleccione el campo Quantity de Orders en el panel Campos de la derecha, o bien

arrástrelo hasta un espacio en blanco en el lienzo. Se crea un gráfico de columnas
apiladas en el que se muestra la cantidad total de todos los productos pedidos.

2. Para mostrar la cantidad de cada producto pedido, seleccione ProductName en

Products en el panel Campos, o bien arrástrelo hasta el gráfico.

3. Para ordenar los productos de mayor a menor número de pedidos, seleccione los
puntos suspensivos Más opciones ( ... ) en la parte superior derecha de la
visualización y, luego, Ordenar por>Cantidad.

4. Use los controladores de las esquinas del gráfico para ampliarlo, para que
aparezcan más nombres de productos.

A continuación, cree un gráfico en el que aparezcan los importes en dólares de los

pedidos (LineTotal) a lo largo del tiempo (OrderDate).

1. Sin ningún elemento seleccionado en el lienzo, seleccione LineTotal en Orders en

el panel Campos, o bien arrástrelo hasta un espacio en blanco en el lienzo. En el
gráfico de columnas apiladas se muestra la cantidad total en dólares de todos los
pedidos.

2. Seleccione el gráfico apilado y seleccione OrderDate en Pedidos o bien arrástrelo

hasta el gráfico. En el gráfico ahora se muestran el total de línea de cada fecha de
pedido.
 3. Para cambiar el tamaño de la visualización y poder ver más datos, arrastre las
esquinas.

 Sugerencia

Si solo ve los años en el gráfico y solo tres puntos de datos, seleccione la

flecha que está junto a OrderDate en el campo Eje del panel Visualizaciones y
seleccione OrderDate en lugar de Jerarquía de fechas. Como alternativa, es
posible que necesite seleccionar Opciones y configuración > Opciones en el
menú Archivo y, en Carga de datos, desactive la opción Fecha y hora
automáticas para archivos nuevos.

Por último, cree una visualización de mapa en la que se muestren las cantidades de
pedidos de cada país o región.

1. Sin ningún elemento seleccionado en el lienzo, seleccione ShipCountry en Orders

en el panel Campos, o bien arrástrelo hasta un espacio en blanco en el lienzo.
Power BI Desktop detecta que los datos son nombres de países o regiones. A
continuación, crea automáticamente una visualización de mapa, con un punto de
datos por cada país o región con pedidos.

2. Para que los tamaños de los puntos de datos reflejen los importes de los pedidos
de cada país o región, arrastre el campo LineTotal hasta el mapa. También puede
arrastrarlo a Agregar campos de datos aquí en Tamaño en el panel
Visualizaciones. Los tamaños de los círculos en el mapa ahora reflejan las
cantidades en dólares de los pedidos de cada país o región.
Interactuación con los objetos visuales de
informes para analizar más
Power BI Desktop permite interactuar con objetos visuales que se filtran y resaltan entre
sí para descubrir las tendencias futuras. Para obtener más información, consulte Filtros y
resaltado en informes de Power BI.

Debido a la relación que existe entre las consultas, las interacciones con una
visualización afectan a todas las demás visualizaciones de la página.

En la visualización de mapa, seleccione el círculo en el centro de Canadá. Las otras dos

visualizaciones se filtran para resaltar los totales de línea y las cantidades de pedidos
para Canadá.

Seleccione un producto del gráfico Cantidad por nombre de producto para ver el mapa
y el filtro de fecha para reflejar los datos de ese producto. Seleccione una fecha del
gráfico LineTotal por OrderDate para ver el mapa y el filtro de gráfico de producto para
mostrar los datos de esa fecha.

 Sugerencia

Para desactivar una selección, vuelva a activarla o active alguna de las otras
visualizaciones.

Completar el informe de análisis de ventas

El informe completo combina los datos del archivo de Excel [Link] y la fuente de
OData de Northwind en objetos visuales que le ayudarán a analizar la información de
los pedidos de los distintos países o regiones, períodos de tiempo y productos. Cuando
el informe esté listo, puede cargarlo en el servicio Power BI para compartirlo con otros
usuarios de Power BI.

Pasos siguientes
Aprendizaje de Microsoft Learn para Power BI
Vídeos de Power BI
Visite el foro de Power BI
Lea el blog de Power BI
Implementación de seguridad de nivel
de fila con un modelo tabular local de
Analysis Services
Artículo • 16/01/2024

Usando un modelo semántico de ejemplo con el que se trabaja en los pasos siguientes,
en este tutorial se muestra cómo implementar la seguridad de nivel de fila en un
modelo tabular de Analysis Services local y cómo usarlo en un informe de Power BI.

Creación de una nueva tabla de seguridad en la base de datos

AdventureworksDW2012
Generar el modelo tabular con las tablas de hechos y dimensiones necesarias
Definir los permisos y roles de usuario
Implementar el modelo en una instancia tabular de Analysis Services
Crear un informe de Power BI Desktop que muestre los datos correspondientes al
usuario que accede al informe
Implementar el informe en el servicio Power BI
Crear un nuevo panel basado en el informe
Compartir el panel con sus compañeros

Este tutorial requiere la base de datos AdventureworksDW2012 .

Tarea 1: Crear la tabla de seguridad del usuario

y definir la relación de los datos
Puede encontrar muchos artículos en los que se describe cómo definir la seguridad de
nivel de fila dinámica con el modelo tabular de SQL Server Analysis Services (SSAS) .

Estos pasos requieren el uso de la base de datos relacional AdventureworksDW2012.

1. En AdventureworksDW2012, cree la tabla DimUserSecurity , tal como se muestra

debajo. Puede usar SQL Server Management Studio (SSMS) para crear la tabla.
2. Una vez que cree y guarde la tabla, debe establecer la relación entre la columna
SalesTerritoryID de la tabla DimUserSecurity y la columna SalesTerritoryKey de

la tabla DimSalesTerritory , tal como se muestra debajo.

En SSMS, haga clic con el botón derecho en DimUserSecurity y seleccione Diseño.

Después, seleccione Diseñador de tablas>Relaciones... . Cuando haya terminado,
guarde la tabla.

3. Agregue usuarios a la tabla. Haga clic con el botón derecho en DimUserSecurity y

seleccione Editar las primeras 200 filas. Una vez agregados los usuarios, la tabla
DimUserSecurity debe ser similar a la del ejemplo siguiente:

Volveremos a estos usuarios en tareas futuras.

4. Después, debe realizar una combinación interna con la tabla DimSalesTerritory ,

que muestra los detalles de la región asociados con el usuario. Este código SQL
realiza la combinación interna y la imagen muestra cómo aparece después la tabla.

SQL

select [Link], [Link], [Link],

[Link], [Link], [Link] from [dbo].[DimUserSecurity] as a
 join [dbo].[DimSalesTerritory] as b on a.[SalesTerritoryID] = b.
[SalesTerritoryKey]

La tabla combinada muestra quién es responsable de cada región de ventas,

gracias a la relación que se creó en el paso 2. Por ejemplo, puede ver que Rita
Santos es responsable de Australia.

Tarea 2: Crear el modelo tabular con tablas de

hechos y dimensiones
Una vez que el almacenamiento de datos relacionales está listo, es el momento de
definir el modelo tabular. El modelo se puede crear con SQL Server Data Tools (SSDT).
Para más información, consulte Crear un nuevo proyecto de modelo tabular.

1. Importe todas las tablas necesarias en el modelo tal y como se muestra a

continuación.

2. Una vez que haya importado las tablas necesarias, debe definir un rol denominado
SalesTerritoryUsers con permiso de lectura. Seleccione el menú Modelo en
 SQL Server Data Tools y, a continuación, seleccione Roles. En Administrador de
roles, seleccione Nuevo.

3. En Miembros, en el Administrador de roles, agregue los usuarios que ha definido

en la tabla DimUserSecurity de la Tarea 1.

4. Después, agregue las funciones adecuadas para las tablas DimSalesTerritory y

DimUserSecurity , tal como se muestra debajo de la pestaña Filtros de fila.
5. La función LOOKUPVALUE devuelve valores para una columna en la que el nombre de
usuario de Windows coincide con el valor que devuelve la función USERNAME .
Después, puede restringir las consultas a aquellas en las que los valores que
devuelve LOOKUPVALUE coincidan con los de la propia tabla o la relacionada. En la
columna Filtro DAX, escriba la siguiente fórmula:

DAX

=DimSalesTerritory[SalesTerritoryKey]=LOOKUPVALUE(DimUserSecurity[Sales
TerritoryID], DimUserSecurity[UserName], USERNAME(),
DimUserSecurity[SalesTerritoryID],
DimSalesTerritory[SalesTerritoryKey])

En esta fórmula, la función LOOKUPVALUE devuelve todos los valores de la columna

DimUserSecurity[SalesTerritoryID] , donde DimUserSecurity[UserName] es equivale

al nombre de usuario actual que ha iniciado sesión en Windows y

DimUserSecurity[SalesTerritoryID] es igual que
DimSalesTerritory[SalesTerritoryKey] .

） Importante
 Al usar la seguridad de nivel de fila, no se admite la función DAX
USERELATIONSHIP.

Después, se utiliza el conjunto de devoluciones LOOKUPVALUE de SalesTerritoryKey

de ventas para restringir las filas que se muestran en DimSalesTerritory . Solo se
muestran las filas en las que el valor de SalesTerritoryKey está entre los
identificadores que devuelve la función LOOKUPVALUE .

6. En la tabla DimUserSecurity , en la columna Filtro DAX, agregue la siguiente

fórmula:

DAX

=FALSE()

Esta fórmula especifica que todas las columnas se resuelven en false , lo que
significa que no se pueden consultar las columnas de la tabla DimUserSecurity .

Ahora tiene que procesar e implementar el modelo. Para obtener más información,
consulte Implementación.

Tarea 3: Agregar orígenes de datos de la puerta

de enlace de datos local
Una vez que el modelo tabular está implementado y listo para su uso, debe agregar una
conexión de origen de datos al servidor tabular de Analysis Services local.

1. Para permitir que el servicio Power BI acceda a su servicio de análisis local, es

preciso disponer de una puerta de enlace de datos local instalada y configurada en
el entorno.

2. Una vez que la puerta de enlace esté configurada correctamente, debe crear una
conexión de origen de datos para la instancia tabular de Analysis Services. Para
más información, consulte Administrar el origen de datos: Analysis Services.
Una vez concluido el procedimiento, la puerta de enlace estará configurada y lista para
interactuar con el origen de datos local de Analysis Services.

Tarea 4: Crear un informe basado en el modelo

tabular de Analysis Services con Power BI
Desktop
1. Inicie Power BI Desktop y seleccione Obtener datos>Base de datos.

2. En la lista de orígenes de datos, seleccione Base de datos de SQL Server Analysis

Services y seleccione Conectar.
3. Rellene los detalles de la instancia tabular de Analysis Services y seleccione
Conectar en directo. A continuación, seleccione Aceptar.

Con Power BI, la seguridad dinámica solo funciona con una conexión dinámica.
 4. Verá que el modelo implementado está en la instancia de Analysis Services.
Seleccione el modelo correspondiente y seleccione Aceptar.

Power BI Desktop ahora muestra todos los campos disponibles a la derecha del
lienzo en el panel Campos.

5. En el panel Campos, seleccione la medida SalesAmount de la tabla

FactInternetSales y la dimensión SalesTerritoryRegion de la tabla SalesTerritory.

6. Para simplificar este informe, no agregaremos más columnas ahora mismo. Para
tener una representación más significativa de los datos, cambiamos la visualización
a Gráfico de anillos.

7. Una vez que el informe esté listo, puede publicarlo directamente en el portal de
Power BI. En la cinta de opciones Inicio de Power BI Desktop, seleccione Publicar.

Tarea 5: Crear y compartir un panel

Ha creado el informe y lo ha publicado en el servicio Power BI. Ahora puede usar el
ejemplo creado en los pasos anteriores para demostrar el escenario de seguridad del
modelo.

En el rol Director de ventas, la usuaria Gracia puede ver los datos de todas las regiones
de ventas. Gracia crea este informe y lo publica en el servicio Power BI. Este informe se
ha creado en las tareas anteriores.

Una vez que Gracia publica el informe, el siguiente paso consiste en crear un panel en el
servicio Power BI llamado TabularDynamicSec que se basa en ese informe. En la
siguiente imagen, observe que Gracia puede ver los datos correspondientes a todas las
regiones de ventas.

Ahora Gracia comparte el panel con su compañera, Rita, responsable de ventas de la

región de Australia.
Cuando Rita inicia sesión en el servicio Power BI y ve el panel compartido que ha creado
Gracia, solo deberían ser visibles las ventas de la región de Australia.

¡Enhorabuena! El servicio Power BI muestra la seguridad de nivel de fila dinámica

definida en el modelo tabular de Analysis Services local. Power BI usa la propiedad
EffectiveUserName para enviar las credenciales de usuario de Power BI actuales al origen

de datos local para ejecutar las consultas.

Tarea 6: Comprender lo que sucede en segundo
plano
En esta tarea se supone que está familiarizado con SQL Server Profiler, ya que tiene que
capturar un seguimiento de SQL Server Profiler en la instancia tabular de SSAS local.

La sesión se inicializa en cuanto la usuaria (Rita) accede al panel en el servicio Power BI.
Puede ver que el rol salesterritoryusers tiene efecto inmediato con el nombre de
usuario vigente como <EffectiveUserName>rita@[Link]</EffectiveUserName> .

<PropertyList><Catalog>DefinedSalesTabular</Catalog>
<Timeout>600</Timeout><Content>SchemaData</Content><Format>Tabular</Format>
<AxisFormat>TupleFormat</AxisFormat><BeginRange>-1</BeginRange>
<EndRange>-1</EndRange><ShowHiddenCubes>false</ShowHiddenCubes>
<VisualMode>0</VisualMode><DbpropMsmdFlattened2>true</DbpropMsmdFlattened2>
<SspropInitAppName>PowerBI</SspropInitAppName>
<SecuredCellValue>0</SecuredCellValue><ImpactAnalysis>false</ImpactAnalysis>
<SQLQueryMode>Calculated</SQLQueryMode>
<ClientProcessID>6408</ClientProcessID><Cube>Model</Cube>
<ReturnCellProperties>true</ReturnCellProperties>
<CommitTimeout>0</CommitTimeout><ForceCommitTimeout>0</ForceCommitTimeout>
<ExecutionMode>Execute</ExecutionMode><RealTimeOlap>false</RealTimeOlap>
<MdxMissingMemberMode>Default</MdxMissingMemberMode>
<DisablePrefetchFacts>false</DisablePrefetchFacts>
<UpdateIsolationLevel>2</UpdateIsolationLevel>
<DbpropMsmdOptimizeResponse>0</DbpropMsmdOptimizeResponse>
<ResponseEncoding>Default</ResponseEncoding>
<DirectQueryMode>Default</DirectQueryMode><DbpropMsmdActivityID>4ea2a372-
dd2f-4edd-a8ca-1b909b4165b5</DbpropMsmdActivityID>
<DbpropMsmdRequestID>2313cf77-b881-015d-e6da-
eda9846d42db</DbpropMsmdRequestID><LocaleIdentifier>1033</LocaleIdentifier>
<EffectiveUserName>rita@[Link]</EffectiveUserName></PropertyList>

Según la solicitud de nombre de usuario vigente, Analysis Services convierte la solicitud

a la credencial real de contoso\rita después de consultar Active Directory local. Una vez
que Analysis Services obtiene la credencial, Analysis Services devuelve los datos para los
que el usuario tiene permiso de visualización y acceso.

Si se produce más actividad con el panel, con SQL Profiler verá una consulta específica
que vuelve al modelo tabular de Analysis Services como una consulta DAX. Por ejemplo,
si Rita va del panel al informe subyacente, se produce la siguiente consulta.
También puede ver a continuación la consulta DAX que se ejecuta para rellenar los datos
para el informe.

DAX

EVALUATE
ROW(
"SumEmployeeKey", CALCULATE(SUM(Employee[EmployeeKey]))
)

<PropertyList xmlns="urn:schemas-microsoft-com:xml-analysis">``
<Catalog>DefinedSalesTabular</Catalog>
<Cube>Model</Cube>
<SspropInitAppName>PowerBI</SspropInitAppName>
<EffectiveUserName>rita@[Link]</EffectiveUserName>
<LocaleIdentifier>1033</LocaleIdentifier>
<ClientProcessID>6408</ClientProcessID>
<Format>Tabular</Format>
<Content>SchemaData</Content>
<Timeout>600</Timeout>
<DbpropMsmdRequestID>8510d758-f07b-a025-8fb3-
a0540189ff79</DbpropMsmdRequestID>
<DbPropMsmdActivityID>f2dbe8a3-ef51-4d70-a879-
5f02a502b2c3</DbPropMsmdActivityID>
<ReturnCellProperties>true</ReturnCellProperties>
<DbpropMsmdFlattened2>true</DbpropMsmdFlattened2>
<DbpropMsmdActivityID>f2dbe8a3-ef51-4d70-a879-
5f02a502b2c3</DbpropMsmdActivityID>
</PropertyList>

Consideraciones
La seguridad de nivel de fila local con Power BI solo está disponible con conexión
dinámica.

Cualquier cambio efectuado en los datos después de procesar el modelo estaría

inmediatamente disponible para los usuarios que accedieran al informe con
Conexión dinámica desde el servicio Power BI.
Tutorial: conectarse a un repositorio de
GitHub con Power BI
Artículo • 24/07/2024

En este tutorial, se conectará a datos reales: el repositorio público de contenido de

Power BI (también conocido como repo) en el servicio GitHub. Power BI crea de forma
automática un panel y un informe con los datos. Verá respuestas a preguntas como las
siguientes: ¿Cuántas personas contribuyen al repositorio público de Power BI? ¿Quiénes
contribuyen en mayor medida? ¿Qué día de la semana ha habido más contribuciones?
Además de otras preguntas.

También se puede conectar a repositorios de GitHub propios privados o públicos. En el

artículo Conexión a GitHub con Power BI se explica cómo usar una aplicación de plantilla
de Power BI para conectarse a los repositorios.

En este tutorial, va a completar los siguientes pasos:

＂ Registrar una cuenta de GitHub, si aún no hay una.

＂ Iniciar sesión en la cuenta de Power BI (o registrar una, si aún no la hay).
＂ Abrir el servicio Power BI.
＂ Buscar la aplicación de GitHub.
＂ Indicar la información del repositorio de GitHub público de Power BI.
＂ Ver el panel y el informe con datos de GitHub.
＂ Eliminar la aplicación limpiando los recursos.

Si no está registrado en Power BI, regístrese para obtener una evaluación gratuita
antes de empezar.
Requisitos previos
Para completar este tutorial, se necesita una cuenta de GitHub, si aún no tiene una.

Regístrese para obtener una cuenta de GitHub.

Cómo conectarse
1. Inicie sesión en el servicio Power BI ([Link]).

2. En el panel de navegación, seleccione Aplicaciones y, después, Obtener

aplicaciones.

3. Escriba GitHub en el cuadro de búsqueda. Seleccione la aplicación y elija

Obtenerla ahora.
4. Seleccione Instalar.

5. Cuando vea la notificación, La nueva aplicación está lista, seleccione Ir a la

aplicación.

6. En la página de aterrizaje de la aplicación, seleccione Conectar los datos.

7. En el cuadro de diálogo de conexión, escriba el nombre del repositorio y el

propietario del repositorio. La dirección URL de este repositorio es
[Link] . Escriba MicrosoftDocs como

propietario del repositorio y powerbi-docs como nombre del repositorio.

Seleccione Siguiente.
8. Asegúrese de que el Método de autenticación está establecido en OAuth2 y, a
continuación, seleccione Iniciar sesión y conectarse.
 9. Si se le solicita, siga las instrucciones de autenticación de GitHub y conceda
permiso a Power BI para acceder a los datos.

Una vez que Power BI pueda conectarse con GitHub, los datos del modelo
semántico de Power BI se actualizan una vez al día.
Cuando Power BI haya importado los datos, verá el contenido en la nueva
área de trabajo de GitHub.

10. Seleccione Áreas de trabajo en el panel de navegación para ver el panel, los
informes y los modelos semánticos. Puede seleccionar Más opciones (...) para ver
la configuración.
11. En Configuración del área de trabajo, puede cambiar el nombre del área de
trabajo o eliminarla.
12. Seleccione su panel de GitHub. Puede minimizar o expandir el panel de
navegación, para tener más espacio para ver los datos.

El panel de GitHub contiene datos activos, por lo que es posible que los valores
que vea sean distintos.
Hacer una pregunta
1. Seleccione el cuadro de texto Haga una pregunta sobre sus datos. Power BI abre
la ventana Preguntas y respuestas y ofrece algunas preguntas de ejemplo.

2. Escriba cuántos usuarios, Power BI ofrece una lista de preguntas.

3. Puede editar la pregunta, por ejemplo, entre cuántos y usuarios, escriba solicitud
de incorporación de cambios por.

Power BI creará un objeto visual de gráfico de barras que muestra el número de

solicitudes de incorporación de cambios por persona.
 4. Seleccione el icono de chincheta para anclar el elemento visual al panel y luego
Salir de Preguntas y respuestas.

Ver el informe de GitHub

1. En el panel de GitHub, seleccione Más opciones (...) en el gráfico de columnas
Solicitudes de incorporación de cambios por mes. Elija Ir al informe.

2. Seleccione un nombre de usuario en el gráfico Total de solicitudes de

incorporación de cambios por usuario. Aparece un nuevo icono con los
resultados de un usuario.
 3. Seleccione la pestaña Tarjeta perforada para ver la siguiente página en el informe.
Ahora puede ver volúmenes de trabajo por hora del día y el día de la semana.

Limpieza de recursos
Ahora que ya hemos finalizado el tutorial, podemos eliminar la aplicación de GitHub.

1. En el panel de navegación, seleccione Aplicaciones.

 2. En el icono de la aplicación, seleccione Más opciones (...) y, a continuación, elija
Eliminar.

Contenido relacionado
En este tutorial, nos hemos conectado a un repositorio público de GitHub y hemos
obtenido datos, a los que Power BI ha dado formato de panel y de informe. Explorando
ese panel y ese informe, hemos hallado respuesta a algunas preguntas sobre los datos.
Ahora podemos pasar a obtener más información sobre cómo conectarnos a otros
servicios, como Salesforce, Microsoft Dynamics y Google Analytics.

Conexión a GitHub con una aplicación de plantilla de Power BI

Comentarios
¿Le ha resultado útil esta página?  Sí  No
Proporcionar comentarios sobre el producto | Preguntar a la comunidad
Tutorial: Uso de Cognitive Services en
Power BI
Artículo • 02/06/2023

Power BI proporciona acceso a un conjunto de funciones de Azure Cognitive Services

para enriquecer sus datos en la preparación de datos de autoservicio para flujos de
datos. Los servicios que son compatibles actualmente son: Análisis de opinión,
Extracción de frases clave, Detección de idioma y Etiquetado de imágenes. Las
transformaciones se ejecutan en el servicio de Power BI y no requieren una suscripción a
Azure Cognitive Services. Esta característica requiere Power BI Premium.

Las transformaciones de Cognitive Services se admiten en la preparación de datos de

autoservicio para flujos de datos . Use los ejemplos paso a paso para el análisis de
texto y el etiquetado de imágenes de este artículo para empezar a trabajar.

En este tutorial, obtendrá información sobre cómo:

＂ Importar datos en un flujo de datos

＂ Score sentiment (Puntuar opiniones) y extraer frases clave de una columna de texto
en un flujo de datos
＂ Conexión a los resultados desde Power BI Desktop

Requisitos previos
Para completar este tutorial, debe cumplir los siguientes requisitos previos:

Una cuenta de Power BI. Si no está registrado en Power BI, regístrese para obtener
una evaluación gratuita antes de empezar.
Acceso a una capacidad de Power BI Premium con la carga de trabajo de IA
habilitada. Esta carga de trabajo se desactivará de forma predeterminada durante
la versión preliminar. Si está en una capacidad Premium y no se muestran las
conclusiones de IA, póngase en contacto con su administrador de capacidad
Premium para habilitar la carga de trabajo de IA en el portal de administración.

Análisis de texto
Siga los pasos de esta sección para completar la parte relativa al análisis de texto del
tutorial.
Paso 1: Aplicar la puntuación de opiniones en el servicio
de Power BI
Para empezar, vaya al área de trabajo de Power BI con capacidad Premium y cree un
nuevo flujo de datos mediante el botón Crear en la esquina superior derecha de la
pantalla.

En el cuadro de diálogo Flujo de datos se le muestran las opciones para crear un flujo
de datos. Seleccione Agregar entidades nuevas. Después, elija Texto o CSV en el menú
de orígenes de datos.

Pegue esta dirección URL en el campo de dirección URL:

[Link] y

seleccione Siguiente.
 

Los datos ya están listos para usarse para el análisis de texto. Puede usar la Puntuación
de opiniones y la Extracción de frases clave en la columna de comentarios del cliente.

En el Editor de Power Query, seleccione Conclusiones de AI

Expanda la carpeta Cognitive Services y seleccione la función que desea usar. En este
ejemplo se puntúan las opiniones de la columna de comentarios, pero puede seguir los
mismos pasos para probar la Detección de idioma y la Extracción de frases clave.
 

Después de seleccionar una función aparecerán los campos obligatorios y opcionales.

Para puntuar las opiniones de las revisiones de ejemplo, seleccione la columna de
revisiones como entrada de texto. La información de referencia cultural es una entrada
opcional y requiere un formato ISO. Por ejemplo, escribaen si desea que el texto se trate
como uno redactado en inglés. Al dejarse en blanco el campo, Power BI detectará en
primer lugar el lenguaje del valor de entrada antes de puntuar las opiniones.

Ahora seleccione Invocar para ejecutar la función. La función añade una nueva columna
con la puntuación de opiniones para cada fila de la tabla. Puede volver a Conclusiones
de AI para extraer frases clave del texto de la crítica de la misma forma.

Una vez haya terminado con las transformaciones, cambie el nombre de la consulta por
Comentarios del cliente y seleccione Listo.
 

A continuación, guarde el flujo de datos y nómbrelo Fabrikam. Seleccione el botón

Actualizar ahora que aparece una vez guardado el flujo de datos.

Después de guardar y actualizar el flujo de datos, puede usarlo en un informe de Power

BI.

Paso 2: Conectarse desde Power BI Desktop

Abra Power BI Desktop. En la cinta Inicio, seleccione Obtener datos.

Seleccione Power BI y, a continuación, elija Flujos de datos de Power BI. Seleccione

Conectar.
Inicie sesión con la cuenta de su organización.

Seleccione el flujo de datos que ha creado. Diríjase a la tabla de Comentarios del cliente
y seleccione Cargar.
 

Ahora que se han cargado los datos puede empezar a crear el informe.

Etiquetado de imágenes
En el servicio de Power BI, diríjase a un área de trabajo con capacidad Premium. Cree un
nuevo flujo de datos con el botón Crear en la esquina superior derecha de la pantalla.

Seleccione Agregar entidades nuevas.

Una vez que se le pida que elija un origen de datos, seleccione Consulta en blanco.

Copie esta consulta en el editor de consultas y seleccione Siguiente. Puede reemplazar

las rutas de acceso de dirección URL por otras imágenes o agregar más filas. La función
[Link] importa la dirección URL de la imagen como binario. Si tiene un origen de

datos con imágenes almacenadas como binario, también podrá darle uso directamente.

Python

let
Source = [Link]({
{ [Link]("[Link]
[Link]") },
{
[Link]("[Link]
in_Rome%2C_Italy_-_April_2007.jpg") }}, { "Image" })
 in
Source

Cuando se pidan las credenciales, seleccione anónimo.

Verá el siguiente cuadro de diálogo.

Power BI le pide credenciales para cada página web.

Seleccione Conclusiones de AI en el editor de consultas.

A continuación, inicie sesión con la cuenta de la organización.

Seleccione la función Etiquetar imágenes, escriba [Binario] en el campo de la columna e
introduzca en en el campo de información de referencia cultural.

７ Nota

Ahora mismo no puede elegir una columna mediante una lista desplegable. Este
problema se resolverá lo antes posible durante la versión preliminar privada.

El el editor de funciones, quite las comillas situadas alrededor del nombre de columna.
 ７ Nota

Eliminar las comillas es una solución alternativa temporal. Este problema se

resolverá lo antes posible durante la versión preliminar.

La función devuelve un registro con las etiquetas en dos formatos: separado por comas
y como un registro JSON. Seleccione el botón de expansión para agregar uno o ambos
como columnas a la tabla.

Seleccione Listo y guarde el flujo de datos. Una vez haya actualizado el primer flujo de
datos, puede conectarse a él desde Power BI Desktop mediante los conectores de flujos
de datos.

Limpiar los recursos

Cuando ya no le sea útil este tutorial, elimine la consulta haciendo clic con el botón
derecho en el nombre de la consulta en el editor de Power Query y seleccionando
Eliminar.

Limitaciones
Hay algunos problemas conocidos con el uso de la puerta de enlace con
Cognitive Services. Si necesita usar una puerta de enlace, se recomienda crear un flujo
de datos que importe los datos necesarios mediante una puerta de enlace primero.
Después, cree otro flujo de datos que haga referencia al primero para aplicar estas
funciones.

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 tutorial, aplicó las funciones de puntuación de opiniones y etiquetado de
imágenes en un flujo de datos de Power BI. Para obtener más información sobre
Cognitive Services en Power BI, consulte los siguientes artículos.

Azure Cognitive Services

Introducción a la preparación de datos de autoservicio en flujos de datos
Más información sobre Power BI Premium

Puede que también esté interesado en los siguientes artículos.

Tutorial: Consumo de modelos de Azure Machine Learning en Power BI

IA con flujos de datos
Tutorial: Creación de un modelo de
Machine Learning en Power BI
Artículo • 25/04/2024

） Importante

La creación de modelos de aprendizaje automático automatizado (AutoML) de

Power BI para flujos de datos v1 se ha retirado y ya no está disponible. Se
recomienda a los clientes migrar la solución a la característica AutoML de
Microsoft Fabric. Para más información, consulte el anuncio de retirada .

En este tutorial, se usa aprendizaje automático automatizado para crear y aplicar un

modelo de predicción binaria en Power BI. Creará un flujo de datos de Power BI y usará
las entidades definidas en él para entrenar y validar un modelo de Machine Learning
directamente en Power BI. Después, usará ese modelo para puntuar nuevos datos y
generar predicciones.

En primer lugar, creará un modelo de aprendizaje automático de predicción binaria para

predecir la intención de compra de los compradores en línea según un conjunto de sus
atributos de sesión en línea. Para este ejercicio usará un modelo semántico de
aprendizaje automático de referencia. Una vez entrenado un modelo, Power BI genera
automáticamente un informe de validación que explica los resultados del modelo.
Luego, puede revisar el informe de validación y aplicar el modelo a los datos para su
puntuación.

Este tutorial se compone de los siguientes pasos:

＂ Creación de un flujo de datos con los datos de entrada.

＂ Creación y entrenamiento de un modelo de Machine Learning.
＂ Revisión del informe de validación del modelo.
＂ Aplicación del modelo a una entidad de flujo de datos.
＂ Uso de la salida puntuada del modelo en un informe de Power BI.

Creación de un flujo de datos con los datos de

entrada
Cree un flujo de datos con datos de entrada siguiendo estos pasos.
Obtener datos
El primer paso para crear un flujo de datos es tener preparados los orígenes de datos.
En este caso, usará un modelo semántico de aprendizaje automático de un conjunto de
sesiones en línea, algunas de las cuales culminaron en una compra. El modelo semántico
contiene un conjunto de atributos sobre estas sesiones, que usará para entrenar el
modelo.

Puede descargar el modelo semántico desde el sitio web de UC Irvine, y también con el
archivo online_shoppers_intention.csv . Más adelante en este tutorial, se conectará al
modelo semántico especificando su dirección URL.

Creación de las tablas

Para crear las entidades en el flujo de datos, inicie sesión en el servicio Power BI y vaya a
un área de trabajo.

1. Si no tiene un área de trabajo, cree una; para ello, seleccione Áreas de trabajo en
el panel de navegación izquierdo de Power BI y luego Crear un área de trabajo. En
el panel Crear un área de trabajo, escriba un nombre de área de trabajo y
seleccione Guardar.

2. Seleccione Nuevo en la parte superior del área de trabajo nueva y, a continuación,

seleccione Flujo de datos.
 

3. Seleccione Agregar nuevas tablas para iniciar un editor de Power Query en el

explorador.

4. En la pantalla Elegir origen de datos, seleccione Texto/CSV como origen de datos.

 

5. En la página Conectarse a un origen de datos, pegue el siguiente vínculo al

archivo online_shoppers_intention.csv en el cuadro Ruta o dirección URL del
archivo y seleccione Siguiente.

[Link]
samples/master/Tutorial_AutomatedML/online_shoppers_intention.csv
 

6. El Editor de Power Query muestra una versión preliminar de los datos del archivo
CSV. Para realizar cambios en los datos antes de cargarlos, seleccione Transformar
datos.

7. Power Query deduce automáticamente los tipos de datos de las columnas. Para
cambiar los tipos de datos, seleccione el icono de tipo de atributo en la parte
 superior de los encabezados de columna. Cambie el tipo de columna Ingresos a
Verdadero/Falso.

Puede cambiar el nombre de la consulta por otro más descriptivo en el cuadro

Nombre del panel derecho. Cambie el nombre de la consulta a Visitantes en línea.

8. Seleccione Guardar y cerrar y, en el cuadro de diálogo, proporcione un nombre

para el flujo de datos. A continuación, seleccione Guardar.
 

Creación y entrenamiento de un modelo de

aprendizaje automático
Para agregar un modelo de Machine Learning:

1. Seleccione el botón Aplicar el modelo de ML en la lista Acciones de la tabla que

contiene los datos de entrenamiento y la información de etiqueta y, luego,
seleccione Agregar un modelo de Machine Learning.

2. El primer paso para crear el modelo de Machine Learning es identificar los datos
históricos, como el campo de resultado que quiere predecir. El modelo se crea con
 el aprendizaje de estos datos. En este caso, quiere predecir si los visitantes van a
realizar o no una compra. El resultado que desea predecir se encuentra en el
campo Ingresos. Seleccione Ingresos como valor de Campo de resultado y luego
Siguiente.

3. A continuación, seleccione el tipo de modelo de Machine Learning que se va a

crear. Power BI analiza los valores del campo de resultados que ha identificado y
sugiere los tipos de modelos de Machine Learning que se pueden crear para
predecir ese campo.

En este caso, dado que desea predecir un resultado binario de si un visitante va a

realizar o no una compra, Power BI recomienda la predicción binaria. Dado que
está interesado en predecir a los visitantes que van a realizar una compra,
seleccione Verdadero en Seleccionar un resultado objetivo. También puede
proporcionar diferentes etiquetas para los resultados en el informe generado
automáticamente que resume los resultados de la validación del modelo. Luego,
seleccione Siguiente.
 

4. Power BI realiza un examen preliminar de una muestra de los datos y sugiere las
entradas que pueden generar predicciones más precisas. Si Power BI no
recomienda una columna, se explica por qué no junto a la columna. Puede cambiar
las selecciones para incluir solo los campos que desea que estudie el modelo
activando o desactivando las casillas situadas junto a los nombres de las columnas.
Seleccione Siguiente para aceptar las entradas.
 

5. En el último paso, asigne un nombre al modelo Predicción de la intención de

compra y elija el tiempo que se va a dedicar al entrenamiento. Puede reducir el
tiempo de entrenamiento para ver unos resultados rápidos o aumentar el tiempo
para obtener el mejor modelo. A continuación, seleccione Guardar y entrenar para
empezar a entrenar el modelo.
 

Si recibe un error similar a Credenciales no encontradas para el origen de datos, debe

actualizar las credenciales para que Power BI pueda puntuar los datos. Para actualizar las
credenciales, seleccione Más opciones... en la barra de encabezado y, a continuación,
seleccione Configuración>Configuración.

Seleccione el flujo de datos en Flujos de datos, expanda Credenciales del origen de

datos y, después, seleccione Editar credenciales.
 

Seguimiento del estado de entrenamiento

El proceso de entrenamiento comienza con el muestreo y la normalización de los datos
históricos y la división del modelo semántico en dos nuevas entidades Datos de
entrenamiento de predicción de la intención de compra y Datos de prueba de
predicción de la intención de compra.

Dependiendo del tamaño del modelo semántico, el proceso puede tardar desde unos
minutos hasta el tiempo seleccionado para el entrenamiento. Puede confirmar que el
modelo se está entrenando y validando mediante el estado del flujo de datos. Este
estado aparece como una actualización de datos en curso en la pestaña Modelos
semánticos y flujos de datos del área de trabajo.


Puede ver el modelo en la pestaña Modelos de Machine Learning del flujo de datos. El
estado indica si el modelo se ha puesto en cola para el entrenamiento, está en
entrenamiento o está entrenado. Una vez completado el entrenamiento del modelo, el
flujo de datos muestra una hora actualizada para Último entrenamiento y un estado de
Entrenado.

Revisión del informe de validación del modelo

Para revisar el informe de validación del modelo, en la pestaña Modelos de Machine
Learning, seleccione el icono Ver informe de entrenamiento en Acciones. En este
informe se describe cómo es probable que funcione el modelo de aprendizaje
automático.

En la página Rendimiento del modelo del informe, seleccione Ver indicadores

principales para ver los indicadores principales del modelo. Puede seleccionar uno de
ellos para ver cómo se asocia la distribución de resultados con ese indicador.
 

Puede usar el control deslizante Umbral de probabilidad de la página Rendimiento del

modelo para examinar la influencia de la Precisión y la Recuperación en el modelo.

Las demás páginas del informe describen las métricas estadísticas de rendimiento del
modelo.
El informe también incluye una página Detalles del entrenamiento que describe las
Iteraciones ejecutadas, cómo se extrajeron las características de las entradas y los
hiperparámetros del Modelo final utilizado.

Aplicación del modelo a una entidad de flujo

de datos
Seleccione el botón Aplicar modelo en la parte superior del informe para invocar este
modelo. En el cuadro de diálogo Aplicar, puede especificar la entidad de destino que
tiene los datos de origen a los que se debe aplicar el modelo. A continuación, seleccione
Guardar y aplicar.

Al aplicar el modelo se crean dos tablas nuevas, con los sufijos enriquecido
<nombre_modelo> y enriquecido <nombre_modelo>explicaciones. En este caso, la
aplicación del modelo a la tabla Visitantes en línea crea:

Predicción de intención de compra enriquecida de Visitantes en línea, que

incluye el resultado previsto del modelo.
Explicaciones de la predicción de intención de compra enriquecida de Visitantes
en línea, que contiene los principales influenciadores específicos del registro para
la predicción.
La aplicación del modelo de predicción binaria agrega cuatro columnas: Resultado,
Puntuación de la predicción, Explicación de la predicción e Índice de explicación, cada
una con un prefijo Predicción de intención de compra.

Cuando se haya completado la actualización del flujo de entrada, puede seleccionar la

tabla Predicción de intención de compra enriquecida de Visitantes en línea para ver
los resultados.
 

También puede invocar cualquier modelo de aprendizaje automático automatizado en el

área de trabajo, directamente desde el Editor de Power Query en el flujo de entrada.
Para acceder a los modelos de aprendizaje automático automatizado, seleccione Editar
para la tabla que desea enriquecer con información del modelo de aprendizaje
automático automatizado.

En el Editor de Power Query, seleccione Conclusiones de IA en la cinta de opciones.

 

En la pantalla Conclusiones de IA, seleccione la carpeta Modelos de Machine Learning

de Power BI en el panel de navegación. En la lista se muestran todos los modelos de
Machine Learning a los que tiene acceso como funciones de Power Query. Además, los
parámetros de entrada para el modelo de Machine Learning se asignan
automáticamente como parámetros de la función de Power Query correspondiente. La
asignación automática de parámetros solo se produce si los nombres y los tipos de
datos del parámetro son los mismos.

Para invocar un modelo de Machine Learning, puede seleccionar cualquiera de las

columnas del modelo seleccionado como entrada en la lista desplegable. También
puede especificar un valor constante que se va a usar como entrada cambiando el icono
de la columna junto a la línea de entrada.


Seleccione Aplicar para ver la vista previa del resultado del modelo de Machine
Learning como nuevas columnas en la tabla. También verá la invocación del modelo en
Pasos aplicados para la consulta.

Una vez que guarde su flujo de datos, el modelo se invocará automáticamente al

actualizarse el flujo de datos, para cualquier fila nueva o actualizada de la tabla de
entidades.

Uso de la salida puntuada del modelo en un

informe de Power BI
Para usar la salida puntuada del modelo de Machine Learning, puede conectarse a su
flujo de datos desde Power BI Desktop mediante el conector Flujos de datos. Ahora
puede usar la tabla Predicción de intención de compra enriquecida de Visitantes en
línea para incorporar las predicciones del modelo en informes de Power BI.

Limitaciones
Hay algunos problemas conocidos con el uso de puertas de enlace con el aprendizaje
automático automatizado. Si necesita usar una puerta de enlace, es mejor 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.

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.
Contenido relacionado
En este tutorial, ha creado y aplicado un modelo de predicción binaria en Power BI
mediante estos pasos:

Ha creado un flujo de datos con los datos de entrada.

Ha creado y entrenado un modelo de Machine Learning.
Ha revisado el informe de validación del modelo.
Ha aplicado el modelo a una entidad de flujo de datos.
Ha aprendido a usar la salida puntuada del modelo en un informe de Power BI.

Para más información sobre la automatización de Machine Learning en Power BI,

consulte Aprendizaje automático automatizado en Power BI.

Comentarios
¿Le ha resultado útil esta página?  Sí  No

Proporcionar comentarios sobre el producto | Preguntar a la comunidad

Actualización de los datos desde una
base de datos local de SQL Server
Artículo • 16/10/2024

En este tutorial, explorará cómo actualizar un modelo semántico de Power BI desde una
base de datos relacional que existe en el entorno local de su red local. En concreto, en
este tutorial se usa una base de datos de ejemplo de SQL Server, a la que debe acceder
Power BI mediante una puerta de enlace de datos local.

En este tutorial, va a completar los siguientes pasos:

＂ Crear y publicar un archivo de Power BI Desktop .pbix que importe datos desde una
base de datos local de SQL Server.
＂ Configurar las opciones del modelo de datos y el origen de datos en Power BI para
la conectividad de SQL Server mediante una puerta de enlace de datos.
＂ Configurar una programación de actualización para asegurarse de que el modelo
de datos de Power BI tiene datos recientes.
＂ Realice una actualización a petición del modelo semántico.
＂ Revisar el historial de actualizaciones para analizar los resultados de los ciclos de
actualización anteriores.
＂ Eliminar los elementos que se han creado en este tutorial para limpiar los recursos.

Requisitos previos
Si aún no tiene una, regístrese para obtener una prueba gratuita de Power BI
antes de comenzar.
Instale Power BI Desktop en un equipo local.
Instale SQL Server en un equipo local y restaure la base de datos de ejemplo
AdventureWorksDW2017 desde una copia de seguridad . Para obtener más
información sobre las bases de datos de ejemplo AdventureWorks, vea
Configuración e instalación de AdventureWorks.
Instale SQL Server Management Studio (SSMS).
Instale una puerta de enlace de datos local en el mismo ordenador local que SQL
Server. En producción, la puerta de enlace normalmente estaría en un equipo
diferente.

７ Nota
 Si no es administrador de puerta de enlace o no desea instalar una puerta de
enlace usted mismo, pida a un administrador de puerta de enlace de su
organización que cree la definición de origen de datos necesaria para conectar el
modelo semántico a la base de datos de SQL Server.

Creación y publicación de un archivo de Power

BI Desktop
Use el procedimiento siguiente para crear un informe básico de Power BI con la base de
datos de ejemplo AdventureWorksDW2017. Publicar el informe en el servicio Power BI
para obtener un modelo semántico de Power BI, que configurará y actualizará en etapas
posteriores.

1. En Power BI Desktop, en la pestaña Inicio, seleccione Obtener datos>SQL Server.

2. En el cuadro de diálogo Base de datos de SQL Server, escriba los nombres del
Servidor y la Base de datos (opcional), y asegúrese de que el Modo Conectividad
de datos sea Importar.

７ Nota

Si tiene previsto usar un procedimiento almacenado, debe usar Importar

como modo de conectividad de datos.

Opcionalmente, en Opciones avanzadas podría especificar una instrucción SQL y

establecer otras opciones como el uso de la conmutación por error de SQL Server.
3. Seleccione Aceptar.

4. En la pantalla siguiente, compruebe las credenciales y, a continuación, seleccione

Conectar.

７ Nota

Si falla la autenticación, asegúrese de haber seleccionado el método de

autenticación correcto y de haber usado una cuenta con acceso a la base de
datos. En entornos de prueba, puede usar la autenticación de Base de datos
con un nombre de usuario explícito y una contraseña. En entornos de
producción, se suele usar la autenticación de Windows. Para obtener más
ayuda, consulte Solución de problemas de escenarios de actualización o
póngase en contacto con el administrador de bases de datos.

5. Si aparece el cuadro de diálogo Compatibilidad con cifrado, seleccione Aceptar.

6. En el cuadro de diálogo Navegador, seleccione la tabla DimProduct y después

seleccione Cargar.
7. En la vista Informe de Power BI Desktop del panel Visualizaciones, seleccione
Gráfico de columnas apiladas.

8. Con el nuevo gráfico de columnas seleccionado en el lienzo de informes, en el

panel de Datos, seleccione los campos EnglishProductName y ListPrice.
9. Arrastre EndDate desde el panel de Datos hasta Filtros de esta página en el panel
Filtros y, en Filtrado básico, active la casilla de verificación (en blanco).

La visualización debería ser ahora similar a la del siguiente gráfico:

 Observe que el producto Road-250 Rojo tiene el mismo precio de lista que los
otros productos de Road-250. Este precio cambiará cuando actualice
posteriormente los datos y actualice el informe.

10. Guarde el informe con el nombre [Link].

11. En la pestaña Inicio, seleccione Publicar.

12. En la pantalla Publicar en Power BI, elija Mi área de trabajo y, a continuación,

seleccione Seleccionar. Iniciar sesión en el servicio Power BI si es necesario.

13. Cuando aparece el mensaje Correcto, seleccione Abrir

"[Link]" en Power BI.
Conexión del modelo semántico con la base de
datos de SQL Server
En Power BI Desktop, se ha conectado directamente a la base de datos SQL Server local.
En el servicio Power BI, necesita que una puerta de enlace de datos actúe como puente
entre la nube y su red local. Siga estos pasos para agregar la base de datos local de SQL
Server como un origen de datos a una puerta de enlace y conecte el modelo semántico
a este origen de datos.

1. En el servicio Power BI, vaya al área de trabajo y busque el modelo semántico

AdventureWorksProducts en la lista de contenido del área de trabajo.

2. Seleccione el icono de tres puntos horizontales Más opciones junto al nombre del
modelo semántico y, a continuación, elija Configuración.

3. Expanda Conexiones de puerta de enlace y nube y compruebe que aparece al

menos una puerta de enlace. Si no ve una puerta de enlace, asegúrese de seguir
las instrucciones para instalar una puerta de enlace de datos local.
4. Seleccione el botón de alternancia de flecha en Acciones para expandir los
orígenes de datos y, a continuación, seleccione el vínculo Agregar a la puerta de
enlace junto al origen de datos.

5. En la pantalla Nueva conexión con la opción Local seleccionada, complete o

compruebe los campos siguientes. La mayoría de los campos ya están rellenados.

Nombre del clúster de puerta de enlace: compruebe o escriba el nombre del

clúster de puerta de enlace.
Nombre de conexión: escriba un nombre para la nueva conexión, como
AdventureWorksProducts.
Tipo de conexión: seleccione SQL Server si aún no está seleccionado.
Servidor: compruebe o escriba el nombre de la instancia de SQL Server. Debe
ser idéntico al especificado en Power BI Desktop.
Base de datos: compruebe o escriba el nombre de la base de datos de SQL
Server, como AdventureWorksDW2017. Debe ser idéntico al especificado en
Power BI Desktop.
 En Autenticación:

Método de autenticación: seleccione Windows, Basic o OAuth2,

normalmente Windows.
Nombre de usuario y contraseña: escriba las credenciales que usa para
conectarse a SQL Server.

6. Seleccione Crear.

7. De nuevo en la pantalla Configuración, expanda la sección Conexión de puerta de

enlace y compruebe que la puerta de enlace de datos que configuró ahora
muestra un estado de ejecución en el equipo donde lo instaló. Seleccione Aplicar.
Configuración de una programación de
actualización
Una vez conectado el modelo semántico en Power BI con la base de datos local de SQL
Server mediante una puerta de enlace de datos, siga estos pasos para configurar una
programación de actualización. Actualizar el modelo semántico de forma programada le
ayuda a garantizar que los informes y los paneles tengan los datos más recientes.

1. En el panel de navegación izquierdo, seleccione Mi área de trabajo.

2. Seleccione el modelo semántico AdventureWorksProducts en la lista de contenido

del área de trabajo.

 Sugerencia

Asegúrese de que apunta al modelo semántico AdventureWorksProducts, no

al informe con el mismo nombre, que no tiene una opción Programar
actualización.

3. En la página de configuración del modelo semántico, seleccione Actualizar y,

después, Programar actualización en la cinta de opciones.

4. En la sección Actualizar, en Configurar una programación de actualización,

establezca el control deslizante en Activado.

5. En Frecuencia de actualización, seleccione Diariamente para este ejemplo y, en

Hora, seleccione Agregar otra hora.

En este ejemplo, especifique las 6:00 a. m., seleccione Agregar otra hora y
especifique 6:00 p. m.
 ７ Nota

Puede configurar hasta ocho franjas horarias diarias si el modelo semántico

está en una capacidad compartida, o 48 franjas horarias en Power BI Premium.

6. Deje la casilla en Enviar notificaciones de error de actualización para establecer

en Propietario del modelo semántico y seleccione Aplicar.

Con una programación de actualización configurada, Power BI actualiza el modelo

semántico en la siguiente hora programada, dentro de un margen de 15 minutos.

Actualización a petición
Para actualizar los datos en cualquier momento, por ejemplo, para probar la
configuración del origen de datos y la puerta de enlace, puede hacer una actualización a
petición mediante la opción Actualizar ahora, en la cinta de opciones situada en la parte
superior de la página de configuración del modelo semántico. También puede encontrar
esta opción en la lista de contenido del área de trabajo junto al nombre del modelo
semántico. Las actualizaciones a petición no afectan a la siguiente actualización
programada.

Para ilustrar una actualización a petición, cambie primero los datos de ejemplo
mediante SSMS para actualizar la tabla DimProduct en la base de datos
AdventureWorksDW2017, como se indica a continuación:

SQL

UPDATE [AdventureWorksDW2017].[dbo].[DimProduct]
SET ListPrice = 5000
WHERE EnglishProductName ='Road-250 Red, 58'

Siga estos pasos para que el flujo de datos actualizado pueda pasar por la conexión de
puerta de enlace al modelo semántico y a los informes de Power BI:

1. Vaya a Mi área de trabajo en el panel de navegación izquierdo y busque el modelo

semántico AdventureWorksProducts.

2. Seleccione el icono Actualizar ahora junto al nombre del modelo semántico.

Aparece un mensaje Preparación para la actualización en la esquina superior
derecha.

Aparece un mensaje Preparación para la actualización en la esquina superior

derecha.

3. Ahora seleccione el informe AdventureWorksProducts para abrirlo. Vea cómo

fluyen los datos actualizados al informe y el producto con el precio de venta más
alto es ahora Road-250 rojo, 58.
Revisión del historial de actualización
Es recomendable usar periódicamente el historial de actualizaciones para comprobar los
resultados de los ciclos de actualización anteriores. Las credenciales de la base de datos
pueden haber expirado o la puerta de enlace seleccionada puede haber quedado sin
conexión cuando tenía que realizarse una actualización programada. Siga estos pasos
para examinar el historial de actualizaciones y compruebe si hay problemas.

1. En Mi área de trabajo, seleccione el modelo semántico AdventureWorksProducts.

2. En la página de configuración del modelo semántico, seleccione Actualizar y, a

continuación, Historial de actualizaciones en la cinta de opciones situada en la
parte superior de la página.

3. En la pestaña Programado del cuadro de diálogo Historial de actualizaciones,

observe las actualizaciones programadas y a petición anteriores con sus horas de
inicio y finalización. Un estadocompletado indica que Power BI realizó
correctamente las actualizaciones. En el caso de las actualizaciones erróneas,
puede ver el mensaje de error y examinar los detalles de este.
 ７ Nota

La pestaña OneDrive solo es pertinente para los modelos semánticos

conectados a archivos de Power BI Desktop, libros de Excel o archivos CSV en
OneDrive o SharePoint Online. Para obtener más información, consulte
Actualizar datos en Power BI.

Limpieza de recursos
Siga estas instrucciones para limpiar los recursos que ha creado para este tutorial:

Si ya no desea usar los datos de ejemplo, use SSMS para quitar la base de datos.
Si no quiere usar el origen de datos de SQL Server, quítelo de la puerta de enlace
de datos. Considere también la posibilidad de desinstalar la puerta de enlace de
datos si solo la ha instalado para este tutorial.
Elimine también el modelo semántico AdventureWorksProducts y el informe que
Power BI ha creado al publicar el archivo [Link].

Contenido relacionado
En este tutorial se ha explorado cómo:

Importe datos de una base de datos SQL Server local en un modelo semántico de
Power BI.
Para actualizar informes y paneles que usan el modelo semántico, actualice el
modelo semántico de Power BI de forma programada y a petición.

Compruebe los siguientes recursos para obtener más información sobre la actualización
de datos de Power BI y la administración de puertas de enlace de datos y orígenes de
datos:

Administración de una puerta de enlace de datos local

Administrar el origen de datos: importación y actualización programada
Actualizar datos en Power BI

Comentarios
¿Le ha resultado útil esta página?  Sí  No

Proporcionar comentarios sobre el producto | Preguntar a la comunidad

Tutorial: Automatización de la
configuración de la instalación de
aplicaciones de plantilla con una
función de Azure
Artículo • 06/06/2023

Las aplicaciones de plantilla son una excelente manera de que los clientes empiecen a
obtener conclusiones de sus datos. Esto se debe a que con estas aplicaciones de
plantilla se pueden poner manos a la obra rápidamente conectándose a sus datos. Las
aplicaciones de plantilla proporcionan a los clientes informes generados previamente
que pueden personalizar si así lo desean.

Los clientes no siempre están al tanto de todos los detalles sobre cómo conectarse a sus
datos, de modo que tener que proporcionar estos detalles al instalar una aplicación de
plantilla puede ser un problema para ellos.

Si es un proveedor de servicios de datos y ha creado una aplicación de plantilla para

ayudar a los clientes a empezar a trabajar con sus datos en el servicio, puede facilitarles
la instalación de la aplicación de plantilla, automatizando para ello la configuración de
los parámetros de la aplicación de plantilla.

Cuando un cliente inicia sesión en el portal, selecciona un vínculo especial que usted ha
preparado. Este vínculo:

Inicia la automatización, que recopila la información que necesita.

Preconfigura los parámetros de la aplicación de plantilla.
Redirige al cliente a su cuenta de Power BI, donde puede instalar la aplicación.

Solo tiene que seleccionar Instalar, autenticarse en su origen de datos y listo.

Aquí se ilustra esta experiencia del cliente.

En este tutorial usará un ejemplo de Azure Functions de instalación automática que se
ha creado para preconfigurar e instalar la aplicación de plantilla. Este ejemplo se ha
mantenido deliberadamente sencillo con fines de demostración. Encapsula la
configuración de una función de Azure para usar las API de Power BI para instalar una
aplicación de plantilla y configurarla de forma automática para los usuarios.

Para obtener más información sobre el flujo de automatización general y las API que la
aplicación usa, vea Automatización de la configuración de la instalación de una
aplicación de plantilla.

En la aplicación se usa una función de Azure. Para obtener más información sobre Azure
Functions, consulte Documentación de Azure Functions.

Flujo básico
Este es el flujo básico de lo que la aplicación hace cuando el cliente la inicia al
seleccionar el vínculo del portal.

1. El usuario inicia sesión en el portal del ISV y selecciona el vínculo proporcionado.

Esta acción inicia el flujo. En esta fase, el portal del ISV prepara la configuración
específica del usuario.

2. El ISV adquiere un token de solo aplicación basado en una entidad de servicio

(token de solo aplicación), que está registrada en el inquilino del ISV.

3. Mediante las API REST de Power BI, el ISV crea un vale de instalación que contiene
la configuración de parámetros específicos del usuario, tal y como la haya
preparado el ISV.
 4. El ISV redirige al usuario a Power BI mediante un método de redireccionamiento
POST que contiene el vale de instalación.

5. Se redirige al usuario a su cuenta de Power BI con el vale de instalación y se le pide

que instale la aplicación de plantilla. Cuando el usuario selecciona Instalar, la
aplicación de plantilla se instala de forma automática.

７ Nota

Aunque el ISV configura los valores de parámetro durante el proceso de creación

del vale de instalación, las credenciales relacionadas con el origen de datos solo las
proporciona el usuario en las fases finales de la instalación. Esto está dispuesto así
para evitar que las credenciales se expongan a un tercero y, asimismo, para
garantizar una conexión segura entre el usuario y los orígenes de datos de la
aplicación de plantilla.

Requisitos previos
Tener su propio inquilino de Azure Active Directory (Azure AD) configurado. Vea
Creación de un inquilino de Azure AD para obtener instrucciones sobre cómo
configurar uno.
Tener una entidad de servicio (token de solo aplicación) registrada en el inquilino
anterior.
Tener una aplicación de plantilla parametrizada lista para la instalación. La
aplicación de plantilla se debe crear en el mismo inquilino en el que registre la
aplicación en Azure AD. Para obtener más información, vea Sugerencias de
aplicación de plantilla o Creación de una aplicación de plantilla en Power BI.
Para poder probar el flujo de trabajo de automatización, agregue la entidad de
servicio al área de trabajo de la aplicación de plantilla como administrador.
Una licencia de Power BI Pro. . Si no está registrado para Power BI Pro, regístrese
para una evaluación gratuita antes de comenzar.

Configuración del entorno de desarrollo de

automatización de aplicaciones de plantillas
Antes de continuar con la configuración de la aplicación, siga las instrucciones de Inicio
rápido: Creación de una aplicación de Azure Functions con Azure App Configuration
para desarrollar una función de Azure junto con una instancia de Azure App
Configuration. Cree la instancia de App Configuration como se describe en el artículo.
Registrar una aplicación en Azure AD
Cree una entidad de servicio como se describe en Inserción de contenido de Power BI
con entidades de servicio y un secreto de aplicación.

Asegúrese de registrar la aplicación como una aplicación web del lado servidor. Una
aplicación web del lado servidor se registra para crear un secreto de aplicación.

Guarde el Id. de aplicación (ClientID) y el Secreto de aplicación (ClientSecret) para los

pasos posteriores.

Puede probar la herramienta de configuración de inserción para empezar a crear un

registro de aplicación sin dilación. Si usa la herramienta de registro de aplicaciones de
Power BI , seleccione la opción Embed for your customers (Inserción para los clientes).

Agregue la entidad de servicio al área de trabajo de la aplicación de plantilla como

administrador, de modo que pueda probar el flujo de trabajo de automatización.

Preparación de la aplicación de plantilla

Una vez que haya creado la aplicación de plantilla y esté lista para la instalación, guarde
la información siguiente para los pasos posteriores:

Id. de la aplicación, clave del paquete e identificador del propietario, tal y como
aparecen en la dirección URL de instalación al final del proceso Definición de las
propiedades de la aplicación de plantilla cuando se ha creado la aplicación.

También puede obtener el mismo vínculo si selecciona Obtener vínculo en el panel

Administración de versiones de la aplicación de plantilla.

Los nombres de parámetro como se definen en el conjunto de datos de la

aplicación de plantilla. Los nombres de parámetros son cadenas en las que se
distingue entre mayúsculas y minúsculas. También se pueden recuperar en la
pestaña Configuración de parámetros cuando se definen las propiedades de la
aplicación de plantilla, o bien desde la configuración del conjunto de datos de
Power BI.

７ Nota

Puede probar la aplicación de instalación preconfigurada en la aplicación de

plantilla si está lista para la instalación, incluso si todavía no está disponible de
forma pública en AppSource. Para que los usuarios ajenos al inquilino puedan
utilizar la aplicación de instalación automatizada para instalar la aplicación de
 plantilla, esta debe estar disponible de forma pública en el marketplace de
aplicaciones de Power BI . Antes de distribuir la aplicación de plantilla con la
aplicación de instalación automatizada que va a crear, asegúrese de publicarla en el
Centro de partners.

Instalación y configuración de la aplicación de

plantilla
En esta sección, usará un ejemplo de Azure Functions de instalación automática que
hemos creado para preconfigurar e instalar la aplicación de plantilla. Este ejemplo se ha
mantenido deliberadamente sencillo con fines de demostración. Permite usar una
instancia de Azure Functions y de Azure App Configuration para implementar y usar con
facilidad la API de instalación automatizada para las aplicaciones de plantilla.

Descargue Visual Studio (versión 2017 o posterior).

Descargue Visual Studio (versión 2017 o posterior). Asegúrese de descargar el
paquete NuGet más reciente.

Descarga del ejemplo de Azure Functions de instalación

automatizada
Descargue el ejemplo de Azure Functions de instalación automatizada desde GitHub
para empezar a trabajar.

Configuración de Azure App Configuration

Para ejecutar este ejemplo, debe configurar Azure App Configuration con los valores y
claves que se especifican aquí. Las claves son Id. de la aplicación y Secreto de la
aplicación, además de los valores AppId, PackageKey y OwnerId de la aplicación de
plantilla. Consulte las siguientes secciones para obtener información sobre cómo
obtener estos valores.

Las claves también se definen en el archivo [Link].

Clave de configuración Significado

TemplateAppInstall:Application:AppId AppId de la dirección URL de instalación

TemplateAppInstall:Application:PackageKey PackageKey de la dirección URL de instalación

TemplateAppInstall:Application:OwnerId OwnerId de la dirección URL de instalación

TemplateAppInstall:ServicePrincipal:ClientId Identificador de la aplicación de la entidad de

servicio

TemplateAppInstall:ServicePrincipal:ClientSecret Secreto de la aplicación de la entidad de

servicio

Aquí se muestra el archivo [Link].

Obtención de las propiedades de la aplicación de plantilla

Rellene todas las propiedades de la aplicación de plantilla relevantes, tal y como se han
definido al crear la aplicación. Estas propiedades son los valores de AppId, PackageKey
y OwnerId de la aplicación de plantilla.

Para obtener los valores anteriores, siga estos pasos:

1. Inicie sesión en Power BI .

2. Vaya al área de trabajo original de la aplicación.

3. Abra el panel Administración de versiones.

4. Seleccione la versión de la aplicación y obtenga su vínculo de instalación.

5. Copie el vínculo en el Portapapeles.

6. Esta dirección URL de instalación contiene los tres parámetros de dirección URL
cuyos valores necesita. Use los valores appId, packageKey y ownerId de la
aplicación. Una dirección URL de ejemplo será similar a la que se muestra aquí.

HTML
 [Link]
action=InstallApp&appId=3c386...16bf71c67&packageKey=b2df4b...dLpHIUnum
2pr6k&ownerId=72f9...1db47&buildVersion=5

Obtención del identificador de la aplicación

Rellene la información de applicationId con el identificador de aplicación de Azure. La
aplicación usa el valor de applicationId para identificarse ante los usuarios a los que
solicita permisos.

Para obtener el identificador de la aplicación, siga estos pasos:

1. Inicie sesión en Azure Portal .

2. En el panel izquierdo, seleccione Todos los servicios>Registros de aplicaciones.

3. Seleccione la aplicación que necesite el identificador de la aplicación.

4. Hay un identificador de la aplicación que se muestra como un GUID. Úselo como

applicationId de la aplicación.

Obtenga el secreto de la aplicación.

Rellene la información de ApplicationSecret a partir de la sección Claves de la sección
Registros de aplicaciones de Azure. Este atributo funciona cuando se usa la entidad de
servicio.

Para obtener el secreto de la aplicación, siga estos pasos:

1. Inicie sesión en Azure Portal .

2. En el panel izquierdo, seleccione Todos los servicios>Registros de aplicaciones.

3. Seleccione la aplicación que necesite usar el secreto de la aplicación.

4. Seleccione Certificates and secrets (Certificados y secretos) en Administrar.

5. Seleccione New client secrets (Nuevos secretos de cliente).

6. Escriba un nombre en el cuadro Descripción y seleccione una duración. Después,

haga clic en Guardar para obtener el valor de la aplicación. Cuando el panel Claves
se cierra después de haber guardado el valor de clave, el campo Valor solo se
muestra como oculto. En ese momento, no puede recuperar el valor de clave. Si
pierde el valor de clave, cree uno nuevo en Azure Portal.

Prueba local de la función

Siga los pasos que se describen en Ejecución local de la función para ejecutar la función.

Configure el portal para que emita una solicitud POST a la dirección URL de la función.
Un ejemplo es POST [Link] . El cuerpo de la solicitud debe
ser un objeto JSON que describa los pares clave-valor. Las claves son nombres de
parámetro según se definen en Power BI Desktop. Los valores son los valores deseados
que se van a establecer por cada parámetro de la aplicación de plantilla.

７ Nota

En producción, los valores de parámetro se deducen para cada usuario según la

lógica prevista del portal.

El flujo deseado debe ser el siguiente:

1. El portal prepara la solicitud, por usuario o sesión.

2. Se emite la solicitud POST /api/install a la función de Azure. El cuerpo de la
solicitud consta de pares clave-valor. La clave es el nombre del parámetro. El valor
es el valor deseado que se va a establecer.
3. Si todo está configurado correctamente, el explorador se debe redirigir
automáticamente a la cuenta de Power BI del cliente y mostrar el flujo de
instalación automatizada.
4. Tras la instalación, los valores de parámetro se establecen tal y como están
configurados en los pasos 1 y 2.

Pasos siguientes

Publicación del proyecto en Azure

Para publicar el proyecto en Azure, siga las instrucciones de la documentación de Azure
Functions. Tras ello, puede integrar API de instalación automatizada de aplicaciones de
plantilla en el producto y comenzar a probarlas en entornos de producción.
Orígenes de datos de Power BI
Artículo • 16/10/2024

En este artículo se proporciona información general sobre orígenes de datos de

Power BI, como consideraciones, limitaciones y vínculos a recursos adicionales.

Power BI usa Power Query para conectarse a orígenes de datos. Los orígenes de datos
de Power BI se documentan en el siguiente artículo: conectores de Power Query
(incluido Power BI).

En cada artículo del origen de datos de la documentación de Power Query se describen

las funcionalidades del conector de datos, como si se admite DirectQuery. En la imagen
siguiente, se muestra la sección Funcionalidades admitidas para Azure Data Explorer
(Kusto), donde indica que DirectQuery es compatible con el conector en Power BI. Si
DirectQuery (o cualquier otra funcionalidad) no apareciera en la lista, no se admite la
funcionalidad.

Para obtener una lista de los conectores disponibles en Power Query, consulte
Conectores en Power Query.

Para obtener información sobre los flujos de datos en Power BI, consulte Configuración
y consumo de un flujo de datos.

Consideraciones y limitaciones
Muchos conectores de datos para Power BI Desktop requieren Internet Explorer 10
(o una versión posterior) para la autenticación.
 Algunos orígenes de datos están disponibles en Power BI Desktop optimizados
para Power BI Report Server, pero no se admiten cuando se publican en Power BI
Report Server. Para ver una lista de los orígenes de datos admitidos, consulte
Orígenes de datos de los informes de Power BI en Power BI Report Server.
Power BI Desktop y el servicio Power BI pueden enviar varias consultas para una
consulta determinada, para obtener información de esquema o los propios datos,
parcialmente en función de si los datos se almacenan en caché. Este
comportamiento es por diseño. Para obtener más información, consulte el artículo
de Power Query que describe por qué una consulta se puede ejecutar varias veces.

Contenido relacionado
En los artículos siguientes se proporciona más información sobre Power BI y cómo
conectarse a los datos:

Conectores en Power Query

Conectarse a los datos en Power BI Desktop
Uso de DirectQuery en Power BI
¿Qué es una puerta de enlace de datos local?
Orígenes de datos de los informes de Power BI en Power BI Report Server

Comentarios
¿Le ha resultado útil esta página?  Sí  No

Proporcionar comentarios sobre el producto | Preguntar a la comunidad

Nuevo nombre para conjuntos de datos
de Power BI
Artículo • 27/12/2023

Microsoft ha cambiado el nombre del tipo de contenido del conjunto de datos de

Power BI a modelo semántico.

El cambio de nombre era necesario por dos razones principales.

El término conjunto de datos se considera demasiado genérico. Tiene significados

diferentes en el contexto de otras actividades relacionadas con los datos,
especialmente ahora que Power BI es una de muchas experiencias en Microsoft
Fabric.
El término modelo semántico refleja mejor la funcionalidad enriquecida de los
modelos de datos de Analysis Services, en los que se basan los informes de Power
BI.

） Importante

Solo es un cambio de nombre. No hay ninguna interrupción en el uso o servicio.

Puede esperar una continuación del servicio porque los administradores,
desarrolladores y otros usuarios no son necesarios para realizar ningún cambio.

 Sugerencia

Para evitar confusiones y solicitudes de soporte técnico, asegúrese de notificar a su

comunidad la práctica de este cambio.

Cambios de nombre
Estos son algunos ejemplos de cambios de nombre.

ﾉ Expandir tabla

Nombre antiguo Nuevo nombre

Dataset Modelo semántico

Conjunto de datos compartidos Modelo semántico compartido

 Nombre antiguo Nuevo nombre

Importar conjunto de datos Importar modelo semántico

Conjunto de datos de DirectQuery Modelo semántico de DirectQuery

Conjunto de datos compuesto Modelo semántico compuesto

Conjunto de datos de conexión dinámica Modelo semántico de conexión dinámica

Conjunto de datos local Modelo semántico local

Propietario del conjunto de datos Propietario del modelo semántico

Conjunto de datos grande Modelo semántico de gran tamaño

７ Nota

El cambio de nombre se ha implementado en la servicio Power BI y en la

documentación, aunque puede haber algunos casos en los que aún no se haya
producido el cambio.

Excepciones de cambio de nombre

Los siguientes conceptos no se ven afectados.

Referencias genéricas a conjuntos de datos

Conjunto de datos de informes paginados de Power BI
Conjunto de datos en tiempo real de Power BI, entre los que se incluyen:
Conjunto de datos de inserción
Conjunto de datos de streaming
Conjunto de datos híbrido
Conjunto de datos de PubNub
Todas las operaciones de API de REST de Power BI relacionadas con conjuntos de
datos
Operaciones del registro de actividad de Power BI
Otros tipos de conjuntos de datos que no están relacionados con Power BI, por
ejemplo, Azure Open Datasets

Contenido relacionado
Para más información sobre este artículo, consulte los recursos siguientes.
 Entrada de blog: Conjuntos de datos cuyo nombre ha cambiado a modelos
semánticos
¿Tiene alguna pregunta? Intente preguntar a la comunidad de Fabric .
¿Sugerencias? Contribuir a las ideas para mejorar Fabric .

Comentarios
¿Le ha resultado útil esta página?  Sí  No

Proporcionar comentarios sobre el producto | Preguntar a la comunidad

Modelos semánticos en el servicio
Power BI
Artículo • 28/08/2024

En este artículo se proporciona una explicación técnica de los modelos semánticos de

Power BI.

Tipos de modelo semántico

Los modelos semánticos de Power BI representan un origen de datos que está listo para
la creación de informes y la visualización. Puede crear modelos semánticos de Power BI
de las maneras siguientes:

Conexión a un modelo de datos existente que no está hospedado en Power BI.

Carga de un archivo de Power BI Desktop que contiene un modelo.
Carga de un libro de Excel que contenga una o varias tablas de Excel o un modelo
de datos de libro, o carga de un archivo de valores separados por comas (CSV).
Use el servicio Power BI para crear un modelo semántico de inserción.
Uso el servicio Power BI para crear un modelo semántico de streaming o de
streaming híbrido.

Excepto los modelos semánticos de streaming, los modelos semánticos representan

modelos de datos, que usan las maduras tecnologías de modelado de Analysis Services.

７ Nota

La documentación de Power BI a veces usa los términos modelo semántico y

modelo indistintamente. Un modelo semántico del servicio Power BI hace referencia
a un modelo desde la perspectiva de desarrollo. En el contexto de la
documentación, los términos significan lo mismo.

Modelos hospedados externamente

Hay dos tipos de modelos hospedados externamente: SQL Server Analysis Services y
Azure Analysis Services.

Para conectarse a un modelo de SQL Server Analysis Services, debe instalar una puerta
de enlace de datos local, ya sea en el entorno local o en una infraestructura como
servicio (IaaS) hospedada en una máquina virtual. Azure Analysis Services no requiere
una puerta de enlace.

La conexión a Analysis Services a menudo tiene sentido cuando existen inversiones en

modelos existentes, que normalmente forman parte de un almacenamiento de datos
empresarial (EDW). Power BI puede establecer una conexión dinámica con Analysis
Services y aplicar los permisos de datos con la identidad del usuario del informe de
Power BI.

SQL Server Analysis Services admite tanto modelos multidimensionales (cubos) como
modelos tabulares. Tal como se muestra en la imagen siguiente, un modelo semántico
de conexión dinámica pasa consultas a modelos hospedados externamente.

Modelos desarrollados por Power BI Desktop

Puede usar Power BI Desktop, una aplicación cliente para el desarrollo con Power BI,
para desarrollar un modelo. Un modelo de Power BI Desktop es efectivamente un
modelo tabular de Analysis Services.

Puede desarrollar tres tipos o modos diferentes de modelos mediante Power BI Desktop:
Importación, DirectQuery y Composición. Los modelos se desarrollan mediante la
importación de datos desde flujos de datos y, a continuación, su integración con
orígenes de datos externos. El modo depende de si los datos se importan al modelo o si
permanecen en el origen de datos. Para más información sobre los modos, consulte
Modos del modelo semántico en el servicio Power BI.

Propiedad del modelo semántico

Al trabajar con modelos semánticos mediante conexiones de puerta de enlace y de
nube, la capacidad de realizar cambios en el modelo semántico depende de la
propiedad del modelo. Si no es el propietario, se muestra una advertencia que indica
que está viendo la sección de información del modelo semántico en modo de solo
lectura porque no es el propietario del modelo. Para realizar cambios, debe ponerse en
contacto con el propietario del modelo semántico para solicitar cambios o asumir la
propiedad de dicho modelo.

Seguridad de nivel de fila

Los modelos hospedados externamente y los modelos de Power BI Desktop pueden
aplicar la seguridad de nivel de fila (RLS) para limitar los datos que pueden recuperar
determinados usuarios. Por ejemplo, los usuarios asignados al grupo de seguridad
Vendedores podrían ver los datos del informe solo para las regiones de ventas a las que
están asignados. Los roles de RLS son dinámicos o estáticos. Los roles dinámicos los filtra
el usuario del informe, mientras que los roles estáticos aplican los mismos filtros a todos
los usuarios asignados al rol. Para más información, vea Seguridad de nivel de fila (RLS)
con Power BI.

Modelos de libros de Excel

La creación de modelos semánticos basados en libros de Excel o archivos CSV crea un
modelo automáticamente. Las tablas de Excel y los datos CSV importados crean tablas
de modelo, mientras que los datos de un libro de Excel se transponen para crear un
modelo de Power BI. En todos los casos, los datos del archivo se importan a un modelo.

Resumen
En resumen:

Los modelos semánticos de Power BI que representan modelos se hospedan en el

servicio Power BI o externamente, mediante Analysis Services.
Los modelos semánticos pueden almacenar los datos importados, emitir
solicitudes de consulta de tránsito a las fuentes de datos subyacentes o hacer
ambas cosas.

Consideraciones
Los siguientes hechos y consideraciones importantes se aplican a los modelos
semánticos de Power BI que representan modelos:

Los modelos hospedados por SQL°Server Analysis Services requieren una puerta
de enlace para hacer consultas de conexión dinámica.
 Para consultar modelos hospedados en Power BI que importan datos, debe
cargarlos completamente en memoria.
Los modelos hospedados en Power BI que usan el modo de importación se deben
actualizar para mantener datos actuales y deben usar puertas de enlace cuando los
datos de origen no sean accesibles directamente mediante Internet.
Los modelos de importación hospedados en Power BI se pueden actualizar según
una programación o un usuario puede desencadenar una actualización a petición
en el servicio Power BI.
Los modelos hospedados en Power BI que usan el modo DirectQuery requieren
conectividad con los datos de origen. Power BI emite consultas a los datos de
origen para recuperar los datos actuales. Este modo debe usar puertas de enlace
cuando no se puede acceder a los datos de origen directamente mediante
Internet.
Los modelos pueden aplicar reglas de RLS para filtrar el acceso a los datos para
determinados usuarios.
Puede usar los modelos semánticos: API de Take Over In Group para asumir la
propiedad si un propietario del modelo semántico deja la organización.

Para implementar y administrar correctamente los modelos semánticos de Power BI,

debe comprender los siguientes factores:

El propio diseño del modelo, incluidas las consultas de preparación de datos,

relaciones y cálculos.
Las siguientes configuraciones, que pueden afectar significativamente a los
recursos de capacidad de Power BI:
Dónde se hospedan los modelos
Modo de almacenamiento
Todas las dependencias de puertas de enlace
Tamaño de los datos importados
Frecuencia y tipo de actualización del modelo

Contenido relacionado
Modos de modelo semántico en el servicio Power BI
¿Tiene alguna pregunta? Pregunte a la comunidad de Power BI
¿Sugerencias? Ideas para contribuir a mejorar Power BI

Comentarios
¿Le ha resultado útil esta página?  Sí  No

Proporcionar comentarios sobre el producto | Preguntar a la comunidad

Modos de modelo semántico en el
servicio Power BI
Artículo • 28/02/2025

En este artículo se proporciona una explicación técnica de los modos de modelo

semántico de Power BI. Se aplica a los modelos semánticos que representan una
conexión dinámica a un modelo de Analysis Services hospedado externamente y
también a los modelos desarrollados en Power BI Desktop. En el artículo se resaltan las
razones de cada modo y los impactos posibles en los recursos de capacidad de
Power BI.

Los tres modos de modelo semántico son:

Importar
DirectQuery
Composición

Modo de importación
Modo de importación es el modo más común que se usa para desarrollar modelos
semánticos. Este modo ofrece un rendimiento rápido gracias a las consultas en
memoria. También ofrece flexibilidad de diseño a los modeladores y admite
características específicas del servicio Power BI (Preguntas y respuestas, Conclusiones
rápidas, etc.). Debido a estos puntos fuertes, es el modo predeterminado en el
momento de crear una nueva solución de Power BI Desktop.

Es importante comprender que los datos importados siempre se almacenan en el disco.

Cuando se consultan o se actualizan, los datos se deben cargar por completo en la
memoria de la capacidad de Power BI. Una vez en la memoria, los modelos de
importación pueden obtener resultados de consulta muy rápidos. También es
importante entender que no hay ningún concepto de un modelo de importación que se
cargue parcialmente en la memoria.

Cuando se actualizan, los datos se comprimen y optimizan y luego se almacenan en el

disco mediante el motor de almacenamiento de VertiPaq. Cuando se cargan desde el
disco en la memoria, es posible ver una compresión 10 veces superior. Por lo tanto, es
razonable esperar que 10 GB de datos de origen se puedan comprimir a
aproximadamente 1 GB de tamaño. El tamaño de almacenamiento en disco puede
lograr una reducción del 20 % del tamaño comprimido. La diferencia de tamaño se
puede determinar al comparar el tamaño de archivo de Power BI Desktop con el uso de
memoria del administrador de tareas del archivo.

La flexibilidad de diseño se puede lograr de tres maneras:

Integrar los datos mediante el almacenamiento en caché de los datos de flujos de

datos y orígenes de datos externos, sea cual sea el formato o el tipo del origen de
datos.
Use todo el conjunto de funciones del lenguaje de fórmulas M de Power Query,
conocido como M al crear consultas de preparación de datos.
Aplique todo el conjunto de funciones de expresiones de análisis de datos (DAX) al
mejorar el modelo con la lógica de negocios. Hay compatibilidad con las columnas
calculadas, las tablas calculadas y las medidas.

Como se muestra en la imagen siguiente, un modelo de importación puede integrar

datos de diversos tipos de orígenes de datos compatibles.

Sin embargo, aunque hay ventajas interesantes asociadas con los modelos de
importación, también hay desventajas:

Es necesario cargar todo el modelo en la memoria antes de que Power BI pueda

consultar el modelo, lo que puede poner presión en los recursos de capacidad
disponibles, especialmente a medida que aumentan el número y el tamaño de los
modelos de importación.
Los datos del modelo solo son tan actuales como la actualización más reciente, por
lo que es necesario actualizar los modelos de importación, normalmente de
manera programada.
 Una actualización completa quita todos los datos de todas las tablas y los vuelve a
cargar desde el origen de datos. Esta operación puede ser costosa en cuanto a
tiempo y recursos para el servicio Power BI y los orígenes de datos.

７ Nota

Power BI puede lograr una actualización incremental para evitar tener que truncar y
recargar tablas enteras. Para obtener más información, incluidos los planes
admitidos y las licencias, consulte Actualización incremental y datos en tiempo
real para modelos semánticos.

Desde una perspectiva de recursos del servicio Power BI, los modelos de importación
requieren:

Memoria suficiente para cargar el modelo cuando se consulta o actualiza.

Recursos de procesamiento y recursos de memoria adicionales para actualizar los
datos.

Modo DirectQuery
El modo DirectQuery es una alternativa al modo de importación. Los modelos
desarrollados en el modo DirectQuery no importan datos. En su lugar, constan solo de
metadatos que definen la estructura del modelo. Cuando se consulta el modelo, se usan
consultas nativas para recuperar datos del origen de datos subyacente.

Hay dos razones principales para considerar el desarrollo de un modelo de DirectQuery:

Cuando los volúmenes de datos son demasiado grandes, incluso cuando se

aplican métodos de reducción de datos para cargarlos en un modelo o,
prácticamente, para actualizarlos.
Cuando los informes y paneles deben entregar datos casi en tiempo real, más allá
de lo que se puede lograr dentro de límites de actualizaciones programadas. Los
límites de actualizaciones programadas son ocho veces al día para la capacidad
compartida y 48 veces al día para una capacidad Premium.
Hay varias ventajas asociadas con los modelos de DirectQuery:

No se aplican los límites de tamaño de los modelos de importación.

Los modelos no requieren una actualización de datos programada.
Los usuarios de informes ven los datos más recientes al interactuar con los filtros y
las segmentaciones de los informes. Además, los usuarios de informes pueden
actualizar todo el informe para recuperar los datos actuales.
Los informes en tiempo real se pueden desarrollar mediante la característica
Actualización automática de páginas.
Los iconos del panel, cuando se basan en los modelos de DirectQuery, se pueden
actualizar automáticamente con una frecuencia de cada 15 minutos.

Pero hay algunas limitaciones asociadas a los modelos de DirectQuery:

Las expresiones mashup y Power Query solo pueden ser funciones que se pueden
transponer en consultas nativas que comprende el origen de datos.
Las fórmulas de DAX se limitan a usar solo las funciones que se pueden transponer
en consultas nativas que comprende el origen de datos. No se admiten las tablas
calculadas.
No se admiten las características de Conclusiones rápidas.

Desde una perspectiva de recursos del servicio Power BI, los modelos de DirectQuery
requieren:

Memoria mínima para cargar el modelo (solo metadatos) cuando se consulta.

En algunas ocasiones, el servicio Power BI debe usar recursos de procesador
significativos para generar y procesar las consultas enviadas al origen de datos.
Cuando se produce esta situación, puede afectar al rendimiento, especialmente
cuando los usuarios consultan el modelo de manera simultánea.

Para más información, consulte Uso de DirectQuery en Power BI Desktop.

Modo de Composición
El modo de Composición puede combinar los modos de importación y de DirectQuery o
integrar varios orígenes de datos de DirectQuery. Los modelos desarrollados en modo
de Composición admiten la configuración del modo de almacenamiento para cada tabla
del modelo. Este modo también admite tablas calculadas, definidas con DAX.

El modo de almacenamiento de tabla se puede configurar como Importación,

DirectQuery o Dual. Una tabla configurada como modo de almacenamiento Dual es
tanto Importación como DirectQuery. Esta configuración permite que el servicio
Power BI determine el modo más eficaz para usar en cada consulta.
Los modelos compuestos se esfuerzan por ofrecer lo mejor de los modos de
Importación y DirectQuery. Cuando se configuran correctamente, pueden combinar el
alto rendimiento de consultas de los modelos en memoria con la capacidad de
recuperar datos casi en tiempo real de los orígenes de datos.

Para más información, consulte Usar modelos compuestos en Power BI Desktop.

Tablas DirectQuery y de importación pura

Es probable que los modeladores de datos que desarrollan modelos de Composición
configuren tablas de tipo de dimensiones en el modo de almacenamiento de
Importación o Dual y tablas de tipo de hechos en el modo de DirectQuery. Para más
información sobre los roles de tabla de modelo, consulte Descripción de un esquema de
estrella e importancia para Power BI.

Por ejemplo, considere un modelo con una tabla de tipo de dimensiones Producto en
modo Dual y una tabla de tipo de hechos Ventas en el modo de DirectQuery. La tabla
Producto se puede consultar de manera eficaz y rápida desde memoria para representar
una segmentación de informe. La tabla Ventas también se podría consultar en el modo
de DirectQuery con la tabla Producto. Esta última consulta podría permitir generar una
consulta SQL nativa eficaz que combine las tablas Producto y Ventas y que filtre según
los valores de segmentación.

Tablas híbridas
Los modeladores de datos que desarrollan modelos compuestos también pueden
configurar tablas de hechos como tablas híbridas. Una tabla híbrida es una tabla con
una o varias particiones de importación y una partición DirectQuery. La ventaja de una
tabla híbrida es que se podría consultar de manera eficaz y rápida desde memoria, al
mismo tiempo que se incluyen los cambios de datos más recientes del origen de datos
que se produjeron después del último ciclo de importación, como se muestra en la
visualización siguiente.

La manera más fácil de crear una tabla híbrida es configurar una directiva de
actualización incremental en Power BI Desktop y habilitar la opción Obtener los datos
más recientes en tiempo real con DirectQuery (solo Premium). Cuando Power BI aplica
una directiva de actualización incremental que tiene esta opción habilitada, particiona la
tabla como el esquema de partición mostrado en el diagrama anterior. Para garantizar
un buen rendimiento, configure las tablas de tipo de dimensión en modo de
almacenamiento dual para que Power BI pueda generar consultas SQL nativas eficaces al
consultar la partición DirectQuery.

７ Nota

Power BI solo admite tablas híbridas cuando el modelo semántico se hospeda en

áreas de trabajo en capacidades Premium. En consecuencia, debe cargar el modelo
semántico en un área de trabajo Premium si configura una directiva de
 actualización incremental con la opción de obtener los datos más recientes en
tiempo real con DirectQuery. Para obtener más información, consulte actualización
incremental y datos en tiempo real para modelos semánticos.

También es posible convertir una tabla de importación en una tabla híbrida mediante la
adición de una partición DirectQuery mediante el lenguaje de scripting del modelo
tabular (TMSL), el modelo de objetos tabulares (TOM) o mediante una herramienta de
terceros. Por ejemplo, puede crear particiones en una tabla de hechos de forma que la
mayor parte de los datos se queden en el almacenamiento de datos y solo se importe
una fracción de los datos más recientes. Este enfoque puede ayudar a optimizar el
rendimiento si la mayor parte de estos datos son datos históricos a los que se accede
con poca frecuencia. Una tabla híbrida puede tener varias particiones de importación,
pero solo una partición DirectQuery.

Contenido relacionado
Modo de almacenamiento en Power BI Desktop
Uso de DirectQuery en Power BI
Usar modelos compuestos en Power BI Desktop
¿Tiene más preguntas? Pruebe a preguntar a la comunidad de Power BI

Comentarios
¿Le ha resultado útil esta página?  Sí  No

Proporcionar comentarios sobre el producto | Preguntar a la comunidad

Requisitos previos de los orígenes de
datos de Power BI
Artículo • 26/02/2025

En el caso de los orígenes de datos, Power BI admite versiones específicas del proveedor
y de orígenes de datos, así como ciertos objetos. Para obtener más información acerca
de los orígenes de datos de Power BI disponibles, consulte Orígenes de datos.

En la tabla siguiente se describen los requisitos del origen de datos de Power BI.

ﾉ Expandir tabla

Origen de Proveedor Versión Versión Objetos Vínculo de

datos mínima de mínima admitidos descarga
proveedor de origen de origen
de datos de datos

SQL Server [Link] (integrado en .NET .NET SQL Tablas/vistas, Se incluye

Framework) Framework Server funciones en .NET
3.5 2005 o escalares, Framework
(únicamente) superior funciones de 3.5 o
tabla superior

Acceso Motor de base de datos de ACE 2010 Sin Tablas/vistas Vínculo de

Microsoft Access (ACE) SP1 restricción descarga

Excel Motor de base de datos de ACE 2010 Sin Tablas, hojas Vínculo de
(únicamente Microsoft Access (ACE) SP1 restricción descarga
archivos
.xls) (ver
nota 1)

Oracle (ver [Link] ODAC 11.2 9.x o Tablas/vistas Vínculo de

nota 2) versión 5 superior descarga
([Link].20)

MySQL Connector/Net 6.6.5 5,1 Tablas/vistas, Vínculo de

funciones descarga
escalares

PostgreSQL Proveedor NPGSQL de 4.0.10 9,4 Tablas/vistas Vínculo de

[Link] (incluido con descarga
Power BI Desktop)

Teradata Proveedor de datos .NET para 14+ 12+ Tablas/vistas Vínculo de

Teradata descarga
 Origen de Proveedor Versión Versión Objetos Vínculo de
datos mínima de mínima admitidos descarga
proveedor de origen de origen
de datos de datos

SAP Sybase [Link] Más de 16 Más de Tablas/vistas Vínculo de

SQL para .NET 3.5 16 descarga
Anywhere

７ Nota

Los archivos de Excel que tienen una extensión .xlsx no requieren una instalación
de proveedor independiente.

７ Nota

Los proveedores de Oracle también necesitan software cliente de Oracle (versión

8.1.7 o superior).

Comentarios
¿Le ha resultado útil esta página?  Sí  No

Proporcionar comentarios sobre el producto | Preguntar a la comunidad

Uso de metadatos de modelos
semánticos mejorados
Artículo • 22/11/2023

Cuando Power BI Desktop crea informes, también crea metadatos de modelo semántico
en los archivos PBIX y PBIT correspondientes. Anteriormente, los metadatos se
almacenaban en un formato específico de Power BI Desktop. Los metadatos usaban
orígenes de datos y expresiones M codificados en Base64. Power BI realizaba conjeturas
para saber cómo se almacenaban esos metadatos.

Con el lanzamiento de la característica Metadatos del modelo semántico mejorado, se

quitan muchas de estas limitaciones. Los archivos PBIX se actualizan automáticamente a
los metadatos mejorados al abrir el archivo. Con los metadatos del modelo semántico
mejorado, los metadatos creados por Power BI Desktop usan un formato similar al de
los tabulares de Analysis Services, que se basa en el Modelo de objetos tabulares.

La característica de metadatos del modelo semántico mejorado es estratégica y

fundamental. La funcionalidad futura de Power BI se basará sus metadatos. Estas otras
funcionalidades se benefician de los metadatos de modelo semántico mejorados:

Lectura y escritura de XMLA para la administración de modelos semánticos de

Power BI.
Migración de cargas de trabajo de Analysis Services a Power BI para beneficiarse
de las características de última generación

Actualizar
Los informes se actualizan automáticamente al formato de metadatos mejorado cuando
los abra en la versión más reciente de Power BI Desktop. Si el informe se guardó con
cambios de consulta no aplicados o si se produjo un error durante la actualización
automática, aparecerá una advertencia en el lienzo del informe que indica que todavía
necesita actualizar. Al seleccionar Actualizar informe, se aplican los cambios pendientes
y se actualiza el modelo de datos al formato nuevo.

Exclusión de la tabla de la actualización del

informe
Una vez que un modelo de datos se ha actualizado al formato de metadatos mejorado,
algunos metadatos que anteriormente solo se usaban en Power BI Desktop ahora
también se respetarán en el servicio Power BI. Estos metadatos incluyen la opción Incluir
en la actualización del informe. En el caso de los modelos actualizados, si la opción
Incluir en la actualización del informe no está seleccionada en el Editor de Power
Query, esa tabla no se actualizará cuando el informe o modelo semántico se actualice
en Power BI Desktop o el servicio Power BI. Los informes ya publicados en el servicio
Power BI que aún no se han actualizado al nuevo archivo formato de metadatos
mejorados tienen que actualizarse en Power BI Desktop antes de que este nuevo
comportamiento surta efecto.

Consideraciones y limitaciones
Antes de la compatibilidad con los metadatos mejorados, en SQL Server, Oracle,
Teradata y las conexiones HANA heredadas, Power BI Desktop agregaba una consulta
nativa al modelo de datos. Esa consulta la usan los modelos de datos del servicio
Power BI. Gracias a la compatibilidad con los metadatos mejorados, el modelo de datos
del servicio Power BI regenera la consulta nativa en tiempo de ejecución. No usa la
consulta que Power BI Desktop creó. En la mayoría de los casos, esta recuperación se
resuelve sola correctamente, pero algunas transformaciones no funcionan sin leer los
datos subyacentes. Posiblemente aparezcan algunos errores en los informes que antes
iban bien. Por ejemplo, un error podría decir:

No se puede convertir una consulta M en la tabla "Dimension City" en una

consulta de origen nativa. Vuelva a intentarlo más tarde o póngase en contacto
con soporte técnico. Si se pone en contacto con soporte técnico, proporcione
estos detalles.

Puede corregir las consultas en tres lugares distintos de Power BI Desktop:

Al aplicar cambios o realizar una actualización.

En una barra de advertencia del editor de Power Query, que informa de que la
expresión no se pudo plegar en el origen de datos.
 Al ejecutar evaluaciones cuando abre un informe para comprobar si tiene
consultas no admitidas. Ejecutar estas evaluaciones puede repercutir en el
rendimiento.

Ciertas combinaciones de caracteres en expresiones M que no se admiten en el Modelo

de objetos tabulares (TOM) tampoco se admiten en el entorno de metadatos del
modelo semántico mejorado.

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?

Novedades de Power BI
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
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
DirectQuery en Power BI
Artículo • 13/08/2024

En Power BI Desktop o el servicio Power BI, puede conectarse a muchos orígenes de

datos diferentes de diversas maneras. Puede importar datos a Power BI, que es la forma
más común de obtener datos. También puede conectarse directamente a algunos datos
en su repositorio de origen original, que se denomina DirectQuery. En este artículo se
describen principalmente las funcionalidades de DirectQuery.

En este artículo se describe:

Las distintas opciones de conectividad de datos de Power BI.

Instrucciones sobre cuándo usar DirectQuery en lugar de importar.
Limitaciones e implicaciones del uso de DirectQuery.
Recomendaciones para usar DirectQuery correctamente.
Cómo diagnosticar problemas de rendimiento de DirectQuery.

El artículo se centra en el flujo de trabajo de DirectQuery al crear un informe en Power BI

Desktop, pero también trata la conexión a través de DirectQuery en el servicio Power BI.

７ Nota

DirectQuery también es una característica de SQL Server Analysis Services. Esa

característica comparte muchos detalles con DirectQuery en Power BI, pero
también hay diferencias importantes. Este artículo describe principalmente
DirectQuery con Power BI, no con SQL Server Analysis Services.

Para obtener más información sobre el uso de DirectQuery con SQL Server Analysis
Services, consulte Uso de modelos compuestos en Power BI Desktop. También
puedes descargar el PDF DirectQuery en SQL Server 2016 Analysis Services .

Modos de conectividad de datos de Power BI

Power BI se conecta a un gran número de fuentes de datos variadas, como:

Servicios en línea como Salesforce y Dynamics 365.

Bases de datos como SQL Server, Access y Amazon Redshift.
Archivos simples en Excel, JSON y otros formatos.
Otros orígenes de datos, como Spark, sitios web y Microsoft Exchange.
Puede importar datos de estos orígenes en Power BI. Para algunos orígenes, también
puede conectarse mediante DirectQuery. Para obtener un resumen de los orígenes que
admiten DirectQuery, consulte Orígenes de datos de Power BI. Los orígenes habilitados
para DirectQuery son principalmente orígenes que pueden ofrecer un buen rendimiento
de consultas interactivas.

Debe importar datos a Power BI siempre que sea posible. La importación aprovecha el
motor de consultas de alto rendimiento de Power BI y ofrece una experiencia completa,
altamente interactiva.

Si no puede cumplir sus objetivos mediante la importación de datos, por ejemplo, si los
datos cambian con frecuencia y los informes deben reflejar los datos más recientes,
considere la posibilidad de usar DirectQuery. DirectQuery solo es viable cuando el
origen de datos subyacente puede proporcionar resultados de consulta interactivos en
menos de cinco segundos para una consulta agregada típica, y puede controlar la carga
de consulta generada. Tenga en cuenta detenidamente las limitaciones e implicaciones
del uso de DirectQuery.

Las capacidades de importación y DirectQuery de Power BI evolucionan con el tiempo.

Los cambios que proporcionan más flexibilidad al usar los datos importados le permiten
importar con más frecuencia y eliminar algunos de los inconvenientes de usar
DirectQuery. Independientemente de las mejoras, el rendimiento del orign de datos
subyacente es una consideración importante cuando se utiliza DirectQuery. Si un origen
de datos subyacente es lento, el uso de DirectQuery para dicho origen sigue siendo
inviable.

En las siguientes secciones se tratan las tres opciones para conectarse a los datos:
importación, DirectQuery y conexión dinámica. El resto del artículo se centra en
DirectQuery.

Importación de conexiones
Al conectarse a un origen de datos como SQL Server e importar datos en Power BI
Desktop, están presentes las siguientes condiciones de conectividad:

Al Obtener datos inicialmente, cada conjunto de tablas que seleccione define una
consulta que devuelve un conjunto de datos. Puede editar esas consultas antes de
cargar los datos, por ejemplo para aplicar filtros, agregar los datos o unir tablas
diferentes.

Una vez cargados, todos los datos definidos por las consultas se importan a la
caché de Power BI.
 La creación de un objeto visual dentro de Power BI Desktop consulta los datos
almacenados en caché. El almacén de Power BI garantiza que la consulta sea
rápida y que todos los cambios en el objeto visual se reflejen inmediatamente.

Los objetos visuales no reflejan los cambios en los datos subyacentes del almacén
de datos. Debe volver a importar para actualizar los datos.

Al publicar el informe en el servicio Power BI como un archivo .pbix se crea y se

carga un modelo semántico que incluye los datos importados. A continuación,
puede programar la actualización de los datos, por ejemplo, volver a importarlos
todos los días. En función de la ubicación del origen de datos original, podría ser
necesario configurar una puerta de enlace de datos local para la actualización.

Al abrir un informe existente o crear uno nuevo en el servicio Power BI, se vuelven
a consultar los datos importados, lo que garantiza la interactividad.

Puede anclar objetos visuales o páginas de informe completas como iconos de

panel en el servicio Power BI. Los iconos se actualizarán automáticamente cada vez
que se actualice el modelo semántico subyacente.

Conexiones de DirectQuery
Cuando se usa DirectQuery para conectarse a un origen de datos en Power BI Desktop,
están presentes las siguientes condiciones de conectividad de datos:

Use Obtener datos para seleccionar el origen. En el caso de los orígenes

relacionales, puede seguir seleccionando un conjunto de tablas que definan una
consulta que devuelva lógicamente un conjunto de datos. En el caso de orígenes
multidimensionales como SAP Business Warehouse (SAP BW), seleccione solo el
origen.

Tras la carga, no se importa ningún dato al almacén de Power BI. En su lugar,

cuando construye un objeto visual, Power BI Desktop envía consultas al origen de
datos subyacente para recuperar los datos necesarios. El tiempo que se tarda en
actualizar el objeto visual depende del rendimiento del origen de datos
subyacente.

Los cambios que se hagan en los datos subyacentes no se reflejan de inmediato en

los objetos visuales existentes. Todavía es necesario actualizar. Power BI Desktop
vuelve a enviar las consultas necesarias para cada objeto visual y actualiza el
objeto visual según sea necesario.
 Al publicar el informe en el servicio Power BI se crea y se carga un modelo
semántico, igual que para la importación. Sin embargo, ese modelo semántico no
incluye datos.

Al abrir un informe existente o crear uno nuevo en el servicio Power BI, se consulta
el origen de datos subyacente para recuperar los datos necesarios. En función de
la ubicación del origen de datos original, podría ser necesario configurar una
puerta de enlace de datos local para obtener los datos.

Puede anclar objetos visuales, o páginas de informe completas, como iconos del
panel. Para que la apertura de un panel sea rápida, los iconos se actualizan
automáticamente según un calendario, por ejemplo cada hora. Puede controlar la
frecuencia de actualización en función de la frecuencia con la que cambian los
datos y la importancia de ver los datos más recientes.

Cuando abra un panel, los iconos reflejarán los datos en el momento de la última
actualización, no necesariamente los cambios más recientes efectuados en el
origen subyacente. Puede actualizar un panel abierto para asegurarse de que está
actualizado.

Conexiones dinámicas
Al conectarse a SQL Server Analysis Services, puede optar por importar los datos o usar
una conexión dinámica con el modelo de datos seleccionado. El uso de una conexión
dinámica es similar a DirectQuery. No se importan datos y se consulta el origen de datos
subyacente para actualizar los visuales.

Por ejemplo, al usar la importación para conectarse a SQL Server Analysis Services,
defina una consulta en el origen de SQL Server Analysis Services externo e importe los
datos. Si realiza una conexión dinámica, no define ninguna consulta y todo el modelo
externo se muestra en la lista de campos.

Esta situación también se aplica cuando se conecta a los siguientes orígenes, excepto
que no hay ninguna opción para importar los datos:

Modelos semánticos de Power BI, por ejemplo conectándose a un modelo

semántico de Power BI que ya esté publicado en el servicio, para crear un nuevo
informe sobre él.

Microsoft Dataverse.

Cuando publica informes de SQL Server Analysis Services que utilizan conexiones
dinámicas, el comportamiento en el servicio Power BI es similar al de los informes
DirectQuery en los siguientes aspectos:

Al abrir un informe existente o crear uno nuevo en el servicio Power BI, se consulta
el origen subyacente de SQL Server Analysis Services, lo que posiblemente
requiera una puerta de enlace de datos local.

Los iconos de panel se actualizan automáticamente según una programación, por

ejemplo cada hora.

Una conexión dinámica también difiere de DirectQuery de varias maneras. Por ejemplo,
las conexiones dinámicas siempre pasan la identidad del usuario que abre el informe al
origen subyacente de SQL Server Analysis Services.

Casos de uso de DirectQuery

La conexión con DirectQuery puede ser útil en los escenarios siguientes. En varios de
estos casos, es necesario o beneficioso dejar los datos en su ubicación de origen
original.

DirectQuery en Power BI ofrece las mayores ventajas en los siguientes escenarios:

Los datos cambian con frecuencia y necesita informes casi en tiempo real.
Debe controlar datos de gran tamaño sin tener que agregarlos previamente.
El origen subyacente define y aplica reglas de seguridad.
Se aplican restricciones de soberanía de datos.
El origen de datos es un origen multidimensional que contiene medidas (como
SAP BW).

Los datos cambian con frecuencia y necesita informes

casi en tiempo real
Puede actualizar los modelos con los datos importados como máximo una vez por hora
o con mayor frecuencia con las suscripciones de Power BI Pro o Power BI Premium. Si
los datos cambian constantemente y es necesario que en los informes se muestren los
más recientes, es posible que el uso de la importación con actualización programada no
satisfaga sus necesidades. Puede transmitir datos en secuencias directamente a
Power BI, aunque existen límites en los volúmenes de datos que se admiten en este
caso.

El uso de DirectQuery significa que cuando se abre o actualiza un informe o panel

siempre se muestran los datos más recientes en el origen. Los iconos de panel también
se pueden actualizar con más frecuencia (incluso cada 15 minutos).
El volumen de datos es muy grande
Si los datos son muy grandes, no es factible importarlos todos. DirectQuery no requiere
una gran transferencia de datos, porque consulta los datos in situ. Sin embargo, los
datos de gran tamaño también pueden hacer que el rendimiento de las consultas contra
dicho origen subyacente sea demasiado lento.

No siempre tiene que importar los datos detallados completos. El Editor de Power
Query facilita la agregación previa de datos durante la importación. Técnicamente, es
posible importar exactamente los datos agregados que necesita para cada objeto visual.
Aunque DirectQuery es el enfoque más simple para los datos de gran tamaño, la
importación de datos agregados puede ofrecer una solución si el origen de datos
subyacente es demasiado lento para DirectQuery.

Estos detalles se relacionan con el uso de Power BI por sí solo. Para obtener más
información sobre el uso de modelos grandes en Power BI, consulte modelos
semánticos grandes en Power BI Premium. No hay ninguna restricción sobre la
frecuencia con que se pueden actualizar los datos.

El origen subyacente define reglas de seguridad

Cuando importa datos, Power BI se conecta al origen de datos utilizando las
credenciales de Power BI Desktop del usuario actual, o las credenciales configuradas
para la actualización programada desde el servicio Power BI. Al publicar y compartir
informes que han importado datos, debe tener cuidado de compartirlos solo con los
usuarios autorizados para ver los datos, o debe definir la seguridad a nivel de fila como
parte del modelo semántico.

DirectQuery permite que las credenciales de un visor de informes pasen al origen

subyacente, que aplica reglas de seguridad. DirectQuery admite el inicio de sesión único
(SSO) en los orígenes de datos Azure SQL y, a través de una puerta de enlace de datos,
en los servidores SQL locales. Para más información, consulte Introducción al inicio de
sesión único (SSO) para puertas de enlace de datos locales en Power BI.

Se aplican restricciones de soberanía de datos

Algunas organizaciones tienen directivas en torno a la soberanía de datos, lo que
significa que los datos no pueden salir de las instalaciones de la organización. Estos
datos presentan problemas para soluciones basadas en la importación de datos. Con
DirectQuery, los datos permanecen en la ubicación de origen subyacente. Sin embargo,
incluso con DirectQuery, el servicio Power BI mantiene algunas cachés de datos en el
nivel de objeto visual, debido a la actualización programada de los iconos.
El origen de datos subyacente usa medidas
Un origen de datos subyacente, como SAP HANA o SAP BW, contiene medidas. Las
medidas significan que los datos importados ya están en un determinado nivel de
agregación, tal como se define en la consulta. Un objeto visual que solicita datos en un
agregado de nivel superior, como TotalSales por año, agrega aún más el valor
agregado. Esta agregación está bien para medidas de adición, como Sum y Min, pero
puede ser un problema para las que no son de adición, como Average y DistinctCount.

Obtener fácilmente los datos agregados correctos necesarios para un objeto visual
directamente desde el origen requiere el envío de consultas por objeto visual, como en
DirectQuery. Cuando se conecta a SAP BW, la elección de DirectQuery permite este
tratamiento de las medidas. Para obtener más información, consulte DirectQuery y SAP
BW.

Actualmente DirectQuery sobre SAP HANA trata los datos igual que un origen relacional
y produce un comportamiento similar a la importación. Para obtener más información,
consulte DirectQuery y SAP HANA.

Limitaciones de DirectQuery
El uso de DirectQuery tiene algunas implicaciones potencialmente negativas. Algunas de
estas limitaciones difieren ligeramente en función del origen exacto que use. En las
secciones siguientes se enumeran las implicaciones generales del uso de DirectQuery y
las limitaciones relacionadas con el rendimiento, la seguridad, las transformaciones, el
modelado y los informes.

Implicaciones generales
A continuación se indican algunas implicaciones generales y limitaciones del uso de
DirectQuery:

Si cambian los datos, debe actualizar para mostrar los datos más recientes. Dado
el uso de cachés, no hay garantía de que los objetos visuales muestren siempre los
datos más recientes. Por ejemplo, un objeto visual puede mostrar las transacciones
realizadas el último día. Un cambio de segmentación podría actualizar el objeto
visual para mostrar las transacciones de los últimos dos días, incluidas las
transacciones recientes y recién llegadas. Pero devolver la segmentación a su valor
original podría provocar que vuelva a mostrar el valor anterior almacenado en
caché. Seleccione Actualizar para borrar cualquier caché y actualizar todos los
objetos visuales de la página para mostrar los datos más recientes.
Si los datos cambian, no hay garantía de coherencia entre los objetos visuales.
los distintos objetos visuales distintos, ya estén en la misma página o en distintas
páginas, se pueden actualizar en momentos distintos. Si los datos del origen
subyacente cambian, no hay garantía de que cada objeto visual muestre los datos
en el mismo momento.

Dado que puede ser necesaria más de una consulta para un mismo objeto visual,
por ejemplo, para obtener los detalles y los totales, ni siquiera la coherencia dentro
de un mismo objeto visual está garantizada. Garantizar esta coherencia requeriría
la sobrecarga de actualizar todos los objetos visuales cada vez que se actualizara
alguno, además de utilizar características costosas como el aislamiento de
instantáneas en el origen de datos subyacente.

Puede mitigar este problema en gran medida seleccionando Actualizar para

actualizar todos los objetos visuales de la página. Incluso para el modo de
importación, existe un problema similar de mantenimiento de la coherencia
cuando se importan datos de más de una tabla.

Debe actualizar en Power BI Desktop para reflejar los cambios de esquema.

Después de publicar un informe, Actualizar en el servicio Power BI actualiza los
objetos visuales del informe. Pero si cambia el esquema de origen subyacente, el
servicio Power BI no actualiza automáticamente la lista de campos disponibles. Si
se eliminan tablas o columnas del origen subyacente, podrían producirse errores
de consulta después de la actualización. Para actualizar los campos del modelo
para reflejar los cambios, debe abrir el informe en Power BI Desktop y elegir
Actualizar.

En cualquier consulta puede aparecer un límite de 1 millón de filas. Hay un límite

fijo de 1 millón de filas que puede devolver en una sola consulta al origen
subyacente. Por lo general, este límite no tiene implicaciones prácticas, y los
objetos visuales no mostrarán tantos puntos. Sin embargo, el límite puede
producirse en casos en los que Power BI no optimice completamente las consultas
enviadas y solicite algún resultado intermedio que supere el límite.

El límite también puede producirse mientras se crea un objeto virtual en la ruta a

un estado final más razonable. Por ejemplo, si se incluye Customer y
TotalSalesQuantity se podría alcanzar este límite si hay más de 1 millón de
clientes, hasta que aplique algún filtro. El error que devuelve es El conjunto de
resultados de una consulta a un origen de datos externa ha superado el tamaño
máximo permitido de '1000000' filas.

７ Nota
 Las capacidades Premium permiten superar el límite de un millón de filas. Para
obtener más información, vea Número máximo de conjuntos de filas
intermedias.

No puede cambiar un modelo de modo importación a modo DirectQuery. Puede

cambiar un modelo del modo DirectQuery al modo de importación si importa
todos los datos necesarios. No es posible volver al modo DirectQuery,
principalmente debido al conjunto de características que el modo DirectQuery no
admite. En el caso de los orígenes multidimensionales como SAP BW, tampoco
puede pasar del modo DirectQuery al modo de importación, debido al diferente
tratamiento de las medidas externas.

Implicaciones de rendimiento y carga

Cuando utilice DirectQuery, la experiencia global dependerá del rendimiento del origen
de datos subyacente. Si la actualización de cada objeto visual, por ejemplo, después de
cambiar un valor de segmentación, tarda menos de cinco segundos, la experiencia es
razonable, aunque puede sentirse lenta en comparación con la respuesta inmediata con
los datos importados. Si la lentitud del origen hace que los objetos visuales individuales
tarden más de decenas de segundos en actualizarse, la experiencia se vuelve
excesivamente pobre. Las consultas pueden incluso agotar el tiempo de espera.

Junto con el rendimiento del origen subyacente, la carga colocada en el origen también
afecta al rendimiento. Cada usuario que abre un informe compartido y cada icono del
panel que se actualiza, envía al menos una consulta por objeto visual al origen
subyacente. El origen debe ser capaz de administrar tal carga de consultas manteniendo
un rendimiento razonable.

Implicaciones de seguridad
A menos que el origen de datos subyacente use el inicio de sesión único, un informe de
DirectQuery siempre usa las mismas credenciales fijas para conectarse al origen una vez
publicada en el servicio Power BI. Inmediatamente después de publicar un informe de
DirectQuery, debe configurar las credenciales del usuario que se va a usar. Hasta que no
configure las credenciales, al intentar abrir el informe en el servicio Power BI se produce
un error.

Una vez que proporcione las credenciales de usuario, Power BI usará esas credenciales
para quien abra el informe, igual que para los datos importados. Todos los usuarios ven
los mismos datos, a menos que se defina la seguridad de nivel de fila como parte del
informe. Debe prestar la misma atención a compartir el informe que para los datos
importados, incluso si hay reglas de seguridad definidas en el origen subyacente.

La conexión a modelos semánticos de Power BI y Analysis Services en el modo

DirectQuery siempre usa SSO, por lo que la seguridad es similar a las conexiones
dinámicas a Analysis Services.

No se pueden usar "credenciales alternativas" al establecer conexiones de

DirectQuery con SQL Server desde Power BI Desktop. Sí se pueden usar las
credenciales de Windows o de base de datos actuales.

Puede usar varios orígenes de datos en un modelo directQuery mediante modelos

compuestos. Cuando se usan varios orígenes de datos, es importante comprender
las implicaciones para la seguridad del modo en que los datos van y vienen entre
los orígenes de datos subyacentes.

Limitaciones de transformación de datos

DirectQuery limita las transformaciones de datos que puede aplicar en el Editor de
Power Query. Con los datos importados, puede aplicar fácilmente un conjunto
sofisticado de transformaciones para limpiar y cambiar la forma de los datos antes de
usarlos para crear objetos visuales. Por ejemplo, puede analizar documentos JSON o
dinamizar datos de una columna a un formulario de fila. Estas transformaciones están
más limitadas en DirectQuery.

Al conectarse a un origen de procesamiento analítico en línea (OLAP), como SAP BW, no

puede definir ninguna transformación y todo el modelo externo se toma del origen.
Para fuentes relacionales como SQL Server, aún puede definir un conjunto de
transformaciones por consulta, pero esas transformaciones están limitadas por razones
de rendimiento.

Todas las transformaciones se deben aplicar en cada consulta al origen subyacente, en

lugar de una vez en la actualización de datos. Las transformaciones deben ser capaces
de traducirse razonablemente en una sola consulta nativa. Si utiliza una transformación
demasiado compleja, obtendrá un error que le indicará que debe eliminarla o cambiar el
modelo de conexión a importación.

Además, el cuadro de diálogo Obtener datos o Editor de Power Query Editor utilizan
subselecciones dentro de las consultas que generan y envían para recuperar datos para
un objeto visual. Las consultas definidas en el Editor de Power Query deben ser válidas
dentro de este contexto. En concreto, no se pueden usar consultas con expresiones de
tabla comunes ni consultas que invoquen procedimientos almacenados.
Limitaciones del modelado
En este contexto, el término modelación se refiere a la acción de refinar y enriquecer los
datos sin procesar como parte de la elaboración de un informe utilizando los datos.
Entre los ejemplos de modelación se incluyen:

Definir relaciones entre tablas.

Agregar cálculos nuevos como columnas calculadas y medidas.
Cambiar nombre y ocultar columnas y medidas.
Definir jerarquías.
Definir el formato de columna, el resumen predeterminado y el criterio de
ordenación.
Agrupar valores o agruparlos en clústeres.

Todavía puede realizar muchos de estos enriquecimientos de modelos al usar

DirectQuery y usar el principio de enriquecer los datos sin procesar para mejorar el
consumo posterior. Sin embargo, algunas capacidades de modelación no están
disponibles o son limitadas con DirectQuery. Las limitaciones se aplican para evitar
problemas de rendimiento.

Las siguientes limitaciones son comunes a todos los orígenes de DirectQuery. Se

pueden aplicar más limitaciones a orígenes individuales.

Sin jerarquía de fechas integrada: con los datos importados, cada columna de
fecha/hora también tiene una jerarquía de fechas integrada disponible de manera
predeterminada. Por ejemplo, si importa una tabla de pedidos de ventas que
incluye una columna OrderDate y usa OrderDate en un objeto visual, puede elegir
el nivel de fecha adecuado para usar, como año, mes o día. Esta jerarquía de
fechas integrada no está disponible con DirectQuery. Si hay una tabla Fecha
disponible en el origen subyacente, como es habitual en muchos almacenes de
datos, puede usar las funciones de inteligencia de tiempo de expresiones de
análisis de datos (DAX) como de costumbre.

Compatibilidad de fecha y hora solo con el nivel de segundos: en el caso de los

modelos semánticos que usan columnas de tiempo, Power BI emite consultas al
origen de DirectQuery subyacente solo hasta el nivel de detalle de segundos, no
milisegundos. Quite los datos de milisegundos de las columnas de origen.

Limitaciones en las columnas calculadas: las columnas calculadas solo pueden ser
intrafilas, es decir, solo pueden referirse a valores de otras columnas de la misma
tabla, sin utilizar ninguna función de agregado. Además, las funciones escalares
DAX permitidas, como LEFT() , están limitadas a aquellas funciones que se pueden
insertar en el origen subyacente. Las funciones varían en función de las
 capacidades exactas del origen. Las funciones que no son compatibles no
aparecen en la lista de autocompletar cuando se crea la consulta DAX para una
columna calculada, y dan lugar a un error si se utilizan.

Sin compatibilidad con funciones DAX de elementos primarios y secundarios: en

el modo DirectQuery, no es posible usar la familia de funciones DAX PATH() que
generalmente controlan las estructuras de elementos primarios y secundarios,
como planes contables o jerarquías de empleados.

Sin agrupación en clústeres: cuando se usa DirectQuery, no se puede usar la

funcionalidad de agrupación en clústeres para buscar automáticamente grupos.

Limitaciones de informes
Los modelos DirectQuery admiten casi todas las funcionalidades de informes. Siempre
que el origen subyacente ofrezca un nivel adecuado de rendimiento, puede usar el
mismo conjunto de visualizaciones que para los datos importados.

Una limitación general es que la longitud máxima de los datos de una columna de texto
para los modelos semánticos de DirectQuery es de 32 764 caracteres. Informar sobre
textos más largos da lugar a un error.

Las siguientes funcionalidades de informes de Power BI pueden causar problemas de

rendimiento en informes basados en DirectQuery:

Filtros de medidas: los objetos visuales que usan medidas (o agregados de

columnas) pueden contener filtros en esas medidas. Por ejemplo, el siguiente
gráfico muestra SalesAmount por Category, pero solo para las categorías con más
de 20 millones de ventas.
Este enfoque hace que se envíen dos consultas al origen subyacente:
La primera consulta recupera las categorías que cumplen la condición,
SalesAmount superior a 20 millones.
La segunda consulta recupera los datos necesarios para el objeto visual, que
incluyen las categorías que cumplían la condición WHERE .

Este enfoque tiene por lo general un buen rendimiento si existen cientos o miles
de categorías, como en este ejemplo. El rendimiento puede disminuir si el número
de categorías es mucho mayor. Se produce un error en la consulta si hay más de
un millón de categorías.

Filtros TopN: puede definir filtros avanzados para filtrar solo los valores superiores
o inferiores N ordenados por alguna medida. Por ejemplo, los filtros pueden incluir
las 10 categorías principales. Este enfoque vuelve a enviar dos consultas al origen
subyacente. Sin embargo, la primera consulta devuelve todas las categorías del
origen subyacente y, luego, se determinan los valores TopN según los resultados
devueltos. Dependiendo de la cardinalidad de la columna en cuestión, este
enfoque puede provocar problemas de rendimiento o fallos en la consulta debido
al límite de un millón de filas en los resultados de la consulta.

Mediana: cualquier agregación, como Sum o Count Distinct , se envía al origen

subyacente. Sin embargo, normalmente el origen subyacente no admite el
agregado median . Para median , los datos detallados se recuperan de la fuente
subyacente, y la mediana se calcula a partir de los resultados devueltos. Este
enfoque es razonable para calcular la mediana sobre un número relativamente
pequeño de resultados.
 Pueden surgir problemas de rendimiento o errores de consulta si la cardinalidad es
grande debido al límite de un millón de filas. Por ejemplo, consultar Población
media del país/región podría ser razonable, pero Precio medio de venta podría
no serlo.

Filtros de texto avanzados como 'contiene': el filtrado avanzado en una columna

de texto permite filtros como contains y begins with . Estos filtros pueden
producir un rendimiento deteriorado para algunos orígenes de datos. En concreto,
no use el filtro predeterminado contains si necesita una coincidencia exacta. Si
bien los resultados podrían ser iguales, según los datos reales, el rendimiento
podría ser completamente distinto a causa del uso de índices.

Segmentaciones de selección múltiple: de manera predeterminada, las

segmentaciones solo permiten realizar una sola selección. Permitir la selección
múltiple en los filtros puede causar problemas de rendimiento. Por ejemplo, si el
usuario selecciona los 10 productos de interés, cada nueva selección hace que las
consultas se envíen al origen. Aunque el usuario puede seleccionar el elemento
siguiente antes de que se complete la consulta, este enfoque se traduce en una
carga adicional en el origen subyacente.

Totales en objetos visuales de tablas: de manera predeterminada, las tablas y

matrices muestran totales y subtotales. En muchos casos, obtener los valores de
estos totales requiere el envío de consultas independientes al origen subyacente.
Este requisito se aplica siempre que utilice la agregación DistinctCount , o en
todos los casos que utilice DirectQuery sobre SAP BW o SAP HANA. Puede
desactivar estos totales mediante el panel Formato.

Recomendaciones de DirectQuery
En esta sección se proporcionan instrucciones de alto nivel sobre cómo usar
DirectQuery correctamente, dadas sus implicaciones.

Rendimiento del origen de datos subyacente

Valide que los objetos visuales simples se actualicen en un plazo de cinco segundos
para proporcionar una experiencia interactiva razonable. Si los objetos visuales tardan
más de 30 segundos en actualizarse, es probable que más problemas después de la
publicación del informe hagan que la solución no se pueda trabajar.

Si las consultas son lentas, examine las consultas enviadas al origen subyacente y el
motivo de la lentitud. Para obtener más información, consulte Diagnóstico de
rendimiento.

En este artículo no se analiza el amplio rango de recomendaciones de optimización de

base de datos en el conjunto completo de los orígenes subyacentes potenciales. Los
siguientes procedimientos estándar de bases de datos se aplican a la mayoría de las
situaciones:

Para mejorar el rendimiento, base las relaciones en columnas enteras en lugar de

combinar columnas de otros tipos de datos.

Cree los índices adecuados. La creación de índices suele implicar el uso de índices
de almacenes de columnas en orígenes que los admitan, por ejemplo SQL Server.

Actualice las estadísticas necesarias en el origen.

Diseño de modelos
Al definir el modelo, siga estas instrucciones:

Evite consultas complejas en Editor de Power Query. El Editor de Power Query

traduce una consulta compleja en una única consulta SQL. La consulta única
aparece en la subselección de todas las consultas enviadas a esa tabla. Si esa
consulta es compleja, podría generar problemas de rendimiento en cada consulta
enviada. Puede obtener la consulta SQL real para un conjunto de pasos haciendo
clic con el botón derecho en el último paso bajo Pasos aplicados en el Editor de
Power Query y seleccionando Ver consulta nativa.

Simplifique las medidas. Al menos al principio, limite las medidas a simples

agregados. Si las medidas funcionan de forma satisfactoria, puede definir medidas
más complejas, pero prestar atención al rendimiento.

Evite relaciones en las columnas calculadas. En las bases de datos en las que es
necesario realizar combinaciones de varias columnas, Power BI no permite basar
las relaciones en varias columnas como clave principal o clave externa. La solución
común es concatenar las columnas entre sí con una columna calculada y basar la
combinación en esa columna.

Esta solución es razonable para los datos importados, pero en el caso de

DirectQuery, genera una combinación en una expresión. Ese resultado suele
impedir el uso de cualquier índice y conduce a un rendimiento deficiente. La única
solución es realmente materializar las columnas múltiples en una sola columna en
el origen de datos subyacente.
Evite relaciones en columnas de tipo 'uniqueidentifier'. Power BI no admite de
forma nativa un tipo de datos uniqueidentifier . Definir una relación entre
columnas uniqueidentifier da como resultado una consulta con una unión que
implica una conversión. Al igual que en el caso anterior, esto normalmente genera
un rendimiento deficiente. La única solución es materializar columnas de un tipo
alternativo en el origen de datos subyacente.

Oculte la columna "to" en las relaciones. La columna to en las relaciones suele

ser la clave principal de la tabla to . Esa columna debe estar oculta, pero si está
oculta, no aparece en la lista de campos y no se puede usar en los objetos visuales.
A menudo, las columnas en las que se basan las relaciones son en realidad
columnas del sistema, por ejemplo claves sustitutas en un almacén de datos.
Todavía es mejor ocultar estas columnas.

Si la columna tiene significado, introduzca una columna calculada que sea visible y
que tenga una expresión simple de ser igual a la clave principal, por ejemplo:

SQL

ProductKey_PK (Destination of a relationship, hidden)

ProductKey (= [ProductKey_PK], visible)
ProductName
...

Examine todas las columnas calculadas y los cambios de tipo de datos. Puede
usar tablas calculadas al usar DirectQuery con modelos compuestos. Estas
funcionalidades no son necesariamente dañinas, pero dan lugar a consultas que
contienen expresiones en lugar de referencias simples a columnas. Esas consultas
pueden hacer que no se utilicen los índices.

Evite el filtrado cruzado bidireccional en las relaciones. El uso de filtros cruzados

bidireccionales puede dar lugar a sentencias de consulta que no funcionen bien.
Para obtener más información sobre el filtrado cruzado bidireccional, consulte
Habilitar el filtrado cruzado bidireccional para DirectQuery en Power BI Desktop o
descargue las notas del producto sobre Filtrado cruzado bidireccional . Los
ejemplos del documento son para SQL Server Analysis Services, pero los puntos
fundamentales también se aplican a Power BI.

Experimente con la configuración Asumir integridad referencial. El ajuste Asumir

integridad referencial en las relaciones permite que las consultas utilicen
sentencias INNER JOIN en lugar de OUTER JOIN . Esta instrucción suele mejorar el
rendimiento de la consulta, aunque depende de las características específicas del
origen de datos.
 No use el filtrado de fechas relativas en el Editor de Power Query. Es posible
definir el filtrado de fechas relativas en Editor de Power Query. Por ejemplo, puede
filtrar a las filas cuya fecha se encuentre en los últimos 14 días.

Sin embargo, este filtro se traduce en un filtro basado en una fecha fija, como la
hora en que se creó la consulta, como puede ver en la consulta nativa.

Es probable que estos datos no sean los que usted desea. Para asegurarse de que
el filtro se aplica en función de la fecha en el momento en que se ejecuta el
informe, aplique el filtro de fecha en el informe. Puede crear una columna
calculada que calcule el número de días hace mediante la función DAX DATE() y
usar esa columna calculada en el filtro.

Diseño del informe

Al crear un informe que use una conexión DirectQuery, siga estas instrucciones:

Considere usar las opciones de reducción de consultas: Power BI proporciona

opciones de informe para enviar menos consultas y para desactivar ciertas
interacciones que causan una mala experiencia si las consultas resultantes tardan
mucho tiempo en ejecutarse. Estas opciones se aplican cuando interactúa con su
informe en Power BI Desktop, y también se aplican cuando los usuarios consumen
el informe en el servicio Power BI.

Para acceder a estas opciones en Power BI Desktop, vaya a Archivo>Opciones y

configuración>Opciones, y seleccione Reducción de consulta. .
Las selecciones de la pantalla Reducción de consultas permiten mostrar un botón
Aplicar para segmentaciones o selecciones de filtro. No se enviará ninguna
consulta hasta que seleccione el botón Aplicar en el filtro o la segmentación. A
continuación, las consultas usan las selecciones para filtrar los datos. Este botón le
permite realizar varias selecciones de segmentación y filtros antes de aplicarlas.

Aplique primero los filtros: siempre aplique los filtros correspondientes al

comienzo de la creación de un objeto visual. Por ejemplo, en lugar de arrastrar
TotalSalesAmount y ProductName, y luego filtrar por un año determinado,
aplique el filtro en Year al principio.

Cada paso de la creación de un objeto visual envía una consulta. Aunque es

posible hacer otro cambio antes de completar la primera consulta, este enfoque
todavía deja una carga innecesaria en el origen subyacente. La aplicación de filtros
al comienzo suele hacer que esas consultas intermedias sean menos costosas. Si
no se aplican los filtros a tiempo, se puede llegar al límite de un millón de filas.

Limite la cantidad de objetos visuales de una página: cuando abre una página o
cambia un filtro o una segmentación a nivel de página, se actualizan todos los
 objetos visuales de una página. Hay un límite en el número de consultas paralelas.
A medida que aumenta el número de objetos visuales, algunos objetos visuales se
actualizan en serie, lo que aumenta el tiempo necesario para actualizar la página.
Por lo tanto, es mejor limitar el número de objetos visuales en una sola página y,
en su lugar, tener más páginas, más sencillas.

Considere desactivar la interacción entre objetos visuales: de manera

predeterminada, las visualizaciones en una página de informe pueden usarse para
el filtro cruzado y el resaltado cruzado de las demás visualizaciones en la página.
Por ejemplo, si selecciona 1999 en el gráfico circular, el gráfico de columnas
mostrará el resaltado cruzado de las ventas por categoría para 1999.

El filtrado cruzado y el resaltado cruzado de DirectQuery requieren el envío de

consultas al origen subyacente. Debe desactivar esta interacción si el tiempo
necesario para responder a las selecciones de los usuarios es excesivamente largo.

Puede utilizar los ajustes de Reducción de consultas para desactivar el resaltado

cruzado en todo el informe o en cada caso. Para más información, vea Aplicación
de un filtro cruzado entre objetos visuales de un informe de Power BI.

Número máximo de conexiones

Puede establecer el número máximo de conexiones que abre DirectQuery para cada
origen de datos subyacente, lo que controla el número de consultas enviadas al mismo
tiempo a cada origen de datos.

DirectQuery abre un número máximo predeterminado de 10 conexiones simultáneas.

Para cambiar el número máximo para el archivo actual en Power BI Desktop, vaya a
Archivo>Opciones y configuración>Opciones, y seleccione DirectQuery en la sección
Archivo actual del panel izquierdo.
Esta opción solo se habilita cuando hay al menos un origen de DirectQuery en el
informe actual. El valor se aplica a todos los orígenes de DirectQuery y a los nuevos
orígenes de DirectQuery agregados al informe.

Aumentar el valor de Número máximo de conexiones por origen de datos permite

enviar más consultas, hasta el número máximo especificado, al origen de datos
subyacente. Este enfoque resulta útil cuando muchos objetos visuales están en una sola
página o muchos usuarios tienen acceso a un informe al mismo tiempo. Una vez
alcanzado el número máximo de conexiones, las consultas siguientes se ponen en cola
hasta que haya disponible una conexión. Un límite más alto supone una mayor carga
para el origen subyacente, por lo que no se garantiza que el ajuste mejore el
rendimiento general.

Una vez que publique un informe en el servicio Power BI, el número máximo de
consultas simultáneas también depende de los límites fijos establecidos en el entorno
de destino donde se publica el informe. Power BI, Power BI Premium y Power BI Report
Server imponen límites diferentes. En la tabla siguiente se enumeran los límites
superiores de las conexiones activas por origen de datos para cada entorno de Power BI.
Estos límites se aplican a los orígenes de datos en la nube y locales, como SQL Server,
Oracle y Teradata.

ﾉ Expandir tabla

Entorno Límite superior por origen de datos

Power BI Pro 10 conexiones activas

Power BI Premium Depende de la limitación de la SKU del modelo semántico

Power BI Report Server 10 conexiones activas

７ Nota

La configuración del número máximo de conexiones de DirectQuery se aplica a

todos los orígenes de DirectQuery al habilitar los metadatos mejorados, que es lo
predeterminado para todos los modelos creados en Power BI Desktop.

DirectQuery en el servicio Power BI

Todos los orígenes de datos de DirectQuery se admiten desde Power BI Desktop y
algunos orígenes también están disponibles directamente desde el servicio Power BI. Un
usuario empresarial puede utilizar Power BI para conectarse a sus datos en Salesforce,
por ejemplo, y obtener inmediatamente un panel, sin necesidad de utilizar Power BI
Desktop.

Solo los dos orígenes habilitados para DirectQuery siguientes están disponibles
directamente en el servicio Power BI:

Spark
Azure Synapse Analytics (anteriormente SQL Data Warehouse)

Incluso para estos dos orígenes, sigue siendo mejor iniciar el uso de DirectQuery en
Power BI Desktop. Aunque es fácil establecer inicialmente la conexión en el servicio
Power BI, existen limitaciones para mejorar aún más el informe resultante. Por ejemplo,
en el servicio no es posible crear ningún cálculo, ni utilizar muchas funciones analíticas,
ni actualizar los metadatos para reflejar los cambios en el esquema subyacente.

El rendimiento de un informe de DirectQuery en el servicio Power BI depende del grado

de carga colocado en el origen de datos subyacente. La carga depende de:
 Número de usuarios que comparten el informe y el panel.
La complejidad del informe.
Si el informe define la seguridad de nivel de fila.

Comportamiento de los informes en el servicio Power BI

Al abrir un informe en el servicio Power BI, todos los objetos visuales de la página visible
actualmente se actualizan. Cada objeto visual requerirá al menos una consulta al origen
de datos subyacente. Puede que algunos objetos visuales requieran más de una
consulta. Por ejemplo, un objeto visual podría mostrar valores agregados de dos tablas
de hechos distintas, contener una medida más compleja o contener totales de una
medida no de adición, como Count Distinct. Al pasar a una nueva página se actualizan
esos objetos visuales. La actualización envía un nuevo conjunto de consultas al origen
subyacente.

Cada interacción del usuario en el informe podría hacer que se actualicen los objetos
visuales. Por ejemplo, la selección de otro valor en una segmentación requiere enviar un
nuevo conjunto de consultas para actualizar todos los objetos visuales afectados. Lo
mismo sucede cuando se selecciona un objeto visual para el resaltado cruzado de otros
objetos visuales o para cambiar un filtro. De manera similar, la creación o edición de un
informe requiere que se envíen consultas para cada paso de la ruta de acceso para
generar el objeto visual final.

Hay algún tipo de almacenamiento en caché de los resultados en caché. La actualización

de un objeto visual es instantánea si recientemente se han obtenido exactamente los
mismos resultados. Si se define seguridad de nivel de fila, estas cachés no se comparten
entre los usuarios.

El uso de DirectQuery impone algunas limitaciones importantes en algunas de las

funcionalidades que ofrece el servicio Power BI para los informes publicados:

No se admiten conclusiones rápidas: las conclusiones rápidas de Power BI buscan

en distintos subconjuntos del modelo semántico al tiempo que aplican un
conjunto de algoritmos sofisticados para detectar información de posible interés.
Dado que las conclusiones rápidas requieren consultas de alto rendimiento, esta
característica no está disponible en los modelos semánticos que usan DirectQuery.

El uso de Explorar en Excel da como resultado un rendimiento deficiente: puede

explorar un modelo semántico mediante la funcionalidad Explorar en Excel, que le
permite crear tablas dinámicas y gráficos dinámicos en Excel. Esta funcionalidad es
compatible con modelos semánticos que usan DirectQuery, pero el rendimiento es
más lento que crear objetos visuales en Power BI. Si usar Excel es importante para
 sus escenarios, tenga en cuenta este problema al decidir si se debe usar
DirectQuery.

Excel no muestra jerarquías: por ejemplo, cuando se usa Analizar en Excel, Excel
no muestra las jerarquías definidas en los modelos de Azure Analysis Services o en
los modelos semánticos de Power BI que utilizan DirectQuery.

Actualización del panel

En el servicio Power BI, puede anclar objetos visuales individuales o páginas completas a
paneles como iconos. Los iconos basados en modelos semánticos de DirectQuery se
actualizan automáticamente mediante el envío de consultas a los orígenes de datos
subyacentes según una programación. De manera predeterminada, los modelos
semánticos se actualizan cada hora, pero puede configurar la actualización entre
semanal y cada 15 minutos como parte de la configuración del modelo semántico.

Si no se define ninguna seguridad a nivel de fila en el modelo, cada icono se actualiza

una sola vez y los resultados se comparten entre todos los usuarios. Si usa seguridad de
nivel de fila, cada icono requiere que se envíen consultas independientes por usuario al
origen subyacente.

Puede haber un gran efecto multiplicador. Un panel con 10 iconos, compartido con 100
usuarios, creado sobre un modelo semántico que utiliza DirectQuery con seguridad a
nivel de fila, da lugar a que se envíen al menos 1000 consultas al origen de datos
subyacente por cada actualización. Tenga muy en cuenta el uso de la seguridad de nivel
de filas y la configuración del calendario de actualización.

Tiempos de espera de las consultas

Un tiempo de espera de cuatro minutos se aplica a las consultas individuales en el
servicio Power BI. Se produce un error en las consultas que tardan más de cuatro
minutos. Este límite pretende evitar problemas causados por tiempos de ejecución
demasiado largos. Solo debe usar DirectQuery para orígenes que puedan proporcionar
rendimiento interactivo de consultas.

Diagnóstico de rendimiento
Esta sección describe cómo diagnosticar problemas de rendimiento o cómo obtener
información más detallada para optimizar sus informes.

Empiece a diagnosticar los problemas de rendimiento en Power BI Desktop, en lugar de

en el servicio Power BI. Los problemas de rendimiento suelen basarse en el rendimiento
del origen subyacente. Puede identificar y diagnosticar más fácilmente los problemas en
el entorno más aislado de Power BI Desktop.

Este enfoque elimina inicialmente determinados componentes, como la puerta de

enlace de Power BI. Si los problemas de rendimiento no se producen en Power BI
Desktop, puede investigar los detalles del informe en el servicio Power BI.

El analizador de rendimiento de Power BI Desktop es una herramienta útil para

identificar problemas. Intente aislar cualquier problema a un solo objeto visual, en lugar
de a muchos objetos visuales en una página. Si un único objeto visual de una página de
Power BI Desktop va lento, utilice el Analizador de rendimiento para analizar las
consultas que Power BI Desktop envía al origen subyacente.

También puede ver seguimientos e información de diagnóstico que emiten algunos

orígenes de datos subyacentes. Incluso si no hay seguimientos del origen, el archivo de
seguimiento puede contener detalles útiles sobre cómo se ejecuta una consulta y cómo
puede mejorarla. Puede usar el siguiente proceso para ver las consultas que Power BI
envía y sus tiempos de ejecución.

Uso de SQL Server Profiler para ver consultas

De manera predeterminada, Power BI Desktop registra los eventos que se producen
durante una sesión determinada en un archivo de seguimiento llamado
[Link]. El archivo de seguimiento se encuentra en la carpeta Power BI
Desktop del usuario actual, en una carpeta denominada AnalysisServicesWorkspaces.

Para algunos orígenes de DirectQuery, este archivo de seguimiento incluye todas las
consultas enviadas al origen de datos subyacente. Los orígenes de datos siguientes
envían consultas al registro:

SQL Server
Azure SQL Database
Azure Synapse Analytics (anteriormente SQL Data Warehouse)
Oracle
Teradatos
SAP HANA

Puede leer los archivos de seguimiento utilizando el SQL Server Profiler, que forma parte
de la descarga gratuita de SQL Server Management Studio.
Para abrir el archivo de seguimiento de la sesión actual:

1. Durante una sesión de Power BI Desktop, seleccione Archivo>Opciones y

ajustes>Opciones y, a continuación, seleccione Diagnósticos.

2. En Recopilación del volcado de memoria, seleccione Abrir carpeta de volcado de

memoria o seguimiento.
 Se abre la carpeta Power BI Desktop\Traces.

3. Vaya a la carpeta principal y, a continuación, a la carpeta

AnalysisServicesWorkspaces, que contiene una carpeta de área de trabajo para
cada instancia abierta de Power BI Desktop. El nombre de estas carpetas incluye un
sufijo de entero, como AnalysisServicesWorkspace2058279583. La carpeta de área
de trabajo se elimina cuando finaliza la sesión de Power BI Desktop asociada.

Dentro de la carpeta del área de trabajo de la sesión actual de Power BI, la carpeta
\Data contiene el archivo de seguimiento [Link]. Tome nota de
la ubicación.

4. Abra SQL Server Profiler y seleccione Archivo>Abrir>Archivo de seguimiento.

5. Vaya a o escriba la ruta de acceso al archivo de seguimiento de la sesión actual de

Power BI y abra [Link].

SQL Server Profiler muestra todos los eventos de la sesión actual. En la captura de
pantalla siguiente se resalta un grupo de eventos para una consulta. Cada grupo de
consulta tiene los siguientes eventos:

Un evento Query Begin y Query End , que representan el inicio y el final de una
consulta DAX generada al cambiar un objeto visual o un filtro en la interfaz de
usuario de Power BI, o a partir del filtrado o la transformación de datos en el Power
Query Editor.

Uno o más pares de eventos DirectQuery Begin y DirectQuery End , que

representan consultas enviadas al origen de datos subyacente como parte de la
evaluación de la consulta DAX.

Se pueden ejecutar varias consultas DAX en paralelo, por lo que se pueden intercalar
eventos de distintos grupos. Puede utilizar el valor ActivityID para determinar qué
eventos pertenecen al mismo grupo.

Las columnas siguientes también son de interés:

TextData: el detalle textual del evento. Para los eventos Query Begin y Query End ,
el detalle es la consulta DAX. En el caso de los eventos DirectQuery Begin y
DirectQuery End , el detalle es la consulta SQL enviada al origen subyacente.

TextData para el evento seleccionado actualmente también aparece en el panel de

la parte inferior de la pantalla.
EndTime: cuándo se completó el evento.
Duration: la duración, en milisegundos, que tardó en ejecutarse la consulta DAX o
SQL.
Error: si se ha producido un error, en cuyo caso el evento también se muestra en
rojo.
Para capturar un seguimiento para ayudar a diagnosticar un posible problema de
rendimiento:

1. Abra una sesión única de Power BI Desktop, para evitar la confusión de tener varias
carpetas de área de trabajo.

2. Realice el conjunto de acciones de interés en Power BI Desktop. Incluya algunas

acciones más, para asegurarse de que los eventos de interés se vierten en el
archivo de seguimiento.

3. Abra SQL Server Profiler y examine el seguimiento. Recuerde que al cerrar Power BI
Desktop, se elimina el archivo de seguimiento. Además, las acciones adicionales en
Power BI Desktop no aparecen inmediatamente. Debe cerrar y volver a abrir el
archivo de seguimiento para ver nuevos eventos.

Mantenga sesiones individuales razonablemente pequeñas, quizás 10 segundos de

acciones, no cientos. Este enfoque facilita la interpretación del archivo de seguimiento.
También hay un límite en el tamaño del archivo de seguimiento. En el caso de las
sesiones largas, existe la posibilidad de descartar los eventos iniciales.

Descripción del formato de las consultas

El formato general de las consultas de Power BI Desktop usa subselecciones para cada
tabla a la que hacen referencia. La consulta del Power Query Editor define las consultas
de la subselección. Por ejemplo, suponga que tiene las siguientes tablas TPC-DS en
SQL Server:
Ejecutando la siguiente consulta:

SQL

SalesAmount (SUMX(Web_Sales, [ws_sales_price]*[ws_quantity]))

by Item[i_category]
for Date_dim[d_year] = 2000

Da como resultado el siguiente objeto visual en Power BI:

Al actualizar ese objeto visual, se genera la consulta SQL en la imagen siguiente. Hay
tres consultas de subselección para Web_Sales , Item y Date_dim , que devuelven todas las
columnas de la tabla respectiva, aunque el objeto visual haga referencia solo a cuatro
columnas.
Editor de Power Query define las consultas de subselección exactas. Este uso de
consultas de subselección no se ha mostrado para afectar al rendimiento de los
orígenes de datos compatibles con DirectQuery. Los orígenes de datos como SQL Server
optimizan las referencias a las otras columnas.

Power BI usa este patrón porque el analista proporciona directamente la consulta SQL.
Power BI usa la consulta como se proporciona, sin ningún intento de reescribirla.

Contenido relacionado
Para obtener más información sobre DirectQuery en Power BI, consulte:

Usar DirectQuery en Power BI Desktop

En este artículo se describen aspectos de DirectQuery que son comunes entre todos los
orígenes de datos. Consulte los siguientes artículos para obtener más información sobre
orígenes específicos:

DirectQuery y SAP HANA

DirectQuery y SAP BW
Uso de DirectQuery para modelos semánticos de Power BI y Analysis Services

Comentarios
¿Le ha resultado útil esta página?  Sí  No

Proporcionar comentarios sobre el producto | Preguntar a la comunidad

Conexión dinámica y comparación de
DirectQuery
Artículo • 14/05/2024

La conexión dinámica es una manera de conectar un informe de Power BI a un modelo

semántico de Power BI publicado. DirectQuery es un método que puede usar para
conectar el modelo semántico a los datos. En este artículo, se describen las principales
diferencias entre estos conceptos.

Conexión dinámica
La conexión dinámica es un método que le permite crear un informe en Power BI
Desktop sin tener que crear un modelo semántico para él. Al crear el informe en
Power BI Desktop, puede conectarlo a un modelo semántico que ya existe. Una conexión
dinámica permite confiar en los datos existentes, que se pueden actualizar sin tener
acceso al informe.

Con la conexión dinámica, puede conectar el informe a uno de los orígenes de datos
siguientes:

Modelo semántico que ya existe en el servicio Power BI

Una base de datos de Azure Analysis Services (AAS)

Una instancia local de SQL Server Analysis Services (SSAS)

DirectQuery
Un modelo semántico de Power BI puede tener datos copiados en él durante una
operación de actualización: esto se denomina modo de importación. O bien, el modelo
semántico puede solicitar dinámicamente datos desde un origen de datos al que está
conectado mediante un método denominado DirectQuery.

Al usar DirectQuery, el informe usa consultas de expresión de análisis de datos (DAX)

para obtener datos. Una vez que el modelo semántico recibe la consulta DAX del
informe, genera otro conjunto de consultas que se ejecutan en el origen de datos para
obtener los datos necesarios. Si, por ejemplo, el origen de datos es una base de datos
de SQL Server, Power BI generará consultas SQL para obtener los datos que necesita.
Otros orígenes de datos pueden generar consultas en otros lenguajes de consulta.
DirectQuery es útil cuando:

Trabaja con orígenes de datos con un gran volumen de datos

Quiere usar datos casi en tiempo real

También puede usar DirectQuery con Analysis Services, como se describe en Uso de
DirectQuery para modelos semánticos de Power BI y Analysis Services.

Contenido relacionado
Para más información, consulte los siguientes recursos:

Modos de modelo semántico en el servicio Power BI

Conexión con modelos semánticos en el servicio Power BI desde Power BI Desktop

Comentarios
¿Le ha resultado útil esta página?  Sí  No

Proporcionar comentarios sobre el producto | Preguntar a la comunidad

Conectarse a orígenes de datos en
Power BI Desktop
Artículo • 23/03/2023

Con Power BI Desktop puede conectarse fácilmente con el mundo de los datos en
continua expansión. Si no dispone de Power BI Desktop, puede descargarlo e
instalarlo.

Existe todo tipo de orígenes de datos disponibles en Power BI Desktop. En la imagen

siguiente se muestra cómo conectarse a los datos, seleccionando Obtener
datos>Otros>Web.
Ejemplo de conexión a los datos
En este ejemplo, se conectará a un origen de datos web.

Imagine que se va a jubilar. Quiere vivir en un lugar en el que haga mucho sol, los
impuestos sean bajos y la asistencia sanitaria sea buena. O... quizás sea un analista de
datos y quiera esa información para atender a sus clientes, por ejemplo, para ayudar un
fabricante de impermeables a fijar sus objetivos de ventas en los lugares donde llueva
mucho.

Cualquiera que sea el caso, encuentra un recurso web que tiene datos interesantes
acerca de estos temas y mucho más:
[Link]

Seleccione Obtener datos>Otros>Web. En De la web, escriba la dirección.

Al seleccionar Aceptar, se activa la funcionalidad Consulta de Power BI Desktop. Power

BI Desktop conecta con el recurso web y la ventana Navegador devuelve los resultados
de lo que encontró en la página web. En este caso, encontró una tabla. Nos interesa esa
tabla, así que la seleccionamos en la lista. La ventana Navegador muestra una vista
previa.

En este punto, se puede editar la consulta antes de cargar la tabla, seleccionando

Transformar datos desde la parte inferior de la ventana, o bien cargar directamente la
tabla.
Seleccione Transformar datos para cargar la tabla e iniciar el Editor de Power Query. Se
muestra el panel Configuración de la consulta. De no ser así, seleccione Ver en la cinta
de opciones y, después, Configuración de la consulta para mostrar el panel
Configuración de la consulta. El editor tiene el siguiente aspecto:

Todos esos resultados son texto más que números y necesitamos que sean números. No
hay problema. Simplemente haga clic con el botón derecho en el encabezado de la
columna y seleccione Cambiar tipo>Número entero para cambiarlos. Para elegir más
de una columna, primero seleccione una columna y, con la tecla Mayús presionada,
seleccione otras columnas adyacentes. Después, haga clic con el botón derecho en un
encabezado de columna para cambiar todas las columnas seleccionadas. Use la tecla
Ctrl para elegir columnas que no sean adyacentes.


En Configuración de la consulta, la sección PASOS APLICADOS refleja todos los
cambios realizados. A media que realiza más cambios en los datos, el Editor de Power
Query los registra en la sección PASOS APLICADOS, que se puede ajustar, revisar,
reorganizar o eliminar, según sea necesario.

Se pueden hacer más cambios en la tabla después de cargarla, pero por ahora basta con
esto. Al finalizar, seleccione Cerrar y aplicar de la cinta Inicio y Power BI Desktop
aplicará los cambios y cerrará el Editor de Power Query.

Con el modelo de datos cargado, en la vista Informe en Power BI Desktop, podemos

crear visualizaciones arrastrando campos al lienzo.


Por supuesto, este modelo es sencillo, con una sola conexión de datos. La mayoría de
los informes de Power BI Desktop tienen conexiones a orígenes de datos diferentes,
adaptados a sus necesidades, con relaciones que producen un modelo de datos
enriquecido.

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?

Información general sobre consultas en Power BI Desktop
Orígenes 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

¿Desea enviar comentarios? Magnífico. Utilice el elemento de menú Enviar una idea en
Power BI Desktop o visite Comentarios de la comunidad . Esperamos sus noticias.
Conexión a orígenes de datos en la
nube en el servicio Power BI
Artículo • 29/10/2024

Con Power BI, puede compartir conexiones a la nube para modelos semánticos e
informes paginados, datamarts y flujos de datos, así como experiencias Power Query
Online en Obtener datos, lo que le permite crear varios objetos de conexión al mismo
origen de datos en la nube. Por ejemplo, puede crear conexiones independientes al
mismo origen de datos, con diferentes credenciales o configuración de privacidad, y
compartir las conexiones con otros usuarios, lo que mitiga la necesidad de que esos
usuarios administren sus propias conexiones a la nube independientes.

Tipos de conexiones de datos

En la tabla siguiente se muestra cómo se asignan varios tipos de conexiones a los dos
tipos de conexión principales: las conexiones de puerta de enlace de datos y las
conexiones directas a la nube. La nueva funcionalidad que se describe en este artículo
son las conexiones a la nube que se pueden compartir.

ﾉ Expandir tabla

Conexiones de puerta de enlace de datos Conexiones directas a la nube

Conexiones mediante una puerta de enlace de datos Conexiones personales a la nube

personales

Conexiones mediante una puerta de enlace de datos Conexiones a la nube que se pueden
empresarial o de red virtual compartir (nuevo)

Ventajas de las conexiones a la nube que se

pueden compartir
Las conexiones que usan una conexión a la nube personal tienen varias limitaciones. Por
ejemplo, con una conexión a la nube personal solo puede crear un único objeto de
conexión de nube personal a un origen de datos determinado. Todos los modelos
semánticos que se conectan al origen de datos usan el mismo objeto de conexión a la
nube personal, por lo que si cambia las credenciales de la conexión a la nube personal,
todos los modelos semánticos que usan esa conexión personal en la nube se verán
afectados. A menudo, no es un resultado deseado.
Otra limitación de la conexión a la nube personal es que no se puede compartir con
otros usuarios, por lo que otros usuarios no pueden enlazar sus modelos semánticos e
informes paginados a la conexión a la nube personal de su propiedad; los usuarios
deben mantener sus propias conexiones personales a la nube.

Las conexiones que se pueden compartir no tienen estas limitaciones y proporcionan

una administración de las conexiones más simplificada y flexible, gracias a las
características siguientes:

Compatibilidad con varias conexiones al mismo origen de datos: la

compatibilidad con varias conexiones en el mismo origen de datos es
especialmente útil cuando se desea usar una configuración de conexión diferente
para distintos modelos semánticos y otros artefactos. También es útil cuando se
quieren asignar a artefactos individuales sus propias conexiones independientes,
para asegurarse de que las configuraciones de conexión está aisladas entre sí.

Puede compartir estas conexiones con otros usuarios: con las conexiones que se
pueden compartir, puede asignar permisos de propietario a otros usuarios, lo que
les permite administrar todos los aspectos de la configuración de conexión,
incluidas las credenciales. Puede proporcionar a otros usuarios permisos de volver
a compartir para que puedan usar y volver a compartir la conexión con otros
usuarios. También puede proporcionar permisos de usuario, lo que les permite
usar la conexión para enlazar sus artefactos al origen de datos.

Reduzca la sobrecarga del mantenimiento de las conexiones de datos y las

credenciales; cuando se combina con la experiencia de administración del origen
de datos y la puerta de enlace, puede centralizar la administración de conexiones
del origen de datos para las conexiones de puerta de enlace y a la nube. Este tipo
de centralización y administración ya es común en las puertas de enlace de datos
empresariales y de red virtual, para las que un administrador de puerta de enlace
crea, comparte y mantiene las conexiones. Con las conexiones que se pueden
compartir, ahora también puede extender dicha administración centralizada de
conexiones a orígenes de datos en la nube.

Comparar la conexión en la nube que se puede

compartir con otras conexiones
De forma predeterminada, cuando se crea un informe de Power BI Desktop que se
conecta a un origen de datos en la nube y, a continuación, se carga en un área de
trabajo del servicio Power BI, Power BI crea una conexión personal a la nube y se enlaza
al modelo semántico, para lo cual debe proporcionar credenciales. Si hay disponible una
conexión a la nube personal existente, es probable que haya proporcionado las
credenciales anteriormente.

En cambio, si tiene acceso al menos a una conexión de nube que se puede compartir al
mismo origen de datos, puede usar la conexión en la nube que se puede compartir, que
su propietario ya ha configurado automáticamente, en lugar de tener que usar la única
conexión de nube personal disponible para el origen de datos.

Para usar la conexión a la nube que se puede compartir, en la página de configuración

de Modelos semánticos, en Conexiones de puerta de enlace y a la nube, busque
Conexiones a la nube y puede seleccionar la conexión a la nube que se puede
compartir que desea usar para la conexión y, a continuación, seleccione Aplicar. La
captura de pantalla siguiente muestra la configuración.

Crear una conexión nueva en la nube que se

puede compartir
Puede crear una nueva conexión a la nube que se pueda compartir directamente desde
la página configuración del modelo semántico. En Conexiones de puerta de
enlace>Conexiones en la nube, seleccione la lista desplegable Mapas y, a continuación,
seleccione Crear una conexión.
Aparece un panel denominado Nueva conexión y rellena automáticamente los
parámetros de configuración.
Habilitar la creación de nuevas conexiones facilita la creación de conexiones en la nube
que se pueden compartir independientes para modelos semánticos individuales, si es
necesario. También puede mostrar la página de administración de conexiones desde
cualquier lugar del servicio Power BI seleccionando el engranaje de Configuración en la
esquina superior derecha del servicio Power BI y, a continuación, seleccione Administrar
conexiones y puertas de enlace.

Creación de una conexión en la nube que se puede

compartir mediante la identidad del área de trabajo
También puede crear una conexión en la nube que se pueda compartir mediante el
método de autenticación de identidad del área de trabajo, que usa la entidad de
servicio administrada automáticamente asociada al área de trabajo de Fabric para
conectarse a los datos. Para usar la conexión, el propietario del modelo debe tener
acceso de colaborador (o superior) al área de trabajo.

Para crear una identidad de área de trabajo, siga estos pasos:

1. Configure el área de trabajo para que tenga una identidad del área de trabajo.
Una identidad del área de trabajo es una entidad de servicio administrada
automáticamente que se asocia a un área de trabajo de Fabric.
2. Cree una conexión en la nube que se pueda compartir (SCC) con la identidad del
área de trabajo como método de autenticación.
3. Enlace el origen de datos al SCC en la configuración del modelo semántico.

Tenga en cuenta las siguientes consideraciones al crear o usar una identidad del área de
trabajo:

La identidad del área de trabajo solo se admite con orígenes de datos de Fabric
El tipo de conexión que se usa debe admitir el tipo de autenticación de identidad
del área de trabajo, que incluye conectores de SQL Server y ADLS. Para el tipo de
conexión que se usa, si hay una opción de identidad del área de trabajo en la
opción Autenticación, se admite ese conector.

Configuración de conexión predeterminada

Al conectarse a un origen de datos de Fabric, las credenciales de inicio de sesión único
(SSO) de Entra ID se usan de manera predeterminada.

También puede usar la conexión en la nube que se puede compartir en lugar de la

configuración de conexión predeterminada para conectar un modelo semántico a un
origen de datos de Fabric y, por tanto, aplicar los valores que ha configurado para esa
conexión en la nube que se puede compartir, como credenciales fijas. Esto le permite
enlazar el origen de datos a la conexión en la nube que se puede compartir e invalidar
la conexión de SSO predeterminada para ese origen de datos.

Para seleccionar la conexión a la nube que se puede compartir en lugar de la

configuración predeterminada del SSO, seleccione la conexión a la nube que se puede
compartir en la lista desplegable Se asigna a: para el origen de datos al que quiera
conectar el modelo semántico, como se muestra en la imagen siguiente:

Si no tiene una conexión a la nube que se puede compartir, puede seleccionar Crear una
conexión y crear una conexión, como se describe en la sección anterior de este artículo.

Uso de conexiones a la nube que se pueden

compartir con informes paginados
Al compartir el informe paginado en el servicio Power BI, puede actualizar las
conexiones en la nube desde el propio informe. Para modificar las conexiones en la
nube del informe paginado, vaya al área de trabajo en el servicio Power BI, seleccione el
botón Más (puntos suspensivos) y, a continuación, seleccione Administrar.
Al seleccionar Administrar, se presenta una página con varias pestañas. Seleccione la
pestaña Informes en la fila superior y, a continuación, puede actualizar la conexión
desde el área Conexiones en la nube, como se muestra en la siguiente captura de
pantalla.

Limitaciones y consideraciones
Las conexiones en la nube que se pueden compartir también comparten sus
credenciales: cuando permite que otros usuarios usen las conexiones a la nube
que se pueden compartir, es importante comprender que está permitiendo que
otros usuarios conecten sus propios modelos semánticos, informes paginados y
otros artefactos a los orígenes de datos correspondientes mediante los detalles de
conexión y las credenciales que proporcionó. Asegúrese de que solo comparte las
conexiones (y sus credenciales) que tiene autorización para compartir.

Cada usuario está limitado a un máximo de 1000 conexiones de origen de datos

en cada inquilino de nube: si alcanza el número máximo de orígenes de datos,
compruebe que el número de orígenes de datos por usuario no supera el límite de
1000 conexiones. Para resolver cualquier problema relacionado, puede quitar
manualmente los orígenes de datos existentes del centro de administración o,
como alternativa, usar el siguiente script de PowerShell para buscar y eliminar
masivamente los orígenes de datos que superen ese límite.

PowerShell

## required module "mcirosoftpowerbimgmt" Install-Module -Name

DataGateway and sign in the same user who exceeded the 1000 limit
Import-Module -name microsoftpowerbimgmt

## get the gateway information per the sign in person. Choose

Environment: Public, USGov, China, USGovHigh, USGovMil
$environment = "Public"
Connect-PowerBIServiceAccount -Environment $environment

switch ($environment) {
"Public" { $baseURL = "[Link]
Break }
"USGov" { $baseURL = "[Link]
Break }
"China" { $baseURL = "[Link] Break
}
"USGovHigh" { $baseURL =
"[Link] Break }
"USGovMil" { $baseURL =
"[Link] Break }
}

$getDatasourcesURL = $baseURL + "gatewayClusterDatasources?

$expand=users"

$datasources = Invoke-PowerBIRestMethod -Url $getDatasourcesURL -Method

GET | ConvertFrom-Json

foreach($dataource in $[Link])
{
if($[Link] -eq "TenantCloud")
{
"cloud datasource found with id = {0}, name = {1}" -f
$[Link], $[Link]
 $gatewayId = $[Link]
$datasourceId = $[Link]

## conditional logic to determine if name matches set

$deleteDatasourceURL = $baseURL +
"gatewayClusters/$gatewayId/datasources/$datasourceId"
Invoke-PowerBIRestMethod -Url $deleteDatasourceURL -Method
DELETE
}
}

Si es un ISV o cualquier otro propietario de aplicaciones de Power BI Embedded

con muchos clientes, use perfiles de entidad de servicio para aplicaciones
multiinquilino en Power BI Embedded. Si no es un ISV, puede llegar a este límite
porque está creando un nuevo origen de datos para cada archivo CSV o Excel. Para
solucionar este problema, es posible que quiera usar el cuadro "Cargar archivo" en
Power BI Desktop para seleccionar varios archivos de Excel, lo que crea varias
conexiones de origen de datos. En este escenario, para asegurarse de que solo se
selecciona un único origen de datos, se recomienda seleccionar en su lugar la
carpeta que contiene esos archivos de Excel.

No se puede mezclar un origen de datos local de Excel con un origen de datos

DirectQuery de Analysis Services existente; solo puede incluir un origen de datos
local de Excel en el informe si se encuentra en una consulta independiente. En tales
situaciones, puede asignar el origen de datos de Excel a una puerta de enlace y
dejar el origen de datos en la nube DirectQuery de Analysis Services tal como está.

Power BI Dataflow Gen1 y Fabric Dataflow Gen2 no admiten conexiones en la nube

que se pueden compartir. Otras versiones, como los flujos de datos de Power
Apps, admiten conexiones en la nube que se pueden compartir.

Contenido relacionado
Para obtener más información acerca de cómo crear conexiones a la nube que se
pueden compartir:

Creación y uso compartido de orígenes de datos en la nube en el servicio Power BI

Puede hacer todo tipo de cosas con el servicio Power BI y 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

Comentarios
¿Le ha resultado útil esta página?  Sí  No

Proporcionar comentarios sobre el producto | Preguntar a la comunidad

Crear y compartir orígenes de datos en
la nube en el servicio Power BI
Artículo • 03/05/2024

Con Power BI, puede crear, compartir y administrar conexiones en la nube para modelos
semánticos e informes paginados, datamarts y flujos de datos, así como experiencias de
Power Query Online en Obtener datos, todo ello dentro de la experiencia de usuario del
servicio Power BI.

En este artículo se muestra cómo crear una conexión en la nube que se puede compartir
y, a continuación, se muestra cómo compartir esa conexión con otros usuarios. La
creación y el uso compartido de conexiones en la nube que se pueden compartir tienen
muchas ventajas, como se describe en las ventajas de las conexiones en la nube que se
pueden compartir.

Crear una conexión en la nube que se puede

compartir
Para crear una conexión en la nube que se pueda compartir, vaya al servicio Power BI,
seleccione el icono de engranaje Configuración y, en el panel que aparece, seleccione
Administrar conexiones y puertas de enlace.


En la ventana que aparece, seleccione Nueva conexión y, en el panel que aparece,
seleccione Nube.

Escriba un nombre para la nueva conexión, seleccione el tipo de conexión adecuado en

la lista desplegable y proporcione los detalles de conexión para el origen de datos. Una
vez que haya rellenado la información, seleccione Crear.
 

Con la conexión creada, está listo para compartirla con otros usuarios.

７ Nota

Cuando se publica un archivo .PBIX con un origen de datos en la nube desde Power
BI Desktop, se crea automáticamente una conexión en la nube.

Compartir una conexión en la nube que se

puede compartir
Para compartir una conexión en la nube que se puede compartir que ya ha creado, vaya
a la configuración de Conexiones en el servicio Power BI, seleccione el menú Más (los
puntos suspensivos) de la conexión que desea compartir y seleccione Administrar
usuarios.
Aparece la ventana Administrar usuarios, donde puede buscar usuarios por nombre o
dirección de correo electrónico y, a continuación, concederles el nivel de permisos que
desea que tengan. Debe conceder al menos el permiso de usuario para permitir que los
usuarios conecten sus artefactos al origen de datos de la conexión.
Una vez que haya encontrado el usuario y asignado el permiso, seleccione Compartir en
la parte inferior de la ventana Administrar usuarios para aplicar las selecciones.

Asignar una conexión en la nube compartida a

un modelo semántico
Una vez que haya creado una conexión en la nube que se puede compartir, puede
asignarla a un modelo semántico.

Abra la configuración del modelo semántico al que desea que se aplique la conexión
que se puede compartir y expanda la sección Conexiones en la nube y puerta de
enlace. Observará que la conexión está asignada a una conexión en la nube personal de
forma predeterminada.
En la lista desplegable Asignar a, seleccione el nombre de la conexión que se puede
compartir que ha creado y desea usar y, a continuación, seleccione Aplicar.

Eso es todo, ahora ha asignado la conexión en la nube que se puede compartir al

modelo semántico.

Si aún no ha creado una conexión en la nube que se pueda compartir al usar esta
pantalla, puede seleccionar la opción Crear una conexión en la lista desplegable para ir
a la experiencia Administrar conexiones y puertas de enlace, y todos los detalles de
conexión del origen de datos para el que seleccionó la lista desplegable Crear una
conexión se rellenan previamente en el formulario Crear nueva conexión en la nube.

Control de acceso pormenorizado

Power BI aplica el control de acceso granular para las conexiones en la nube que se
pueden compartir. El control de acceso para todos los tipos de datos se puede habilitar
en el nivel de inquilino, área de trabajo y modelo semántico. En la siguiente imagen se
muestra cómo se puede aplicar el control de acceso en el inquilino, el área de trabajo o
el modelo semántico. Cada configuración proporciona un control de acceso granular,
con una prioridad diferente.
Si un administrador de inquilinos habilita el control de acceso granular para todos los
tipos de conexión, se aplica el control de acceso granular para toda la organización. Los
administradores del área de trabajo y los propietarios de artefactos no pueden anular el
control de acceso granular habilitado en el nivel de inquilino.

Si el control de acceso granular no se aplica a nivel de inquilino, los administradores del

área de trabajo pueden aplicar un control de acceso granular para sus áreas de trabajo.
Y si los administradores del área de trabajo no aplican el control de acceso granular, los
propietarios de artefactos pueden decidir si deben aplicar un control de acceso
pormenorizado para cada uno de sus artefactos de forma independiente.

De forma predeterminada, el control de acceso granular está deshabilitado en los tres

niveles, lo que permite a los propietarios de artefactos individuales aplicar un control de
acceso granular para cada tipo de conexión de datos de forma selectiva. Sin embargo,
es probable que sea más eficaz habilitar el control de acceso granular en un área de
trabajo por área de trabajo.

Contenido relacionado
Para obtener información importante sobre las conexiones en la nube que se pueden
compartir, incluidas las limitaciones y consideraciones, lea el artículo siguiente:

Conexión a orígenes de datos en la nube en el servicio Power BI

Comentarios
¿Le ha resultado útil esta página?  Sí  No

Proporcionar comentarios sobre el producto | Preguntar a la comunidad

Orígenes de datos en Power BI Desktop
Artículo • 12/11/2024

Power BI Desktop permite conectarse a datos de muchos orígenes diferentes. Para

obtener una lista completa de los orígenes de datos disponibles, vea Orígenes de datos
de Power BI.

Para ver los orígenes de datos disponibles, en el grupo Inicio de la cinta de opciones de
Power BI Desktop, seleccione la etiqueta del botón Obtener datos o la flecha hacia
abajo para abrir la lista Orígenes de datos comunes. Si el origen de datos que desea no
aparece en Orígenes de datos comunes, seleccione Más para abrir el cuadro de diálogo
Obtener datos.

O bien, abra directamente el cuadro de diálogo Obtener datos; para ello, seleccione el
icono Obtener datos.
En este artículo se proporciona información general sobre los orígenes de datos
disponibles en Power BI Desktop y se explica cómo conectarse a ellos. También se
describe cómo exportar o usar orígenes de datos como archivos PBIDS para facilitar la
compilación de nuevos informes a partir de los mismos datos.

７ Nota

El equipo de Power BI está ampliando continuamente los orígenes de datos

disponibles en Power BI Desktop y en el servicio Power BI. Por lo tanto, a menudo
verá las versiones anteriores de orígenes de datos en proceso de desarrollo
marcados como Beta o Versión preliminar. Cualquier origen de datos marcada
como Beta o Versión preliminar tiene una compatibilidad y funcionalidades
limitadas y no se debe usar en entornos de producción. Además, es posible que los
 orígenes de datos marcados como Beta o Versión preliminar para Power BI
Desktop no estén disponibles para su uso en el servicio Power BI u otros servicios
de Microsoft hasta que el origen de datos esté disponible con carácter general
(GA).

Orígenes de datos
En el cuadro de diálogo Obtener datos se organizan los tipos de datos en las categorías
siguientes:

Todo
Archivo
Base de datos
Microsoft Fabric
Power Platform
Azure
Servicios en línea
Otros

La categoría Todos incluye todos los tipos de conexión de datos de todas las categorías.

Orígenes de datos de archivo

La categoría Archivo proporciona las siguientes conexiones de datos:

Libro de Excel
Texto o CSV
XML
JSON
Carpeta
PDF
Parquet
Carpeta de SharePoint

Orígenes de datos de base de datos

La categoría Base de datos proporciona las siguientes conexiones de datos:

Base de datos SQL Server

Base de datos Access
Base de datos SQL Server Analysis Services
Base de datos Oracle
Base de datos IBM Db2
Base de datos Informix de IBM (beta)
IBM Netezza
Base de datos MySQL
Base de datos PostgreSQL
Base de datos Sybase
Base de datos Teradata
Base de datos SAP HANA
Servidor de aplicaciones de SAP Business Warehouse
Servidor de mensajería de SAP Business Warehouse
Amazon Redshift
Impala
Google BigQuery
Google BigQuery (Id. de Microsoft Entra)
Vertica
Snowflake
Essbase
Modelos de AtScale
Actian (beta)
Amazon Athena
Conector de BI
Data Virtuality LDW
Exact Online Premium (Beta)
Jethro (beta)
Kyligence
Linkar PICK Style / MultiValue Databases (Beta)
MariaDB
MarkLogic
MongoDB Atlas SQL
TIBCO® Data Virtualization
Cubos de AtScale
Denodo
Dremio Software
Dremio Cloud
Exasol
MongoDB Atlas SQL
ClickHouse (beta)
Información de mantenimiento de InterSystems
KX kdb Insights Enterprise (beta)
Kyvos ODBC (beta)
 ７ Nota

Algunos conectores de base de datos requieren que los habilite; para ello,
seleccione Archivo>Opciones y configuración>Opciones y, a continuación,
seleccione Características de versión preliminar y habilite el conector. Si no ve
algunos de los conectores mencionados anteriormente y quiere usarlos,
compruebe la configuración de Características en vista previa. Tenga también en
cuenta que cualquier origen de datos marcado como Beta o Versión preliminar
tiene una compatibilidad y funcionalidades limitadas, y no se debe usar en
entornos de producción.

Microsoft Fabric
La categoría Microsoft Fabric proporciona las siguientes conexiones de datos:

Modelos semánticos de BI
Flujos de datos
Datamarts (versión preliminar)
Almacenes
Almacenes de lago
Bases de datos de KQL
Conjuntos de métricas

Orígenes de datos de Power Platform

La categoría Power Platform proporciona las conexiones de datos siguientes:

Flujos de datos de Power BI (heredado)

Common Data Service (heredado)
Dataverse
Flujos de datos

Orígenes de datos de Azure

La categoría Azure proporciona las siguientes conexiones de datos:

Azure SQL Database

Azure Synapse Analytics SQL
Base de datos de Azure Analysis Services
Azure Database for PostgreSQL
 Azure Blob Storage
Azure Table Storage
Azure Cosmos DB v1
Azure Data Explorer (Kusto)
Azure Data Lake Storage Gen2
Azure HDInsight (HDFS)
Azure HDInsight Spark
HDInsight Interactive Query
Azure Cost Management
Azure Resource Graph
Azure HDInsight en AKS Trino (beta)
Azure Cosmos DB v2
Azure Databricks
Área de trabajo de Azure Synapse Analytics (beta)

Orígenes de datos de Online Services

La categoría Online Services proporciona las siguientes conexiones de datos:

Lista de SharePoint Online

Microsoft Exchange Online
Dynamics 365 en línea (heredado)
Dynamics 365 (Dataverse)
Dynamics NAV
Dynamics 365 Business Central
Dynamics 365 Business Central (local)
Azure DevOps (solo Boards)
Azure DevOps Server (solo Boards)
Objetos de Salesforce
Informes de Salesforce
Google Analytics
Adobe Analytics
appFigures (Beta)
[Link] - Obtener un conjunto de datos (Beta)
GitHub (Beta)
LinkedIn Sales Navigator (Beta)
Marketo (Beta)
Mixpanel (Beta)
Planview Portfolios
QuickBooks Online (Beta)
Smartsheet (heredado)
SparkPost (Beta)
SweetIQ (Beta)
Arquitectura empresarial de Planview
Aptix Insights (Beta)
Asana (beta)
Assemble Views
Autodesk Construction Cloud
Automy Data Analytics (Beta)
CData Connect Cloud
Dynamics 365 Customer Insights (Beta)
Databricks
Digital Construction Works Insights
Origen de datos de Emigo
Entersoft Business Suite (Beta)
eWay-CRM
FactSet Analytics
Palantir Foundry
Hexagon PPM Smart® API
Industrial App Store
Planview OKR (beta)
Planview ProjectPlace
Quickbase
SoftOne BI (Beta)
Planview IdeaPlace
TeamDesk (beta)
Webtrends Analytics (Beta)
Witivio (Beta)
Zoho Creator
Automation Anywhere
CData Connect Cloud
Dynamics 365 Customer Insights (beta)
Databricks
Embudo
Intune Data Warehouse (Beta)
LEAP (Beta)
Aprendizaje de LinkedIn
Product Insights (Beta)
Profisee
Samsara (Beta)
Supermétricas (beta)
Viva Insights
 Zendesk (Beta)
BuildingConnected & TradeTapp (beta)
Smartsheet (Beta)

Otros orígenes de datos

La categoría Otros proporciona las siguientes conexiones de datos:

Web
Lista de SharePoint
Fuente de OData
Active Directory
Microsoft Exchange
Archivo Hadoop (HDFS)
Spark
Hive LLAP
Script de R
Script de Python
ODBC
OLE DB
Acterys: Planeamiento y automatización de modelos (beta)
Amazon OpenSearch Service (Beta)
Anaplan
Solver
Bloomberg Data and Analytics
Celonis EMS
Cherwell (Beta)
CloudBluePSA (Beta)
Cognite Data Fusion
EQuIS
FactSet RMS (Beta)
inwink (Beta)
Kognitwin
MicroStrategy for Power BI
OneStream (Beta)
OpenSearch Project (Beta)
Paxata
QubolePresto (Beta)
Roamler (Beta)
SIS-CC SDMX (Beta)
Shortcuts Business Insights (Beta)
 Starburst Enterprise
SumTotal
SurveyMonkey
Tenforce (Smart)List
Usercube (beta)
Vena
Vessel Insight
Wrike (Beta)
Zucchetti HR Infinity (Beta)
BitSight Security Ratings
BQE CORE
Wolters Kluwer CCH Tagetik
Delta Sharing
Eduframe (Beta)
FHIR
Google Sheets
InformationGrid
Jamf Pro (Beta)
SingleStore Direct Query Connector
Siteimprove
SolarWinds Service Desk
Microsoft Teams Personal Analytics (beta)
Windsor (beta)
Consulta en blanco

７ Nota

En este momento, no es posible conectarse a orígenes de datos personalizados que

se protegen mediante Microsoft Entra ID.

Aplicaciones plantilla
Puede buscar aplicaciones de plantilla para su organización seleccionando el vínculo
Aplicaciones de plantilla cerca de la parte inferior de la ventana Obtener datos.
Las aplicaciones de plantilla disponibles pueden variar en función de su organización.

Conectarse a un origen de datos

1. Para conectarse a un origen de datos, seleccione el origen de datos en la ventana
Obtener datos y seleccione Conectar. En la captura de pantalla siguiente, se
muestra la opción Web seleccionada en la categoría de conexiones de datos Otros.
2. Aparece una ventana de conexión. Escriba la dirección URL o la información de
conexión de recurso y, luego, seleccione Aceptar. En la captura de pantalla
siguiente, se muestra una dirección URL especificada en el cuadro de diálogo
Desde la web.

3. En función de la conexión de datos, es posible que se le solicite que proporcione

credenciales u otra información. Después de proporcionar toda la información
necesaria, Power BI Desktop se conecta al origen de datos y presenta los orígenes
de datos disponibles en el cuadro de diálogo Navegador.
 4. Seleccione las tablas y otros datos que desea cargar. Para cargar los datos,
seleccione el botón Cargar en la parte inferior del panel Navegador. Para
transformar o editar la consulta en el Editor de Power Query antes de cargar los
datos, seleccione el botón Transformar datos.

La conexión a orígenes de datos en Power BI Desktop es así de fácil. Intente conectarse

a datos de nuestra creciente lista de orígenes de datos y vuelva a consultarla con
frecuencia. Seguimos agregando novedades a esta lista todo el tiempo.

Uso de archivos PBIDS para obtener datos

Los archivos PBIDS son archivos de Power BI Desktop que tienen una estructura
específica y la extensión .pbids para identificarlos como archivos de origen de datos de
Power BI.

Un archivo .PBIDS se puede crear para optimizar la experiencia Obtener datos de los
creadores de informes nuevos o principiantes de la organización. Si crea el
archivo .PBIDS a partir de informes existentes, es más fácil que los autores de informes
principiantes creen nuevos informes a partir de los mismos datos.

Cuando un autor abre un archivo PBIDS, Power BI Desktop solicita al usuario las
credenciales para autenticarse y conectarse al origen de datos especificado en el
archivo. Aparece el cuadro de diálogo Navegador y el usuario debe seleccionar las
tablas del origen de datos que se van a cargar en el modelo. Puede que también deba
seleccionar las bases de datos y el modo de conexión si no se especifican en el
archivo PBIDS.

A partir de ese momento, el usuario puede empezar a crear visualizaciones o seleccionar

Orígenes recientes para cargar un conjunto de tablas nuevo en el modelo.

Actualmente, los archivos .PBIDS solo admiten un único origen de datos en un archivo.
Si se especifica más de un origen de datos, se producirá un error.

Creación de un archivo de conexión .PBIDS

Si ya tiene un archivo PBIX de Power BI Desktop conectado a los datos que le interesan,
puede exportar los archivos de conexión desde Power BI Desktop. Este es el método
recomendado, ya que el archivo PBIDS se puede generar automáticamente desde
Desktop. También puede editar o crear manualmente el archivo en un editor de texto.

1. Para crear el archivo PBIDS, seleccione Archivo>Opciones y

configuración>Configuración de origen de datos.

2. En el cuadro de diálogo que aparece, seleccione el origen de datos que quiere

exportar como un archivo PBIDS y, a continuación, seleccione Export PBIDS.
 3. En el cuadro de diálogo Guardar como, asigne un nombre al archivo y seleccione
Guardar. Power BI Desktop genera el archivo PBIDS, cuyo nombre puede cambiar y
guardar en su directorio y compartir con otros usuarios.

También puede abrir el archivo en un editor de texto y seguir modificando el archivo,

incluida la especificación del modo de conexión en el propio archivo. En la imagen
siguiente, se muestra un archivo PBIDS abierto en un editor de texto.

Si prefiere crear manualmente los archivos .PBIDS en un editor de texto, debe especificar
las entradas necesarias para una única conexión y guardar el archivo con la
extensión .pbids. Opcionalmente, también puede especificar el elemento mode de la
conexión como DirectQuery o Import . Si falta el elemento mode o tiene valor null en el
archivo, se pedirá al usuario que abre el archivo en Power BI Desktop que seleccione
DirectQuery o Importación.

） Importante

Algunos orígenes de datos generarán un error si las columnas están cifradas en el

origen de datos. Por ejemplo, si dos o más columnas de una instancia de Azure SQL
Database se cifran durante una acción de importación, se devolverá un error. Para
más información, consulte SQL Database.

Ejemplos de archivos PBIDS

En esta sección se proporcionan algunos ejemplos de orígenes de datos de uso
frecuente. El tipo de archivo PBIDS solo admite las conexiones de datos que también se
admiten en Power BI Desktop, salvo las siguientes excepciones: Direcciones URL de wiki,
Live Connect y Consulta en blanco.

El archivo .PBIDS no incluye información de autenticación ni de tablas y esquemas.

En los fragmentos de código siguientes se muestran varios ejemplos comunes de

archivos PBIDS, pero no son completos. En el caso de otros orígenes de datos, puede
consultar el formato de referencia de origen de datos (DSR) de git para obtener
información sobre protocolos y direcciones.

Si está editando o creando manualmente los archivos de conexión, le presentamos estos

ejemplos por su carácter práctico, pero no están diseñados para ser exhaustivos ni
incluyen todos los conectores admitidos en formato DSR.

Azure AS

JSON

{
"version": "0.1",
"connections": [
{
"details": {
"protocol": "analysis-services",
"address": {
"server": "server-here"
},
}
}
 ]
}

Carpeta

JSON

{
"version": "0.1",
"connections": [
{
"details": {
"protocol": "folder",
"address": {
"path": "folder-path-here"
}
}
}
]
}

OData

JSON

{
"version": "0.1",
"connections": [
{
"details": {
"protocol": "odata",
"address": {
"url": "URL-here"
}
}
}
]
}

SAP BW

JSON

{
"version": "0.1",
"connections": [
{
 "details": {
"protocol": "sap-bw-olap",
"address": {
"server": "server-name-here",
"systemNumber": "system-number-here",
"clientId": "client-id-here"
},
}
}
]
}

SAP HANA

JSON

{
"version": "0.1",
"connections": [
{
"details": {
"protocol": "sap-hana-sql",
"address": {
"server": "server-name-here:port-here"
},
}
}
]
}

Lista de SharePoint

La dirección URL debe llevar al sitio de SharePoint en sí y no a una lista dentro del sitio.
Los usuarios obtienen un navegador que les permite seleccionar una o más listas de ese
sitio, cada una de las cuales se convierte en una tabla del modelo.

JSON

{
"version": "0.1",
"connections": [
{
"details": {
"protocol": "sharepoint-list",
"address": {
"url": "URL-here"
},
}
}
 ]
}

SQL Server

JSON

{
"version": "0.1",
"connections": [
{
"details": {
"protocol": "tds",
"address": {
"server": "server-name-here",
"database": "db-name-here (optional) "
}
},
"options": {},
"mode": "DirectQuery"
}
]
}

Archivo de texto

JSON

{
"version": "0.1",
"connections": [
{
"details": {
"protocol": "file",
"address": {
"path": "path-here"
}
}
}
]
}

Web

JSON
 {
"version": "0.1",
"connections": [
{
"details": {
"protocol": "http",
"address": {
"url": "URL-here"
}
}
}
]
}

Flujo de datos

JSON

{
"version": "0.1",
"connections": [
{
"details": {
"protocol": "powerbi-dataflows",
"address": {
"workspace":"workspace id (Guid)",
"dataflow":"optional dataflow id (Guid)",
"entity":"optional entity name"
}
}
}
]
}

Contenido relacionado
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 en Power BI Desktop
Tipos de datos en Power BI Desktop
Tutorial: Dar forma a los datos y combinarlos en Power BI Desktop
Realización de tareas de consultas comunes en Power BI Desktop
Comentarios
¿Le ha resultado útil esta página?  Sí  No

Proporcionar comentarios sobre el producto | Preguntar a la comunidad

Parámetros de consulta M dinámicos en
Power BI Desktop
Artículo • 25/10/2024

En este artículo se describe cómo crear parámetros de consulta M dinámicos y trabajar

con ellos en Power BI Desktop. Con los parámetros de consulta M dinámicos, los autores
de modelos pueden configurar los valores de filtro o segmentación que los visores de
informes pueden usar con los parámetros de consulta M. Los parámetros de consulta M
dinámicos proporcionan a los autores de modelos más control sobre las selecciones de
filtro que se van a incorporar a las consultas de origen de DirectQuery.

Los autores de modelos comprenden la semántica de sus filtros y, a menudo, saben

cómo escribir consultas eficaces en su origen de datos. Con los parámetros de consulta
M dinámicos, los autores de modelos pueden garantizar que las selecciones de filtro se
incorporen a las consultas de origen en el punto adecuado para lograr los resultados
previstos con un rendimiento óptimo. Estos parámetros pueden ser especialmente útiles
para la optimización del rendimiento de las consultas.

Mire cómo Sujata explica y utiliza los parámetros de consulta M dinámicos en el

siguiente vídeo, y luego pruébelos usted mismo.

７ Nota

Es posible que en este vídeo se usen versiones anteriores de Power BI Desktop o

del servicio Power BI.

[Link]
postJsllMsg=true&autoCaptions=es-es

Requisitos previos
Para trabajar con estos procedimientos, debe tener una consulta M válida que use una o
varias tablas de DirectQuery.

Creación y uso de parámetros dinámicos

En el ejemplo siguiente se pasa un valor único a un parámetro dinámicamente.

Incorporación de parámetros
1. En Power BI Desktop, seleccione Inicio>Transformar datos>Transformar datos
para abrir el Editor de Power Query.

2. En el Editor de Power Query, seleccione Nuevos parámetros en Administrar

parámetros en la cinta de opciones.

3. En la ventana Administrar parámetros, rellene la información sobre el parámetro.

Para más información, consulte Creación de un parámetro.
 4. Seleccione Nuevo para agregar más parámetros.

5. Cuando haya terminado de agregar parámetros, seleccione Aceptar.

Referencia a los parámetros de la consulta M

1. Una vez que haya creado los parámetros, puede hacer referencia a ellos en la
consulta M. Para modificar la consulta M, mientras tiene seleccionada la consulta,
abra el Editor avanzado.

2. Haga referencia a los parámetros de la consulta M, como se resalta en amarillo en

la imagen siguiente:
 

3. Cuando haya terminado de editar la consulta, seleccione Listo.

Creación de tablas de valores

Cree una tabla para cada parámetro con una columna que proporcione los valores
posibles disponibles para establecerse dinámicamente en función de la selección de
filtros. En este ejemplo, quiere que los parámetros StartTime y EndTime sean dinámicos.
Dado que estos parámetros requieren un parámetro Date/Time , se generan las posibles
entradas para establecer dinámicamente la fecha del parámetro.

1. En la cinta de opciones de Power BI Desktop, en Modelado, seleccione Nueva

tabla.

2. Cree una tabla para los valores del parámetro StartTime , por ejemplo:

StartDateTable = CALENDAR (DATE(2016,1,1), DATE(2016,12,31))

 3. Cree una segunda tabla para los valores del parámetro EndTime , por ejemplo:

EndDateTable = CALENDAR (DATE(2016,1,1), DATE(2016,12,31))

７ Nota

Use un nombre de columna que no esté en una tabla real. Si usa el mismo
nombre que una columna de tabla real, el valor seleccionado se aplica como
filtro en la consulta.

Enlace de los campos a los parámetros

Ahora que se han creado las tablas con los campos Date , podemos enlazar cada campo
a un parámetro. Enlazar un campo a un parámetro significa que, a medida que cambia
el valor del campo seleccionado, el valor pasa al parámetro y actualiza la consulta que
hace referencia a este.
1. Para enlazar un campo, en la vista Modelo de Power BI Desktop, seleccione el
campo recién creado y, en el panel Propiedades, seleccione Avanzado.

７ Nota

El tipo de datos de columna debe coincidir con el tipo de datos del parámetro
M.

2. Seleccione la lista desplegable en Enlazar a parámetro y seleccione el parámetro

que quiere enlazar al campo:
 Dado que este ejemplo es para establecer el parámetro en un valor único,
mantenga Selección múltiple establecido en No, que es el valor predeterminado:

Si la columna asignada se establece en No en Selección múltiple, debe usar un

modo de selección única en la segmentación o requerir una selección única en la
tarjeta de filtro.

Si los casos de uso requieren pasar varios valores a un único parámetro, establezca
el control en Sí y asegúrese de que la consulta M esté configurada para aceptar
valores múltiples. He aquí un ejemplo de RepoNameParameter , que permite valores
múltiples:

3. Si tiene otros campos para enlazar a otros parámetros, puede repetir estos pasos.
Ahora puede hacer referencia a este campo en una segmentación o como filtro:
Habilitación de Seleccionar todo
En este ejemplo, el modelo de Power BI Desktop tiene un campo denominado Country,
que es una lista de países o regiones enlazados a un parámetro M denominado
countryNameMParameter. Este parámetro está habilitado para Selección múltiple,
pero no para la opción Seleccionar todo. Para poder usar la opción Seleccionar todo en
una segmentación de datos o una tarjeta de filtro, siga estos pasos agregados:
Para habilitar Seleccionar todo en Country:

1. En las propiedades Avanzadas de Country, habilite el botón de alternancia

Seleccionar todo, que habilita la entrada Valor Seleccionar todo. Edite Valor
Seleccionar todo o anote el valor predeterminado.
 La opción Valor Seleccionar todo pasa al parámetro como una lista que contiene
el valor definido. Por lo tanto, cuando defina este valor o use el predeterminado,
tiene que asegurarse de que sea único y no exista en el campo enlazado al
parámetro.

2. Inicie el Editor de Power Query, seleccione la consulta y, luego, elija Editor

avanzado. Edite la consulta M para usar Valor Seleccionar todo para hacer
referencia a la opción Seleccionar todo.

3. En el Editor avanzado, agregue una expresión booleana que se evalúe como true
si el parámetro está habilitado para Selección múltiple y contiene la entrada Valor
Seleccionar todo (de lo contrario, se devuelve false ).
 4. Incorpore el resultado de la expresión booleana Seleccionar todo a la consulta de
origen. En este ejemplo hay un parámetro de consulta booleano en la consulta de
origen denominado includeAllCountries que se establece en el resultado de la
expresión booleana del paso anterior. Puede usar este parámetro en una cláusula
de filtro de la consulta, de modo que un valor de false para el valor booleano
filtre hasta los nombres de país o región seleccionados y un valor de true no
aplique ningún filtro.

5. Cuando haya actualizado la consulta M para tener en cuenta la nueva entrada

Valor Seleccionar todo, ya puede usar la función Seleccionar todo en
segmentaciones o filtros.

Como referencia, esta es la consulta completa del ejemplo anterior:

Kusto

let
selectedcountryNames = if [Link]([Link](countryNameMParameter),
[Link]) then
[Link]({"'", [Link](countryNameMParameter, "','") , "'"})
 else
[Link]({"'" , countryNameMParameter , "'"}),

selectAllCountries = if [Link]([Link](countryNameMParameter),
[Link]) then
[Link](countryNameMParameter, "__SelectAll__")
else
false,

KustoParametersDeclareQuery = [Link]({"declare query_parameters(",

"startTimep:datetime = datetime(",
[Link](StartTimeMParameter, "yyyy-MM-dd hh:mm"), "), " ,
"endTimep:datetime = datetime(",
[Link](EndTimeMParameter, "yyyy-MM-dd hh:mm:ss"), "), ",
"includeAllCountries: bool = ",
[Link](selectAllCountries) ,",",
"countryNames: dynamic = dynamic([",
selectedcountryNames, "]));" }),

ActualQueryWithKustoParameters =
"Covid19
| where includeAllCountries or Country
in(countryNames)
| where Timestamp > startTimep and Timestamp
< endTimep
| summarize sum(Confirmed) by Country,
bin(Timestamp, 30d)",

finalQuery = [Link]({KustoParametersDeclareQuery,
ActualQueryWithKustoParameters}),

Source = [Link]("help", "samples", finalQuery,

[MaxRows=null, MaxSize=null, NoTruncate=null,
AdditionalSetStatements=null]),
#"Renamed Columns" = [Link](Source,{{"Timestamp", "Date"},
{"sum_Confirmed", "Confirmed Cases"}})
in
#"Renamed Columns"

Riesgo potencial de seguridad

Los lectores de informes que pueden establecer dinámicamente los valores de los
parámetros de consulta M podrían tener acceso a más datos o desencadenar
modificaciones en el sistema de origen mediante ataques por inyección. Esta posibilidad
depende de cómo haga referencia a los parámetros de la consulta M y de los valores
que pase a los parámetros.

Por ejemplo, tiene una consulta Kusto parametrizada construida de la manera siguiente:

Kusto
 Products
| where Category == [Parameter inserted here] & HasReleased == 'True'
| project ReleaseDate, Name, Category, Region

No hay problemas con un usuario sin malas intenciones que pase un valor apropiado
para el parámetro, por ejemplo, Games :

| where Category == 'Games' & HasReleased == 'True'

Sin embargo, es posible que un atacante pueda pasar un valor que modifique la
consulta para obtener acceso a más datos, por ejemplo, 'Games'// :

Products
| where Category == 'Games'// & HasReleased == 'True'
| project ReleaseDate, Name, Category, Region

En este ejemplo, el atacante puede obtener acceso a información sobre juegos que
todavía no se han publicado cambiando parte de la consulta por un comentario.

Mitigación del riesgo

Para mitigar el riesgo de seguridad, evite la concatenación de cadenas de valores de
parámetros M dentro de la consulta. En su lugar, utilice esos valores de parámetro en
operaciones de M que se plieguen en la consulta de origen, de modo que el conector y
el motor de M construyan la consulta final.

Si un origen de datos admite la importación de procedimientos almacenados, considere

la posibilidad de almacenar la lógica de consulta allí e invocarla en la consulta M. O
bien, si está disponible, use un mecanismo de paso de parámetros integrado en el
lenguaje de consulta de origen y los conectores. Por ejemplo, Azure Data Explorer tiene
capacidades de parámetro de consulta integradas que están diseñadas para protegerse
frente a ataques por inyección.

A continuación se muestran algunos ejemplos de estas mitigaciones:

Ejemplo que usa las operaciones de filtrado de la consulta M:

Kusto
 [Link](Source, (r) => r[Columns] = Parameter)

Ejemplo de declaración del parámetro en la consulta de origen, o paso del valor

del parámetro como entrada a una función de consulta de origen:

Kusto

declare query_parameters (Name of Parameter : Type of Parameter);

Ejemplo de llamada directa a un procedimiento almacenado:

Kusto

let CustomerByProductFn = [Link]("Help",

"ContosoSales"){[Name="CustomerByProduct"]}[Data] in
CustomerByProductFn({1, 3, 5})

Consideraciones y limitaciones
Hay algunas consideraciones y limitaciones que se deben tener en cuenta al usar
parámetros de consulta M dinámicos:

Un parámetro único no se puede enlazar a varios campos ni viceversa.

Los parámetros de consulta M dinámicos no admiten agregaciones.
Los parámetros de consulta M dinámicos no admiten la seguridad de nivel de fila
(RLS).
Los nombres de parámetro no pueden ser palabras reservadas de expresiones de
análisis de datos (DAX) ni contener espacios. La anexión de Parameter al final del
nombre del parámetro ayuda a evitar esta limitación.
Los nombres de tabla no pueden contener espacios ni caracteres especiales.
Si el parámetro tiene el tipo de datos Date/Time , deberá convertirlo dentro de la
consulta M como [Link](<YourDateParameter>) .
Si usa orígenes SQL, puede que reciba un cuadro de diálogo de confirmación cada
vez que cambie el valor del parámetro. Este cuadro de diálogo se debe a la
configuración de seguridad Requerir la aprobación del usuario de las nuevas
consultas de bases de datos nativas. Puede encontrar y desactivar esta
configuración en la sección Seguridad del cuadro de diálogo Opciones de
Power BI Desktop.
Es posible que los parámetros de consulta M dinámicos no funcionen al acceder a
un modelo semántico en Excel.
 Los parámetros de consulta M dinámicos no se admiten en Power BI Report Server.
No se admite el cambio de orígenes de datos mediante parámetros de consulta M
dinámicos en el servicio Power BI. Consulte Actualización y orígenes de datos
dinámicos para obtener información adicional.

Los tipos de parámetros predefinidos no admitidos son

los siguientes:
Any
Duration
Verdadero/Falso
Binary

Filtros no admitidos
Filtro o segmentación de tiempo relativo
Fecha relativa
Segmentación de jerarquía
Filtro de inclusión de varios campos
Filtro de exclusión/sin filtros
Resaltado cruzado
Filtro de exploración en profundidad
Filtro de exploración cruzada
N filtro principal

Operaciones no admitidas
And
Contiene
Menor que
Mayor que
Empieza por
No empieza con
No es
No contiene
Está en blanco
No está en blanco

Contenido relacionado
Para más información sobre las funcionalidades de Power BI Desktop, consulte los
recursos siguientes:

DirectQuery en Power BI
¿Qué es Power BI Desktop?
Información general sobre consultas en Power BI Desktop
Tipos de datos en Power BI Desktop
Tutorial: Dar forma a los datos y combinarlos en Power BI Desktop
Realización de tareas de consultas comunes en Power BI Desktop

Comentarios
¿Le ha resultado útil esta página?  Sí  No

Proporcionar comentarios sobre el producto | Preguntar a la comunidad

Creación de un modelo semántico de
Power BI directamente desde Log
Analytics
Artículo • 22/11/2023

Puede crear rápidamente un modelo semántico de Power BI directamente desde una

consulta de Log Analytics. El modelo semántico será un modelo semántico de Power BI
completo que puede usar para crear informes, analizar en Excel y mucho más.

Crear un modelo semántico directamente a partir de una consulta de Log Analytics es

una forma fácil y rápida de compartir un modelo semántico, ya que si lo guarda en un
área de trabajo compartida, todos los usuarios con los permisos suficientes en dicha
área podrán usarlo. También puede usar uso compartido de modelos semánticos para
compartirlo con otros usuarios que no tienen un rol en el área de trabajo.

Esta característica crea un modelo semántico en el servicio Power BI directamente desde

una consulta de Log Analytics. Si necesita modelar o transformar los datos con distintas
formas que no están disponibles en el servicio, también puede exportar la consulta
desde Log Analytics, pegarla en Power BI Desktop y llevar a cabo el modelado avanzado
allí. Para más información, consulte: Creación de modelos semánticos e informes de
Power BI a partir de consultas de Log Analytics.

Requisitos previos
Debe tener una cuenta de Power BI para poder usar esta funcionalidad.

Creación de un conjunto de datos a partir de

Log Analytics
Para crear un conjunto de datos de Power BI a partir de una consulta de Log Analytics:

1. Abra y ejecute la consulta de Log Analytics que desea usar para crear la base de
datos de Power BI.

2. En la barra de acciones, seleccione: Exportar > Exportar a Power BI.

3. Se abrirá Power BI y un cuadro de diálogo le pedirá que asigne un nombre al
modelo semántico y elija un área de trabajo en la que guardarlo. De forma
predeterminada, el modelo semántico tendrá el mismo nombre que la consulta y
se guardará en Mi área de trabajo. Puede elegir su propio nombre y área de
trabajo de destino. Si tiene una cuenta de usuario gratuito en Power BI, solo podrá
guardarlo en Mi área de trabajo.

El cuadro de diálogo también muestra la dirección URL del origen de datos de Log
Analytics. Para evitar la exposición accidental de datos confidenciales, asegúrese
de que reconoce el origen de datos y está familiarizado con dichos datos.
Seleccione Revisar datos si desea comprobar los resultados de la consulta de Log
Analytics antes de permitir que la exportación continúe. Para obtener más
información sobre cuándo sería idóneo revisar los datos, consulte: Revisión de los
datos de Log Analytics.

4. Seleccione Continuar. Se creará el modelo semántico y se le llevará a la página de

detalles del nuevo modelo semántico. Desde allí podrá hacer todo lo que puede
 llevar a cabo un modelo semántico de Power BI normal: actualizar los datos,
compartir el modelo semántico, crear nuevos informes, y mucho más. Consulte
detalles del modelo semántico para obtener más información.

７ Nota

Si ya se ha conectado antes a Log Analytics desde Power BI, se le pedirá que

elija qué credenciales usar para la conexión entre Power BI y el sitio de
SharePoint antes de acceder a la página de detalles del modelo semántico.
Para obtener ayuda al decidir qué credenciales elegir, consulte: Elección de
las credenciales con las que autenticarse.

Para mantener actualizados los datos después de crear el modelo semántico, actualice
los datos manualmente o configure la actualización programada.

Revisión de los datos de Log Analytics

Al exportar datos desde una consulta de Log Analytics a Power BI, se crea una dirección
URL de redireccionamiento que incluye todos los parámetros necesarios para iniciar el
proceso de creación del modelo semántico en Power BI. Si es la persona que seleccionó
Exportar a BI en Log Analytics, probablemente no tenga que preocuparse de revisar los
datos, porque lo más probable es que ya esté familiarizado con los datos que exporta.

Revisar los datos es importante si no era el que exportó los datos de Log Analytics, sino
que alguien le envió un vínculo para crear un modelo semántico desde Log Analytics. En
tal caso, es posible que no esté familiarizado con los datos que se exportan y, por lo
tanto, es importante revisarlos para asegurarse de que los datos confidenciales no se
exponen accidentalmente.

Elección de las credenciales con las que

autenticarse
Al exportar datos de Log Analytics a Power BI, Power BI se conecta a Log Analytics para
obtener los datos. Para conectarse, debe autenticarse con Log Analytics.

Si ve el siguiente cuadro de diálogo, significa que ya ha establecido una conexión a Log

Analytics anteriormente. Las credenciales que usó en ese momento pueden o no ser
diferentes de las credenciales del inicio de sesión actual. Debe elegir si desea seguir
usando la información de inicio de sesión que usó la última vez que se conectó (Las
credenciales que usé la última vez para conectarme a Power BI) o si la conexión debe
usar las credenciales de inicio de sesión actuales de ahora en adelante (Mis credenciales
actuales (pueden ser las mismas o diferentes)).

¿Por qué esto es importante?

La vista de Power BI de los datos de Log Analytics viene determinada por los permisos
de la cuenta que se usan para establecer la conexión de Power BI al origen de datos de
Log Analytics.

Si permite que Power BI use los detalles de inicio de sesión que usó la última vez para la
conexión, los datos que verá en el modelo semántico que va a crear pueden diferir de lo
que ve en Log Analytics. Esto se debe a que los datos que se programan en el modelo
semántico es lo que la cuenta con las credenciales que usó la última vez puede ver en
Log Analytics.
Si reemplaza las credenciales que usó la última vez por las credenciales de inicio de
sesión actuales, los datos que ve en el modelo semántico que está creando serán
exactamente los mismos que los que ve en Log Analytics. Sin embargo, dado que la
conexión usa ahora las credenciales de inicio de sesión actuales, las vistas de los datos
de los modelos semánticos que podría haber creado anteriormente a partir de esa
consulta de Log Analytics también podrían cambiar y esto podría afectar a los
informes y otros elementos de bajada que los usuarios podrían haber creado en
función de esos modelos semánticos.

Tenga en cuenta las consideraciones anteriores cuando tome su decisión.

Si nunca se ha conectado previamente a Log Analytics desde Power BI, Power BI usará
automáticamente sus credenciales actuales para establecer la conexión y no verá este
cuadro de diálogo.

Consideraciones y limitaciones
Este flujo no admite escenarios de negocio a negocio (B2B) ni escenarios en los
que la autenticación se realiza en una entidad de servicio.
Si Service Management API de Windows Azure, el servicio API de Log Analytics o
ambos están configurados para usar la autenticación multifactor, para que este
flujo funcione, Power BI también tendrá que configurarse para usar la
autenticación multifactor. Consulte al soporte técnico de TI de la organización si
encuentra un problema relacionado con esta consideración.

Pasos siguientes
Integración de Log Analytics con Power BI
Detalles del modelo semántico
Compartir el acceso a un modelo semántico
Crear un modelo semántico de Power BI
directamente desde una lista de
SharePoint
Artículo • 22/11/2023

Puede crear rápidamente un modelo semántico de Power BI directamente a partir de

una lista de SharePoint. El modelo semántico será un modelo semántico de Power BI
completo que puede usar para crear informes, analizarlos en Excel y mucho más.

Crear un modelo semántico directamente a partir de una lista de SharePoint es una

forma sencilla y rápida de compartir un modelo semántico, ya que si lo guarda en un
área de trabajo compartida, todos los usuarios con los permisos suficientes en el área de
trabajo pueden usarlo. También puede usar el uso compartido de modelos semánticos
para compartirlo con otros usuarios que no tienen un rol en el área de trabajo.

Para mantener los datos actualizados después de crear el modelo semántico, actualice
los datos manualmente o configure la actualización programada.

Esta característica crea un modelo semántico en el servicio Power BI directamente a

partir de una lista de SharePoint. Si necesita modelar o transformar los datos de
maneras que no están disponibles en el servicio, también puede conectarse a la lista de
SharePoint desde Power BI Desktop. Para obtener más información, consulte Creación
de un informe en una lista de SharePoint en Power BI Desktop.

Prerrequisitos
Debe tener una cuenta de Power BI para poder usar esta funcionalidad.

Crear un modelo semántico a partir de una lista

de SharePoint
Para crear un modelo semántico de Power BI a partir de una lista de SharePoint:

1. Abra la lista de SharePoint.

2. En la barra de acciones, seleccione: Exportar > Exportar a Power BI.

3. Se abrirá Power BI y un cuadro de diálogo le pedirá que asigne un nombre al
modelo semántico y elija un área de trabajo en la que guardarlo. De forma
predeterminada, el modelo semántico tendrá el mismo nombre que la lista de
SharePoint y se guardará en Mi área de trabajo. Puede elegir su propio nombre y
área de trabajo de destino. Si tiene una cuenta de usuario gratuito en Power BI,
solo podrá guardarlo en Mi área de trabajo.

En el cuadro de diálogo también se muestran la dirección URL del origen de datos

(sitio de SharePoint) y el nombre de la lista de SharePoint. Para evitar la exposición
accidental de datos confidenciales, asegúrese de que reconoce el origen de datos
y está familiarizado con dichos datos. Seleccione Revisar datos si desea comprobar
la lista de SharePoint antes de permitir que la exportación continúe. Para obtener
más información sobre cuándo revisar los datos podría ser una buena idea,
consulte Revisión de los datos de la lista de SharePoint.
 4. Seleccione Continuar. Se creará el modelo semántico y se le llevará a la página de
detalles del nuevo modelo semántico. Desde allí podrá hacer todo lo que puede
llevar a cabo en un modelo semántico de Power BI normal: actualizar los datos,
compartir el modelo semántico, crear nuevos informes, etc. Consulte detalles del
modelo semántico para más información.

７ Nota

Si se ha conectado al sitio de SharePoint desde Power BI antes, se le pedirá

que elija qué credenciales usar para la conexión entre Power BI y el sitio de
SharePoint antes de acceder a la página de detalles del modelo semántico.
Para obtener ayuda al decidir qué credenciales elegir, consulte: Elección de
las credenciales con las que autenticarse.

Para mantener los datos actualizados después de crear el modelo semántico, actualice
los datos manualmente o configure la actualización programada.

Revisión de los datos de la lista de SharePoint

Al exportar una lista de SharePoint a Power BI, se crea una dirección URL de
redireccionamiento que incluye todos los parámetros necesarios para iniciar el proceso
de creación del modelo semántico en Power BI. Si es la persona que seleccionó Exportar
a BI en la lista de SharePoint, probablemente no tenga que preocuparse por revisar los
datos porque lo más probable es que esté familiarizado con los datos que exporta.

Revisar los datos es importante si no es quien exportó la lista de SharePoint, sino que
alguien le envió un vínculo para crear un modelo semántico a partir de una lista de
SharePoint. En tal caso, es posible que no esté familiarizado con los datos que se
exportan y, por lo tanto, es importante revisarlos para asegurarse de que los datos
confidenciales no se exponen accidentalmente.

Elección de las credenciales con las que

autenticarse
Al exportar una lista de SharePoint a Power BI, Power BI se conecta al sitio de SharePoint
para obtener los datos de la lista. Para conectarse, debe autenticarse con SharePoint.

Si obtiene el siguiente cuadro de diálogo, significa que ya ha establecido una conexión

al sitio de SharePoint en el pasado. Las credenciales que usó en ese momento pueden o
no ser diferentes de las credenciales del inicio de sesión actual. Debe elegir si desea
seguir usando la información de inicio de sesión que usó la última vez que se conectó
(Las credenciales que usé la última vez para conectarme a Power BI) o si la conexión debe
usar las credenciales de inicio de sesión actuales de ahora en adelante (Mis credenciales
actuales (pueden ser las mismas o diferentes)).

¿Por qué esto es importante?

La vista de Power BI de los datos de la lista de SharePoint viene determinada por los
permisos de la cuenta usada para establecer la conexión de Power BI con el origen de
datos de SharePoint (es decir, el sitio de SharePoint).

Si permite que Power BI use los detalles de inicio de sesión que usó la última vez para la
conexión, los datos que verá en el modelo semántico que está creando pueden diferir
de lo que ve en la lista de SharePoint. Esto se debe a que los datos que se muestran en
el modelo semántico son aquellos que la cuenta con las credenciales que usó la última
vez puede ver en la lista de SharePoint.

Si reemplaza las credenciales que usó la última vez por las credenciales de inicio de
sesión actuales, los datos que ve en el modelo semántico que está creando serán
exactamente los mismos que los que ve en la lista de SharePoint. Sin embargo, dado
que la conexión ahora usa las credenciales de inicio de sesión actuales, es posible que
las vistas de los datos de los modelos semánticos que tal vez haya creado
anteriormente desde ese sitio de SharePoint también cambien, y esto podría afectar a
los informes y la tendencia de bajada de otros elementos que los usuarios podrían
haber creado en función de esos modelos semánticos.

Tenga en cuenta las consideraciones anteriores cuando tome su decisión.

Si nunca se ha conectado previamente al sitio de SharePoint desde Power BI, Power BI

usará automáticamente sus credenciales actuales para establecer la conexión y no verá
este cuadro de diálogo.

Consideraciones y limitaciones
El modelo semántico no se creará si la lista de SharePoint contiene valores con más
de cuatro dígitos después de una posición decimal (".")
El modelo semántico que se crea no hereda la etiqueta de confidencialidad (si
existe) de la lista de SharePoint.
Este flujo no admite escenarios de negocio a negocio (B2B) ni escenarios en los
que la autenticación se realiza en una entidad de servicio.
Si el servicio SharePoint está configurado para usar la autenticación multifactor,
para que este flujo funcione, Power BI también se debe configurar para usar la
autenticación multifactor. Consulte al soporte técnico de TI de la organización si
encuentra un problema relacionado con esta consideración.

Pasos siguientes
Detalles del modelo semántico
Compartir acceso a un modelo semántico
Crear un informe en una lista de
SharePoint en Power BI Desktop
Artículo • 23/01/2025

Muchos equipos y organizaciones usan listas en SharePoint Online para almacenar

datos porque es fácil configurar y facilitar la actualización de los usuarios. A veces, un
gráfico es una manera mucho más fácil de que los usuarios comprendan rápidamente
los datos en lugar de mirar la propia lista. En este tutorial, aprenderá a transformar los
datos de lista de SharePoint en un informe de Power BI.

Vea este vídeo del tutorial de cinco minutos o desplácese hacia abajo para obtener
instrucciones paso a paso.

７ Nota

Este vídeo puede usar versiones anteriores de Power BI Desktop o el servicio Power
BI.

[Link]

En el servicio Power BI, también puede crear un informe rápidamente a partir de datos
de una lista de SharePoint.

Si su propósito es crear rápidamente un modelo semántico en el servicio Power BI,

puede hacerlo directamente desde la lista de SharePoint. Para obtener más información,
vea Crear un modelo semántico a partir de una lista de SharePoint.

Parte 1: Conectarse a la lista de SharePoint

1. Si aún no lo tiene, descargue e instale Power BI Desktop .
2. Abra Power BI Desktop y, en la pestaña Inicio de la cinta de opciones, seleccione
Obtener datos>Más.
3. Seleccione Servicios Onliney, a continuación, seleccione Lista de SharePoint
Online.
4. Seleccione Conectar.

5. Busque la dirección (también conocida como dirección URL) del sitio de SharePoint
Online que contiene la lista. En una página de SharePoint Online, normalmente
puede obtener la dirección del sitio seleccionando Inicio en el panel de
navegación o el icono del sitio en la parte superior y, a continuación, copiando la
dirección desde la barra de direcciones del explorador web.

Vea un vídeo de este paso:

７ Nota

Este vídeo puede usar versiones anteriores de Power BI Desktop o el servicio

Power BI.
 [Link]

6. En Power BI Desktop, pegue la dirección en el campo URL del sitio del cuadro de
diálogo Listas de SharePoint Online y, a continuación, seleccione Aceptar.

7. Es posible que vea o no una pantalla de acceso de SharePoint como la siguiente

imagen. Si no lo ve, pase al paso 10. Si la ve, seleccione Cuenta de Microsoft en el
lado izquierdo de la página.

8. Seleccione Iniciar sesióny escriba el nombre de usuario y la contraseña que usa

para iniciar sesión en Microsoft 365.

9. Cuando termine de iniciar sesión, seleccione Connect.

10. En el lado izquierdo del cuadro de diálogo Navegador, active la casilla situada
junto a la lista de SharePoint a la que desea conectarse.
11. Seleccione Cargar. Power BI carga los datos de la lista en un nuevo informe.

Parte 2: Creación de un informe

1. En el lado izquierdo de la pantalla de Power BI Desktop, seleccione el icono Tabla
para ver que se cargaron los datos de la lista de SharePoint.

2. Asegúrese de que las columnas de lista con números muestran el icono Sum o
Sigma en el panel Datos de la derecha. Si en alguna no se muestra, seleccione el
encabezado de columna en la vista de tabla, seleccione el grupo Estructura en la
pestaña Herramientas de columna y, después, cambie Tipo de datos a Número
decimal o Número entero, en función de los datos. Si se le pide que confirme el
cambio, seleccione Sí. Si el número es un formato especial, como de moneda,
también puede elegirlo en Formato en el grupo Formato.

Vea un vídeo de este paso:

７ Nota
 Este vídeo puede usar versiones anteriores de Power BI Desktop o el servicio
Power BI.

[Link]

3. En el lado izquierdo de la pantalla de Power BI Desktop, seleccione el icono

Informe.

4. Seleccione las columnas que desea visualizar activando las casillas situadas junto a
ellas en el panel Datos de la derecha.

Vea un vídeo de este paso:

７ Nota

Este vídeo puede usar versiones anteriores de Power BI Desktop o el servicio

Power BI.

[Link]

5. Cambie el tipo visual si es necesario.

6. Para crear varias visualizaciones en el mismo informe, deseleccione el objeto visual

existente y, a continuación, active las casillas para otras columnas del panel Datos.

7. Seleccione Guardar para guardar el informe.

Contenido relacionado
Crear un informe rápidamente a partir de una lista de SharePoint

Comentarios
¿Le ha resultado útil esta página?  Sí  No

Proporcionar comentarios sobre el producto | Preguntar a la comunidad

Conexión con modelos semánticos en el
servicio Power BI desde Power BI
Desktop
Artículo • 03/12/2024

En Power BI Desktop, puede crear un modelo de datos y publicarlo en el servicio

Power BI. A continuación, usted y otros usuarios pueden establecer una conexión
dinámica al modelo semántico compartido que se encuentra en el servicio Power BI y
crear muchos informes diferentes a partir de ese modelo de datos común. Puede usar la
característica de conexión dinámica de Power BI para crear varios informes en archivos
.pbix desde el mismo modelo semántico y guardarlos en diferentes áreas de trabajo.

En este artículo se describen las ventajas, los procedimientos recomendados, las

consideraciones y las limitaciones de la característica de conexión dinámica del servicio
Power BI.
Conexión dinámica de Power BI y
administración del ciclo de vida de los informes
Una de las dificultades que presenta la popularidad de Power BI es la proliferación de
informes, paneles y modelos de datos subyacentes. Es fácil crear informes atractivos en
Power BI Desktop y, luego, publicarlos en el servicio Power BI, así como crear paneles
excelentes a partir de esos modelos semánticos.

Dado que los creadores de informes suelen usar los mismos modelos semánticos o casi
los mismos, saber en qué modelo semántico se basa un informe y la actualización de
ese modelo semántico se convierte en un desafío. La conexión dinámica del servicio
Power BI aborda ese desafío mediante el uso de modelos semánticos comunes para
permiten crear, compartir y expandir informes y paneles de forma más fácil y uniforme.

Crear y compartir un modelo semántico que todos los

usuarios pueden usar
Un analista de negocios de su equipo que sea experto en crear buenos modelos de
datos, también denominados modelos semánticos, puede crear un modelo semántico y
un informe y, a continuación, compartir ese informe en el servicio Power BI.

Si todos los miembros del equipo crean sus propias versiones del modelo semántico y
comparten sus informes con el equipo, habrá muchos informes de diferentes modelos
semánticos en el área de trabajo de Power BI del equipo. Sería difícil saber qué informe
es el más reciente, si los modelos semánticos son los mismos o cuáles son las
diferencias.

Con la característica de conexión dinámica del servicio Power BI, otros miembros del
equipo pueden usar el modelo semántico publicado del analista para sus propios
informes en sus propias áreas de trabajo. Todo el mundo puede utilizar el mismo
modelo semántico sólido, verificado y publicado para elaborar sus propios informes
exclusivos.

Conexión al modelo semántico mediante la conexión

dinámica del servicio Power BI
En Power BI Desktop, el analista de negocios del equipo crea un informe y el modelo
semántico en el que se basa el informe. Después, el analista publica el informe en el
servicio Power BI y el informe se muestra en el área de trabajo del equipo. Para más
información sobre las áreas de trabajo, consulte Áreas de trabajo en Power BI.

El analista de negocios puede usar la configuración de permisos de compilación para

que el informe pueda verlo y usarlo cualquier persona del equipo dentro o fuera del
área de trabajo. Estos usuarios ahora pueden establecer una conexión dinámica con el
modelo de datos compartidos mediante la característica de conexión dinámica del
servicio Power BI. Pueden crear sus propios informes únicos, a partir del modelo
semántico original, en sus propias áreas de trabajo.

En la imagen siguiente se muestra cómo un informe de Power BI Desktop y su modelo

de datos se publican en el servicio Power BI. Otros usuarios se conectan al modelo de
datos mediante la conexión dinámica del servicio Power BI y basan sus propios informes
únicos en sus propias áreas de trabajo en el modelo semántico compartido.

Configuración y uso de una conexión dinámica

del servicio Power BI
Puede ver la utilidad de la conexión dinámica del servicio Power BI para la
administración del ciclo de vida de los informes. Descubra ahora cómo pasar de un gran
informe y modelo semántico a un modelo semántico compartido que los compañeros
de equipo puedan utilizar en Power BI.

Publicación de un informe de Power BI y un modelo

semántico
El primer paso para usar una conexión dinámica del servicio Power BI para administrar el
ciclo de vida del informe es publicar un informe y un modelo semántico para que los
compañeros de equipo lo usen.

1. Para publicar el informe, en Power BI Desktop, seleccione Publicar en la pestaña

Inicio.

Si no ha iniciado sesión en la cuenta del servicio Power BI, se le pedirá que inicie
sesión.
2. Seleccione el destino del área de trabajo en el que publicar el informe y el modelo
semántico y elija Seleccionar. Cualquiera que tenga permiso de compilación puede
acceder a ese modelo semántico. El permiso de compilación se establece en el
servicio Power BI, después de la publicación.

Comienza el proceso de publicación y Power BI Desktop muestra el progreso.

Cuando termina la operación, Power BI Desktop indica que se ha realizado

correctamente y proporciona vínculos al informe en el servicio Power BI y a
información rápida sobre el informe.
 3. Ahora que el informe con su modelo semántico está en el servicio Power BI,
también lo puede promover o dar testimonio de su calidad y confiabilidad.
También puede solicitar que el informe esté certificado por una autoridad central
en el inquilino de Power BI. Para obtener más información, vea Aprobación del
contenido.

4. El último paso es establecer el permiso de compilación en el servicio Power BI para

el modelo semántico en el que se basa el informe. El permiso de creación
determina quién puede ver y usar el modelo semántico. Puede establecer el
permiso de compilación en el área de trabajo propiamente dicha o cuando
comparta una aplicación desde el área de trabajo. Para más información, consulte
Permiso de compilación para modelos semánticos compartidos.

Establecimiento de una conexión dinámica al servicio

Power BI al modelo semántico publicado
Los compañeros de equipo que tienen acceso al área de trabajo donde se publicó el
informe y el modelo semántico pueden conectarse a este y generar sus propios
informes. Para establecer una conexión a un informe publicado y crear su propio
informe basado en el modelo semántico publicado:

1. En Power BI Desktop, en la pestaña Inicio, seleccione Obtener datos>Modelos

semánticos de Power BI.

O bien, seleccione Obtener datos y, en la pantalla Obtener datos, en Todos en el

panel izquierdo, seleccione Modelos semánticos de Power BI y, a continuación,
seleccione Conectar.

Si no ha iniciado sesión, Power BI le pedirá que lo haga.

2. El OneLake Catalog muestra las áreas de trabajo de las que es miembro y todos
los modelos semánticos compartidos para los que tiene permiso de creación en
cualquier área de trabajo.

Para encontrar el modelo semántico que desee, puede hacer lo siguiente:

Filtrar la lista por Mis datos o modelos semánticos aprobados en la

organización.
Buscar un modelo semántico específico o filtrar por palabra clave.
Consultar el nombre del modelo semántico, el propietario, el área de trabajo,
la hora de la última y la próxima actualización y la confidencialidad.

3. Seleccione un modelo semántico y, a continuación, elija Conectar para establecer

una conexión dinámica a dicho modelo semántico seleccionado. Power BI Desktop
carga los campos del modelo semántico y sus valores en tiempo real.
Ahora tanto usted como otros usuarios pueden crear y compartir informes
personalizados, todo ello desde el mismo modelo semántico. Este enfoque es una
buena manera de que una sola persona experta cree un modelo semántico bien
formado. Muchos compañeros de equipo pueden usar ese modelo semántico
compartido para crear sus propios informes.

Consideraciones y limitaciones
Cuando se usa la conexión dinámica del servicio Power BI, hay algunas consideraciones
y limitaciones que hay que tener en cuenta.

En el modo de conexión dinámica, no se puede modificar el propio modelo de

datos (por ejemplo, no se pueden agregar nuevas columnas ni tablas). Solo puede
crear medidas (Medidas de informe), columnas calculadas, cálculos visuales y
tablas calculadas.
Solo los usuarios con permiso de compilación para un modelo semántico pueden
conectarse a un modelo semántico publicado mediante la conexión dinámica del
servicio Power BI.
Las columnas ocultas se vuelven visibles para los usuarios con permiso de
compilación cuando crean conexiones dinámicas al modelo semántico en Power BI
Desktop.
Los usuarios de la versión gratuita solo verán los conjuntos de datos que estén en
Mi área de trabajo y los de las áreas de trabajo Premium o basadas en Fabric.
 Dado que esta conexión dinámica, el panel de navegación izquierdo y el modelado
están deshabilitados. El comportamiento es similar a una conexión de SQL Server
Analysis Services (SSAS). Sin embargo, los modelos compuestos de Power BI
permiten combinar datos de diferentes orígenes de datos. Para más información,
consulte Usar modelos compuestos en Power BI Desktop.
Dado que esta conexión está activa, se aplican la seguridad de nivel de fila (RLS) y
comportamientos de conexión similares. Este comportamiento es el mismo que
cuando se conecta a SSAS.
Si el propietario modifica el archivo .pbix original compartido, se sobrescriben el
modelo semántico compartido y el informe del servicio Power BI. Los informes
basados en el modelo semántico no se sobrescriben, pero los cambios realizados
en este se reflejan en el informe.
Los miembros de un área de trabajo no pueden reemplazar el informe compartido
originalmente. Si intentan hacerlo, recibirán un mensaje para cambiar el nombre
del archivo y publicarlo.
Si los miembros están obligados a publicar, necesitan descargar usando la opción
Una copia de su informe y datos. Realice los cambios necesarios y, a continuación,
publique el informe.
Si elimina el modelo semántico compartido en el servicio Power BI, los informes
basados en él no funcionarán correctamente ni mostrarán objetos visuales. Ya no
podrá acceder a ese modelo semántico desde Power BI Desktop.
Los informes que comparten un modelo semántico en el servicio Power BI no
admiten implementaciones automatizadas que utilicen la API REST de Power BI.
Dado que la conexión del servicio Power BI está activa, no se admite la conexión a
un conjunto de datos con un informe compartido en la sección Mi área de trabajo
de otros usuarios.

Contenido relacionado
Para más información sobre DirectQuery y otras características de conexión de datos de
Power BI, consulte los recursos siguientes:

Uso de DirectQuery en Power BI

Orígenes de datos compatibles con DirectQuery
Uso de DirectQuery para modelos semánticos de Power BI y Azure Analysis
Services (versión preliminar)

Para más información sobre Power BI, consulte los siguientes artículos:

¿Qué es Power BI Desktop?

Resumen de la consulta en Power BI Desktop
 Tipos de datos en Power BI Desktop
Formar y combinar datos en Power BI Desktop
Tareas de consultas comunes en Power BI Desktop
Publicar modelos semánticos e informes desde Power BI Desktop

Comentarios
¿Le ha resultado útil esta página?  Sí  No

Proporcionar comentarios sobre el producto | Preguntar a la comunidad

Importación de libros de Excel en Power
BI Desktop
Artículo • 26/02/2025

Si usa Power BI Desktop, puede importar fácilmente a él libros de Excel que contienen
consultas de Power Query y modelos de Power Pivot. Power BI Desktop crea
automáticamente informes y visualizaciones basados en libros de Excel. Una vez
importados los libros, puede seguir mejorándolos y perfeccionándolos con Power BI
Desktop, usando las características ya existentes o las nuevas que se publican con cada
actualización mensual de Power BI Desktop.

Importación de un libro de Excel

1. Para importar un libro de Excel a Power BI Desktop, seleccione
Archivo>Importar>Power Query, Power Pivot, Power View.

2. En la ventana Abrir, seleccione el libro de Excel que quiera importar.

Si bien a día de hoy no existe ninguna limitación en el tamaño o el número de

objetos en el libro, Power BI Desktop tarda más en analizar e importar los libros
más grandes.
 ７ Nota

Para cargar o importar archivos de Excel de carpetas compartidas de

OneDrive para uso profesional o educativo o de carpetas del grupo de
Microsoft 365, use la dirección URL del archivo de Excel y escríbala en el
origen de datos web en Power BI Desktop. Existen algunos pasos que hay que
seguir para aplicar el formato correcto a la dirección URL de OneDrive para
uso profesional o educativo; para más información y conocer los pasos
correctos necesarios, vea Uso de vínculos de OneDrive para uso profesional
o educativo en Power BI Desktop.

3. En el cuadro de diálogo de importación que se abre, seleccione Iniciar.

Power BI Desktop analiza el libro y lo convierte en un archivo de Power BI Desktop

(.pbix). Esta acción es un evento único. Una vez creado el archivo de Power BI
Desktop siguiendo estos pasos, dicho archivo no depende del libro de Excel
original. Puede modificarlo, guardarlo y compartirlo sin que ello afecte al libro
original.

Una vez finalizada la importación, aparecerá una página de resumen donde se

describen los elementos que se han convertido. En esta página también se
enumeran los elementos que no se han podido importar.
4. Haga clic en Cerrar.

Power BI Desktop importa el libro de Excel y carga un informe en función del

contenido del libro.
Una vez importado el libro, puede seguir trabajando en el informe. Puede crear otras
visualizaciones, agregar datos o crear más páginas de informe con cualquiera de las
características y capacidades incluidas en Power BI Desktop.

¿Qué elementos del libro se importan?

Power BI Desktop puede importar los siguientes elementos, a los que se conoce
normalmente como objetosen Excel.

ﾉ Expandir tabla

Objeto en un libro Resultado final en el archivo de Power BI Desktop

de Excel

Consultas de Power Todas las consultas de Power Query de Excel se convierten en consultas en
Query Power BI Desktop. Si hay grupos de consultas definidos en el libro de Excel,
se replica la misma organización en Power BI Desktop. Se cargarán todas
las consultas, a no ser que estén establecidas en Crear solo conexión en el
cuadro de diálogo de Excel Importar datos. Personalice el comportamiento
de carga, seleccione Propiedades en la pestaña Inicio del Editor de Power
Query en Power BI Desktop.

Conexiones a datos Todas las conexiones a datos externos de Power Pivot se convierten en
externos de Power consultas en Power BI Desktop.
Pivot

Tablas vinculadas o Si hay una tabla de hojas de cálculo de Excel vinculada al modelo de datos
tablas de libros o a una consulta (mediante la opción Desde tabla o la función
actuales [Link]() en M), verla las siguientes opciones:

Importar la tabla al archivo de Power BI Desktop. Esta tabla es una

instantánea de un solo uso de los datos, tras la cual los datos serán de solo
lectura en la tabla en Power BI Desktop. Las tablas creadas con esta opción
presentan un límite de tamaño de 1 millón de caracteres (en total,
combinando todos los encabezados de columna y las celdas).

Mantener una conexión con el libro original. Como alternativa, puede

mantener una conexión con el libro de Excel original. Power BI Desktop
recuperará el contenido más reciente de esta tabla con cada actualización,
igual que para cualquier otra consulta creada en un libro de Excel en
Power BI Desktop.

Relaciones, Estos objetos de modelo de datos se convierten en los objetos

categorías de datos, equivalentes en Power BI Desktop. Tenga en cuenta que existen
KPI, medidas y determinadas categorías de datos que no están disponibles en Power BI
columnas Desktop, como Imagen. En estos casos, se restablece la información de la
categoría de datos de las columnas en cuestión.
 Objeto en un libro Resultado final en el archivo de Power BI Desktop
de Excel

calculadas de
modelo de datos

¿Existen limitaciones para la importación de un

libro?
Existen algunas limitaciones a la hora de importar un libro en Power BI Desktop:

Conexiones externas a modelos tabulares de SQL Server Analysis Services: en

Excel 2013, es posible crear una conexión a modelos tabulares de SQL Server
Analysis Services sin necesidad de importar los datos. Este tipo de conexión no se
admite actualmente como parte de la importación de libros de Excel a Power BI
Desktop. Como solución alternativa, debe volver a crear estas conexiones externas
en Power BI Desktop.
Jerarquías: este tipo de objeto de modelo de datos no es compatible actualmente
en Power BI Desktop. Por lo tanto, las jerarquías se omiten como parte de la
importación de un libro de Excel a Power BI Desktop.
Columnas de datos binarios: este tipo de columna de modelo de datos no es
compatible actualmente con Power BI Desktop. Las columnas de datos binarios se
quitan de la tabla resultante en Power BI Desktop.
Rangos con nombre que usan From Table en Power Query o
[Link] en M: La importación de estos datos de rango con
nombre en Power BI Desktop no se admite actualmente, pero se trata de una
actualización planeada. Actualmente, estos rangos con nombre se cargan en Power
BI Desktop como una conexión al libro de Excel externo.
Power Pivot para SSRS: las conexiones externas de Power Pivot para SQL Server
Reporting Services (SSRS) no son compatibles actualmente, ya que el origen de
datos no está disponible actualmente en Power BI Desktop.

Comentarios
¿Le ha resultado útil esta página?  Sí  No

Proporcionar comentarios sobre el producto | Preguntar a la comunidad

Creación de objetos visuales e informes
con el conector de Microsoft Cost
Management en Power BI Desktop
Artículo • 01/05/2025

Puede usar el conector de Microsoft Cost Management para Power BI Desktop para crear
visualizaciones e informes eficaces y personalizados que le ayuden a comprender mejor el
gasto de Azure.

El conector de Microsoft Cost Management actualmente brinda soporte a los clientes para:

Un contrato directo de cliente de Microsoft (MCA)

Un Acuerdo Empresarial (EA)
Un contrato de asociado de Microsoft

Si tiene un contrato no admitido, puede usar Exportaciones para guardar los datos de costos
en un recurso compartido y, a continuación, conectarse a él mediante Power BI. Para obtener
más información, consulte Tutorial: Creación y administración de exportaciones de Cost
Management.

El conector de Microsoft Cost Management usa OAuth 2.0 para la autenticación con Azure e
identifica a los usuarios que van a usar el conector. Los tokens generados en este proceso son
válidos durante un período específico. Power BI conserva el token para el siguiente inicio de
sesión. OAuth 2.0 es un estándar para el proceso que pasa en segundo plano para garantizar el
control seguro de estos permisos. Para conectarse, debe tener permiso de administrador de
empresa (solo lectura) o mayor para una cuenta de facturación de EA, o permiso de
colaborador o mayor para una cuenta de facturación de MCA o un perfil de facturación.

７ Nota

El conector de Cost Management para Power BI admite hasta un máximo estimado de 5

millones de dólares de detalles de costes sin procesar. Para evaluar alternativas según sus
necesidades, revise el artículo Elección de un origen de datos de Power BI .

Conexión mediante Microsoft Cost Management

Para usar el conector de Microsoft Cost Management en Power BI Desktop, siga estos pasos:

1. En la cinta Inicio , seleccione Obtener datos.

 2. Seleccione Azure en la lista de categorías de datos.

3. Seleccione Azure Cost Management.

4. Seleccione Conectar.

5. En el cuadro de diálogo que aparece, en Elegir ámbito, seleccione Ámbito de entrada

manual para contratos de cliente de Microsoft o seleccione Número de inscripción para
contratos enterprise.

Conexión a una cuenta de Contrato de cliente de

Microsoft
En esta sección se describen los pasos necesarios para conectarse a una cuenta de Contrato de
cliente de Microsoft.

Conexión a una cuenta de facturación

Para conectarse a una cuenta de facturación, debe recuperar el identificador de la cuenta de
facturación desde Azure Portal:

1. En el Portal de Azure , dirígete a Administración de costos + Facturación.

2. Seleccione el ámbito de facturación.

3. En el menú, seleccione Propiedades de configuración>.

4. En Detalles de la cuenta de facturación, copie el identificador de la cuenta de

facturación.
5. En el cuadro de diálogo Azure Cost Management de Power BI Desktop, en Elegir ámbito,
seleccione Ámbito de entrada manual.

6. Escriba la cadena de conexión como se muestra en el ejemplo siguiente, reemplazando

{billingAccountId} por los datos copiados en el paso anterior.

/providers/[Link]/billingAccounts/{billingAccountId}

Como alternativa, en Elegir ámbito, seleccione Número de inscripción y escriba la

cadena de identificador de cuenta de facturación como se copió en el paso anterior.

7. Escriba el número de meses y seleccione Aceptar.

 Como alternativa, si desea descargar menos de los datos de un mes, puede establecer
Número de meses en cero, especifique un intervalo de fechas con valores de Fecha de
inicio y Fecha de finalización que equivalen a menos de 31 días.

8. Cuando se le solicite, inicie sesión con su cuenta de usuario y contraseña de Azure. Debe
tener acceso al ámbito de la cuenta de facturación para acceder correctamente a los
datos de facturación.

Conexión a un perfil de facturación

Para conectarse a un perfil de facturación, debe recuperar el identificador del perfil de
facturación y el identificador de cuenta de facturación desde Azure Portal:

1. En el Portal de Azure , dirígete a Administración de costos + Facturación.

2. Seleccione el ámbito de facturación.

3. En el menú, seleccione Facturación>Perfiles de facturación, luego seleccione su perfil de

facturación.

4. En el menú, seleccione Propiedades de configuración>.

5. Copie el identificador del perfil de facturación y el identificador de cuenta de

facturación.

6. En el cuadro de diálogo Azure Cost Management de Power BI Desktop, en Elegir ámbito,

seleccione Ámbito de entrada manual.
 7. Escriba la cadena de identificador de recurso del perfil de facturación como se muestra en
el ejemplo siguiente, reemplazando {billingAccountId} y {billingProfileId} por los datos
copiados en el paso anterior.

/providers/[Link]/billingAccounts/{billingAccountId}/billingProfiles/{bil

lingProfileId}

8. Escriba el número de meses y seleccione Aceptar.

9. Cuando se le solicite, inicie sesión con su cuenta de usuario y contraseña de Azure. Debe
tener acceso al perfil de facturación para acceder correctamente a los datos del perfil de
facturación.

Conexión a una cuenta de Contrato Enterprise

Para conectarse a una cuenta de Contrato Enterprise, puede obtener el identificador de
inscripción desde Azure Portal:

1. En el Portal de Azure , dirígete a Administración de costos + Facturación.

2. Seleccione el ámbito de facturación.

3. En la hoja Información general , copie el identificador de cuenta de facturación.

4. En el cuadro de diálogo Azure Cost Management de Power BI Desktop, en Elegir ámbito,

seleccione Número de inscripción.

5. En Identificador de ámbito, pegue el identificador de cuenta de facturación copiado en el

paso anterior.

6. Escriba el número de meses y seleccione Aceptar.

 7. Cuando se le solicite, inicie sesión con su cuenta de usuario y contraseña de Azure. Debe
usar una cuenta de administrador de empresa para contratos Enterprise.

Datos disponibles a través del conector

Una vez que se autentique correctamente, aparecerá una ventana Navegador con las
siguientes tablas de datos disponibles:

ﾉ Expandir tabla

Tabla Tipo Ámbitos admitidos Descripción

mov.

Balance summary Solo Inscripción de EA Resumen del saldo del mes de

(Resumen del saldo) EA facturación actual para los contratos
Enterprise.

Billing events (Eventos de Solo Perfil de facturación Registro de eventos de nuevas facturas,
facturación) MCA compras de crédito, etc. Solo contrato
de cliente de Microsoft.

Presupuestos EA, Inscripción de EA, Detalles del presupuesto para ver los
MCA cuenta de facturación costos reales o el uso de los objetivos de
de MCA, perfil de presupuesto existentes.
facturación de MCA

Gastos Solo Perfil de facturación de Un resumen mensual del uso de Azure,

MCA MCA los cargos de Marketplace y los cargos
facturados por separado. Solo contrato
de cliente de Microsoft.

Credit lots (Lotes de Solo Perfil de facturación de Detalles de la compra de lotes de

crédito) MCA MCA crédito de Azure para el perfil de
facturación suministrado. Solo contrato
de cliente de Microsoft.

Hojas de precios EA, Inscripción de EA, Tasas de los medidores aplicables para el
MCA perfil de facturación de perfil de facturación proporcionado o la
MCA inscripción a Contrato Enterprise.

RI charges (Cargos de RI) EA, Inscripción en EA, Cargos asociados a las instancias
MCA perfil de facturación de reservadas (RI) en los últimos 24 meses.
MCA Esta tabla está en proceso de desuso;
use transacciones RI en su lugar.

RI recommendations EA, Inscripción de EA, Recomendaciones de compra de RI

(shared) [Recomendaciones MCA perfil de facturación de basadas en todas las tendencias de uso
de RI (compartidas)] MCA
 Tabla Tipo Ámbitos admitidos Descripción
mov.

de la suscripción durante los últimos 30

días.

RI recommendations EA, Inscripción de EA, Recomendaciones de compra de RI

(single) [Recomendaciones MCA perfil de facturación de basadas en las tendencias de uso de una
de RI (únicas)] MCA sola suscripción durante los últimos 30
días.

Transacciones de RI EA, Inscripción en EA, Lista de transacciones para instancias

MCA perfil de facturación de reservadas en el ámbito de la cuenta de
MCA facturación.

RI usage details (Detalles EA, Inscripción de EA, Detalles de consumo de las instancias
de uso de RI) MCA perfil de facturación de reservadas existentes en el último mes.
MCA

RI usage summary EA, Inscripción de EA, Porcentaje diario de uso de reservas de

(Resumen de uso de RI) MCA perfil de facturación de Azure.
MCA

Usage details (Detalles de EA, Inscripción de EA, Desglose de las cantidades consumidas
uso) MCA cuenta de facturación y los gastos estimados del perfil de
de MCA, perfil de facturación facilitado en la inscripción
facturación de MCA del Contrato Enterprise.

Usage details amortized EA, Inscripción de EA, Desglose de las cantidades consumidas
(Detalles de uso MCA cuenta de facturación y los cargos amortizados estimados para
amortizados) de MCA, perfil de el perfil de facturación indicado en la
facturación de MCA suscripción a EA.

Puede seleccionar una tabla para ver un cuadro de diálogo de vista previa. Seleccione una o
varias tablas seleccionando los cuadros situados junto a sus nombres. Cuando haya terminado,
seleccione Cargar.
Al seleccionar Cargar, los datos se cargan en Power BI Desktop. Una vez cargados los datos
seleccionados, las tablas de datos y los campos se muestran en el panel Datos .

Consideraciones y limitaciones
Las siguientes consideraciones y limitaciones se aplican al conector de datos de Microsoft Cost
Management:

Power BI no admite solicitudes de fila de datos que superen un millón de filas. En su

lugar, puede intentar usar la característica de exportación descrita en Creación y
administración de exportaciones de Cost Management.

El conector de datos de Microsoft Cost Management no funciona con cuentas de cliente

de Office 365 GCC.

Actualización de datos: Los datos de costo y uso normalmente se actualizan y están

disponibles en Azure Portal y las API compatibles en un plazo de 8 a 24 horas, por lo que
se recomienda restringir las actualizaciones programadas de Power BI a una o dos veces
al día.
 Reutilización del origen de datos: Si tiene varios informes que extraen los mismos datos
y no necesita transformaciones de datos más específicas del informe, debe reutilizar el
mismo origen de datos. La reutilización del mismo origen de datos reduce la cantidad de
tiempo necesaria para extraer los datos de detalles de uso.

Para obtener más información sobre la reutilización de orígenes de datos, consulte lo

siguiente:
Introducción a los modelos semánticos entre áreas de trabajo
Creación de informes basados en modelos semánticos de diferentes áreas de trabajo

Es posible que reciba un mensaje de 400: solicitud incorrecta de Detalles de uso de RI al

intentar actualizar los datos, en caso de que haya elegido un parámetro de fecha superior a
tres meses. Para mitigar el error, siga estos pasos:

1. En Power BI Desktop, seleccione Inicio > Transformar datos.

2. En el Editor de Power Query, seleccione el modelo semántico de detalles de uso de RI y

seleccione Editor avanzado.

3. Actualice el código de Power Query como se muestra en los párrafos siguientes, que
dividen las llamadas en fragmentos de tres meses. Asegúrese de que anota y conserva el
número de inscripción, o el id. de cuenta de facturación o de perfil de facturación.

Para contratos Enterprise, use la siguiente actualización de código:

let
enrollmentNumber = "<<Enrollment Number>>",
optionalParameters1 = [startBillingDataWindow = "-9",
endBillingDataWindow = "-6"],
source1 = [Link]("Enrollment Number",
enrollmentNumber, 5, optionalParameters1),
riusagedetails1 = source1{[Key="riusagedetails"]}[Data],
optionalParameters2 = [startBillingDataWindow = "-6",
endBillingDataWindow = "-3"],
source2 = [Link]("Enrollment Number",
enrollmentNumber, 5, optionalParameters2),
riusagedetails2 = source2{[Key="riusagedetails"]}[Data],
riusagedetails = [Link]({riusagedetails1, riusagedetails2})
in
riusagedetails

Para los contratos de cliente de Microsoft, use la actualización siguiente:

 let
billingProfileId = "<<Billing Profile Id>>",
optionalParameters1 = [startBillingDataWindow = "-9",
endBillingDataWindow = "-6"],
source1 = [Link]("Billing Profile Id",
billingProfileId, 5, optionalParameters1),
riusagedetails1 = source1{[Key="riusagedetails"]}[Data],
optionalParameters2 = [startBillingDataWindow = "-6",
endBillingDataWindow = "-3"],
source2 = [Link]("Billing Profile Id",
billingProfileId, 5, optionalParameters2),
riusagedetails2 = source2{[Key="riusagedetails"]}[Data],
riusagedetails = [Link]({riusagedetails1, riusagedetails2})
in
riusagedetails

4. Una vez que haya actualizado el código con la actualización adecuada del paso anterior,
seleccione Listo y, a continuación, seleccione Cerrar y Aplicar.

Es posible que te encuentres en una situación en la que las etiquetas no funcionan en los
detalles de uso o la columna de etiquetas no se pueda transformar en JSON. Este problema se
deriva de la API UCDD actual que devuelve la columna de etiquetas recortando los corchetes
inicial y final, lo que da como resultado que Power BI no pueda transformar la columna porque
la devuelve como una cadena. Para mitigar esta situación, siga estos pasos.

1. Seleccione Transformar datos para abrir el Editor de Power Query.

2. Seleccione la tabla Detalles de uso .

3. En el panel Configuración de consulta , en Pasos aplicados, debe insertar la adición de

una columna personalizada a los pasos, después del paso navegación .

4. En la cinta de menús, seleccione Agregar columna>personalizada.

5. Asigne un nombre a la columna TagsInJson, o lo que prefiera, escriba el texto siguiente en

el campo Fórmula de columna personalizada :

DAX

```= "{"& [Tags] & "}"

6. Al completar los pasos anteriores se crea una nueva columna de etiquetas en formato
json.

7. Ahora puede transferir y expandir la columna según sea necesario.

Problemas de autenticación detectados con cuentas de invitado de Microsoft Entra. Es
posible que tenga los permisos adecuados para acceder a la cuenta de inscripción o
facturación, pero recibirá un error de autenticación similar a uno de los siguientes:

El acceso al recurso está prohibido

No hemos podido autenticarle con las credenciales proporcionadas. Inténtelo de nuevo.

Estos errores podrían ser el resultado de tener una cuenta de usuario en un dominio de
Microsoft Entra diferente que se haya agregado como usuario invitado.

Para las cuentas de invitado, use la siguiente configuración u opciones cuando se le solicite el
cuadro de diálogo de autenticación al conectarse con el conector de Power BI de
Administración de costos:

1. Seleccione Iniciar sesión.

2. Seleccione Usar otra cuenta (parte inferior del cuadro de diálogo).
3. Seleccione Opciones de inicio de sesión (parte inferior del cuadro de diálogo).
4. Seleccione Iniciar sesión en una organización.
5. En Nombre de dominio, proporcione el nombre de dominio completo (FQDN) del
dominio de Microsoft Entra en el que se le ha agregado como invitado.
6. Después, en Selección de la cuenta, elija la cuenta de usuario que ha autenticado
previamente.

Contenido relacionado
Puede conectarse a muchos orígenes de datos diferentes mediante Power BI Desktop. Para
obtener más información, consulte los artículos siguientes:

¿Qué es Power BI Desktop?

Orígenes de datos en Power BI Desktop
Combinar datos y darles forma en Power BI Desktop
Connect to Excel workbooks in Power BI Desktop (Conectarse a libros de Excel en Power
BI Desktop)
Escribir datos directamente en Power BI Desktop
Conexión a una base de datos de Oracle
con Power BI Desktop
Artículo • 16/08/2024

Puede conectarse fácilmente a Oracle para acceder a datos y analizarlos en Power BI

Desktop. En este artículo se describen los requisitos de configuración iniciales para crear
la conexión.

Para conectarse a una base de datos Oracle o a una base de datos autónoma Oracle con
Power BI Desktop, instale Oracle Client para Herramientas de Microsoft (OCMT) en el
equipo que ejecuta Power BI Desktop. El software OCMT que utilice dependerá de la
versión de Power BI Desktop que haya instalado: 32 bits o 64 bits. También depende de
la versión del servidor de Oracle.

Versiones de Oracle Database compatibles:

Oracle Database 12c ([Link]) y posteriores

Oracle Autonomous Database - todas las versiones

Determinar qué versión de Power BI Desktop

está instalada
Para determinar la versión de Power BI Desktop instalada, en la cinta de opciones
Ayuda, seleccione Acerca de y, después, revise la línea Versión. En la siguiente imagen,
hay instalada una versión de 64 bits de Power BI Desktop:
Instale el Cliente Oracle para Herramientas de
Microsoft
OCMT instala y configura el Proveedor de datos de Oracle para .NET ([Link]) para
admitir conexiones de herramientas Microsoft de 32 y 64 bits con bases de datos Oracle
locales y en la nube, incluida Oracle Autonomous Database. Se trata de un instalador
gráfico que automatiza el proceso de configuración de Oracle Database Client. Admite
la conexión con Power BI Desktop, Power BI service, Excel, SQL Server Analysis Services,
SQL Server Data Tools, SQL Server Integration Services, SQL Server Reporting Services y
BizTalk Server.

OCMT es un software gratuito. Puede descargarse de la página Oracle Client para

Herramientas de Microsoft y está disponible para Power BI Desktop de 32 o 64 bits.

Power BI Desktop utiliza [Link] no administrado para conectarse a la base de datos

Oracle o a Oracle Autonomous Database.

Puede encontrar instrucciones paso a paso sobre cómo usar OCMT y establecer la
conectividad con la base de datos de Oracle en Power BI Desktop aquí .

Conectarse a una base de datos Oracle con una

puerta de enlace de datos local
Algunas implementaciones de aplicaciones de Power BI Desktop utilizan la puerta de
enlace de datos local para conectarse a la base de datos Oracle. Para conectarse a una
base de datos Oracle con la puerta de enlace de datos local, utilice OCMT de 64 bits en
el equipo que ejecuta la puerta de enlace, ya que ésta es una aplicación de 64 bits. Para
más información, vaya a Administrar el origen de datos: Oracle.

Conectarse a una base de datos de Oracle

Para obtener información sobre cómo conectarse a una base de datos Oracle o a una
base de datos autónoma Oracle desde Power BI Desktop o desde el servicio Power BI,
vaya al artículo de Power Query sobre Bases de datos de Oracle.

Contenido relacionado
DirectQuery en Power BI
¿Qué es Power BI?
Orígenes de datos del servicio Power BI
 Cliente Oracle para Herramientas de Microsoft

¿Tiene más preguntas? Pregunte a la comunidad de Power BI

Comentarios
¿Le ha resultado útil esta página?  Sí  No

Proporcionar comentarios sobre el producto | Preguntar a la comunidad

Especificar datos directamente en Power
BI Desktop
Artículo • 21/03/2023

Con Power BI Desktop, puede escribir datos directamente y usar esos datos en los
informes y visualizaciones. Por ejemplo, puede copiar partes de un libro o página web y
después pegarlas en Power BI Desktop.

Para escribir datos directamente en Power BI Desktop como una tabla nueva, seleccione
Especificar datos en la cinta Inicio.

Power BI Desktop podría intentar realizar pequeñas transformaciones en los datos,

cuando sea posible, al igual que al cargar datos desde cualquier origen. Por ejemplo, en
el siguiente caso, ha promovido la primera fila de datos como encabezados.
Si quiere dar forma a los datos que ha escrito o pegado, seleccione Editar para abrir el
Editor de Power Query. Puede transformar y dar forma a los datos antes de integrarlos
en Power BI Desktop. Seleccione Cargar para importar los datos tal como aparecen.

Al seleccionar Cargar, Power BI Desktop crea una nueva tabla a partir de los datos y
hace que esté disponible en el panel Campos. En la siguiente imagen, Power BI Desktop
muestra la nueva tabla, denominada Table1, y los dos campos de esa tabla que se han
creado.

Y ya está. Es así de fácil especificar datos en Power BI Desktop.

Ya está listo para usar los datos en Power BI Desktop. Puede crear objetos visuales,
informes, o interactuar con cualquier otro dato con el que quiera conectarse e importar,
como libros de Excel, bases de datos o cualquier otro origen de datos.

７ Nota

Para actualizar, agregar o eliminar datos dentro de los elementos creados mediante
Especificar datos, se deben realizar cambios en Power BI Desktop y publicados. No
se pueden realizar actualizaciones de datos directamente desde el servicio
Power BI.

Pasos siguientes
Hay todo tipo de datos a los que puede conectarse 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
Connect to Excel workbooks in Power BI Desktop (Conectarse a libros de Excel en
Power BI Desktop)
Conectarse a archivos CSV en Power BI Desktop
Conexión a páginas web desde Power BI
Desktop
Artículo • 09/08/2024

Puede conectarse a una página web e importar los datos a Power BI Desktop, para su
uso en los objetos visuales y en los modelos de datos.

En Power BI Desktop, seleccione Obtener datos>Web en la cinta de opciones Inicio.

Aparece un cuadro de diálogo en el que se le pide la dirección URL de la página web

desde la que quiere importar los datos.
Una vez que haya escrito o pegado la dirección URL, seleccione Aceptar.

Power BI Desktop se conecta a la página web y luego muestra los datos disponibles de
la página en la ventana Navegador. Al seleccionar uno de los elementos de datos
disponibles, como Puntuaciones de factor individuales..., la ventana Navegador
muestra una vista previa de esos datos en el lado derecho de la ventana.

Puede elegir el botón Transformar datos, que inicia el Editor de Power Query, donde
puede dar forma a los datos de esa página web y transformarlos antes de importarla en
Power BI Desktop. O puede seleccionar el botón Cargar e importar todos los elementos
de datos que ha seleccionado en el panel izquierdo.
Al seleccionar Cargar, Power BI Desktop importa los elementos seleccionados y hace
que estén disponibles en el panel Datos, que se encuentra en el lado derecho de la vista
Informe en Power BI Desktop.

Esto es todo lo que tiene que hacer para conectarse a una página web y traer los datos
a Power BI Desktop.

Desde allí, puede arrastrar esos campos al lienzo del informe y crear todas las
visualizaciones que quiera. También puede usar los datos de esa página web tal y como
lo haría con cualquier otro dato. Puede darles forma, puede crear relaciones entre este y
otros orígenes de datos en el modelo y, en cualquier caso, puede crear el informe de
Power BI que quiera.

Para ver cómo conectarse a una página web más en profundidad y acción, eche un
vistazo a Introducción a Power BI Desktop.

Comprobación de revocación de certificados

Power BI aplica seguridad en las conexiones web para proteger los datos. En algunos
escenarios, como la captura de solicitudes web con Fiddler, puede que las conexiones
web no funcionen correctamente. Para habilitar estos escenarios, puede modificar la
opción Comprobación de revocación de certificados en Power BI Desktop y, después,
reiniciar esta aplicación.

Para cambiar esta opción, seleccione Archivo>Opciones y configuración>Opciones y

luego, en el panel izquierdo, Seguridad.
Contenido relacionado
Hay todo tipo de datos a los que puede conectarse con Power BI Desktop. Para obtener
más información sobre orígenes de datos, consulte los siguientes recursos:

Orígenes de datos en Power BI Desktop

Tutorial: Dar forma a los datos y combinarlos en Power BI Desktop
Obtención de datos de archivos de libro de Excel
Obtener datos de archivos de valores separados por comas (CSV) en Power BI
Desktop
Especificar datos directamente en Power BI Desktop

Comentarios
¿Le ha resultado útil esta página?  Sí  No

Proporcionar comentarios sobre el producto | Preguntar a la comunidad

Ejecución de scripts de Python en Power
BI Desktop
Artículo • 28/08/2024

Puede ejecutar scripts de Python directamente en Power BI Desktop e importar los

conjuntos de datos resultantes en un modelo de datos de Power BI Desktop. A partir de
este modelo, puede crear informes y compartirlos en el servicio Power BI. En este
artículo se muestra cómo habilitar el scripting de Python y crear un script de Python que
puede ejecutar para importar datos.

Requisitos previos
Para ejecutar scripts de Python en Power BI Desktop, deberá instalar Python en el
equipo local. Puede descargar Python en el sitio web de Python . La versión
actual de scripting de Python admite caracteres Unicode y espacios en la ruta de
instalación.

Para la integración de Python con Power BI, es necesario instalar los dos paquetes
de Python siguientes. En una consola o un shell, use la herramienta de línea de
comandos pip para instalar los paquetes. La herramienta pip se incluye con las
versiones recientes de Python.

Pandas es una biblioteca de software para manipular y analizar datos. Pandas

ofrece operaciones y estructuras de datos para manipular series temporales y
tablas numéricas. Para importarlos en Power BI, los datos de Python deben estar
en una trama de datos pandas . Una trama de datos es una estructura de
datos bidimensional, como una tabla con filas y columnas.

Matplotlib es una biblioteca de trazado para Python y su extensión

matemática numérica NumPy . Matplotlib proporciona una API orientada a
objetos para insertar trazados en aplicaciones de interfaz gráfica de usuario
(GUI) de uso general para Python, como Tkinter, wxPython, Qt o GTK+.

Consola

pip install pandas

pip install matplotlib

Habilitación de la creación de scripts de Python

Para habilitar la creación de scripts de Python en Power BI:

1. En Power BI Desktop, seleccione Archivo>Opciones y

configuración>Opciones>Creación de scripts de Python. Aparece la página
Opciones de script de Python.

2. Si es necesario, proporcione o edite la ruta de la instalación de Python local en

Directorios principales de Python detectados. En la imagen anterior, la ruta de
instalación local de Python es C:\Users\Python. Si tiene más de una instalación
local de Python, asegúrese de seleccionar la que quiera usar.

3. Seleccione Aceptar.

） Importante

Power BI ejecuta scripts directamente mediante el ejecutable [Link] del

directorio que proporcione en Configuración. Es posible que las distribuciones de
Python que necesitan un paso adicional para preparar el entorno, como Conda, no
 se ejecuten. Para evitar estos problemas, use la distribución oficial de Python de
[Link] . Otra posible solución consiste en iniciar Power BI
Desktop desde el símbolo del entorno de Python personalizado.

Creación de un script de Python

Cree un script en el entorno de desarrollo local de Python y asegúrese de que se ejecuta
correctamente. Para preparar y ejecutar un script de Python en Power BI Desktop, hay
algunas limitaciones:

Solo se importan tramas de datos de Pandas, por lo que debe asegurarse de que
los datos que quiere importar a Power BI se representan en una trama de datos.
Los scripts de Python que se ejecutan durante más de 30 minutos agotan el
tiempo de espera.
Las llamadas interactivas en el script de Python, por ejemplo, la espera a la entrada
del usuario, detienen la ejecución del script.
Si establece un directorio de trabajo en el script de Python, debe definir una ruta
de acceso completa al directorio de trabajo, en lugar de una ruta de acceso
relativa.
No se admiten tablas anidadas.

Este es un script de Python sencillo de ejemplo en el que se importa pandas y se usa

una trama de datos:

Python

import pandas as pd
data = [['Alex',10],['Bob',12],['Clarke',13]]
df = [Link](data,columns=['Name','Age'])
print (df)

Cuando se ejecuta, este script devuelve:

Output

Name Age
0 Alex 10.0
1 Bob 12.0
2 Clarke 13.0

Ejecución del script e importación de los datos

Para ejecutar el script de Python:

1. En el grupo Inicio de la cinta de Power BI Desktop, seleccione Obtener datos.

2. En el cuadro de diálogo Obtener datos, seleccione Otros>Script de Python y

después Conectar. Power BI usa la versión de Python instalada más reciente como
motor de Python.

3. En la pantalla Script de Python, pegue el script de Python en el campo Script y

seleccione Aceptar.
 4. Si el script se ejecuta correctamente, aparecerá la ventana Navegador y podrá
cargar los datos. Seleccione la tabla df y después Cargar.

Power BI importa los datos y puede usarlos para crear visualizaciones e informes. Para
actualizar los datos, seleccione Actualizar en el grupo Inicio de la cinta de Power BI
Desktop. Al realizar la actualización, Power BI vuelve a ejecutar el script de Python.

） Importante

Si Python no está instalado o identificado, aparece una advertencia. Es posible que

también vea una advertencia si tiene varias instalaciones en el equipo local.
Contenido relacionado
Para más información sobre Python en Power BI, vea lo siguiente:

Crear objetos visuales de Power BI con Python

Uso de un IDE externo de Python con Power BI
Uso de Python en el Editor de Power Query

Comentarios
¿Le ha resultado útil esta página?  Sí  No

Proporcionar comentarios sobre el producto | Preguntar a la comunidad

Uso de Python en el Editor de Power
Query
Artículo • 09/03/2023

Puede utilizar Python, un lenguaje de programación usado ampliamente por estadistas,

científicos de datos y analistas de datos, en el Editor de Power Query de Power
BI Desktop. Esta integración de Python en el Editor de Power Query permite limpiar
datos con Python y realizar acciones avanzadas, como analizar y dar forma a los datos
en conjuntos de datos, incluida la operación de completar datos que faltan, las
predicciones y la agrupación en clústeres, por nombrar algunas. Python es un lenguaje
eficaz y se puede usar en el Editor de Power Query para preparar el modelo de datos y
crear informes.

Prerrequisitos
Antes de empezar, tendrá que instalar Python y pandas.

Instalación de Python: para usar Python en el Editor de Power Query de Power BI

Desktop, debe instalar Python en su máquina local. Puede descargar e instalar
Python gratuitamente desde varias ubicaciones, incluida la página de descargas
oficial de Python y Anaconda .

Instalación de pandas: para usar Python con el Editor de Power Query, también
deberá instalar pandas . Pandas se usa para mover datos entre Power BI y el
entorno de Python.

Uso de Python con el Editor de Power Query

Para ver cómo se utiliza Python en el Editor de Power Query, use este ejemplo de un
conjunto de datos de la bolsa, basado en un archivo .csv que puede descargar aquí , y
sígalo. El siguiente procedimiento muestra los pasos de este ejemplo:

1. En primer lugar, cargue los datos en Power BI Desktop. En este ejemplo, cargue el
archivo EuStockMarkets_NA.csv y seleccione Obtener datos>Texto o CSV en la
cinta Inicio de Power BI Desktop.
2. Seleccione primero el archivo y, después, Abrir para que el archivo .csv se muestre
en el cuadro de diálogo Archivo CSV.

3. Una vez cargados los datos, se muestran en el panel Campos de Power BI

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

5. En la pestaña Transformar, haga clic en Ejecutar script de Python para abrir el

editor correspondiente, como se muestra en el paso siguiente. En las filas 15 y 20
faltan datos, al igual que en otras filas que no se ven en la siguiente imagen. En los
siguientes pasos se muestra cómo Python completa esas filas de forma
automática.
6. En este ejemplo, escriba el siguiente código de script:

Python

import pandas as pd
completedData = [Link](method='backfill', inplace=False)
dataset["completedValues"] = completedData["SMI missing values"]

７ Nota

Para que el código de script anterior funcione correctamente, debe tener

instalada la biblioteca pandas en el entorno de Python. Para instalar pandas,
ejecute el siguiente comando en la instalación de Python: pip install
pandas .

Cuando se incluye el código en el cuadro de diálogo Ejecutar script de Python,

tiene un aspecto similar al siguiente ejemplo:

7. Después de seleccionar Aceptar, en el Editor de Power Query se muestra una

advertencia sobre la privacidad de los datos.
 8. Para que los scripts de Python funcionen correctamente en el servicio Power BI,
todos los orígenes de datos se deben establecer como públicos. Para obtener más
información sobre la configuración de privacidad y sus implicaciones, consulte
Niveles de privacidad.

Observe que en el panel Campos hay una columna nueva denominada

completedValues. Observe que algunos elementos de datos faltan, como en las
filas 15 y 18. Vea cómo Python lo aborda en la sección siguiente.

Con solo cinco líneas de script de Python, el Editor de Power Query ha rellenado los
valores que faltaban con un modelo predictivo.

Creación de objetos visuales a partir de los

datos del script de Python
Ahora se puede crear un objeto visual para ver cómo el código de script de Python,
mediante la biblioteca pandas, ha completado los valores que faltaban, como se
muestra en la imagen siguiente:
Una vez completado ese objeto visual y otros objetos visuales que desee crear con
Power BI Desktop, puede guardar el archivo de Power BI Desktop. Los archivos de
Power BI Desktop se guardan con la extensión de nombre de archivo .pbix. A
continuación, use el modelo de datos, incluidos los scripts de Python que forman parte
de él, en el servicio Power BI.

７ Nota

¿Quiere ver un archivo .pbix finalizado con estos pasos completados? Está de
suerte. Puede descargar desde aquí el archivo de Power BI Desktop finalizado
que se ha usado en estos ejemplos.

Después de cargar el archivo .pbix en el servicio Power BI, son necesarios dos pasos más
para habilitar la actualización de los datos y los objetos visuales en el servicio. Los datos
deben tener acceso a Python para que los objetos visuales se actualicen. Los demás
pasos son los siguientes:

Habilitar una actualización programada del conjunto de datos. Para habilitar la

actualización programada del libro que contiene el conjunto de datos con scripts
de Python, consulte Configuración de actualización programada, que también
incluye información sobre el uso de una puerta de enlace personal.
Instalar la puerta de enlace personal. Necesita una puerta de enlace personal
instalada en la máquina donde se encuentra el archivo y donde está instalado
Python. El servicio Power BI debe acceder a ese libro y volver a representar los
objetos visuales actualizados. Para más información, vea Instalación y
configuración de puertas de enlace personales.

Consideraciones y limitaciones
Existen algunas limitaciones para las consultas que incluyen scripts de Python creadas
en el Editor de Power Query:

La configuración de origen de datos de Python se debe establecer en Pública y

todos los demás pasos de una consulta creada en el Editor de Power Query
también deben ser públicos. Para obtener la configuración del origen de datos en
Power BI Desktop, seleccione Archivo > Opciones y configuración >
Configuración de origen de datos.

En el cuadro de diálogo Configuración del origen de datos, seleccione los

orígenes de datos y elija Editar permisos.... Asegúrese de que el Nivel de
privacidad esté establecido en Público.
 Para habilitar la actualización programada de los objetos visuales o del conjunto
de datos de Python, debe habilitar Actualización programada y tener puerta de
enlace personal instalada en el equipo que hospeda el libro y la instalación de
Python. Para obtener más información sobre ambos, consulte la sección anterior
de este artículo y siga los vínculos que se proporcionan.

Actualmente no se admiten tablas anidadas, que son tablas de tablas.

Con Python y las consultas personalizadas puede hacer todo tipo de cosas; por tanto,
explore y dé forma a los datos de la manera que quiera que aparezcan.
Uso de un IDE externo de Python con
Power BI
Artículo • 23/03/2023

Con Power BI Desktop, puede usar un entorno de desarrollo integrado (IDE) de Python
externo para crear y perfeccionar los scripts de Python, y después usarlos en Power BI.

Habilitación de un IDE de Python externo

Puede iniciar el IDE de Python externo desde Power BI Desktop y hacer que los datos se
importen y aparezcan de forma automática en el IDE de Python. Desde allí, puede
modificar el script en ese IDE de Python externo y después volver a pegarlo en Power BI
Desktop para crear objetos visuales e informes de Power BI.
Puede especificar qué IDE de Python le gustaría usar e iniciarlo de forma automática
desde Power BI Desktop.

Requisitos
Para usar esta función, debe instalar un IDE de Python en el equipo local. Power BI
Desktop no incluye, implementa ni instala el motor de Python, por lo que debe instalar
Python por separado en el equipo local. Puede elegir qué IDE de Python se va a usar,
con las opciones siguientes:

Puede instalar su IDE de Python favorito, muchos de los cuales están disponibles
de forma gratuita, como la página de descarga de Visual Studio Code .

Power BI Desktop también admite Visual Studio.

También puede instalar otro IDE de Python y que Power BI Desktop inicie ese IDE
de Python siguiendo estos pasos:
Puede asociar los archivos .PY con el IDE externo que quiere que inicie Power BI
Desktop.
Puede especificar el archivo .exe que Power BI Desktop inicia si hace clic en
Otros en la sección Opciones de Script de Python del cuadro de diálogo
Opciones. Puede poner en funcionamiento el cuadro de diálogo Opciones
yendo a Archivo>Opciones y configuración>Opciones.
Si tiene varios IDE de Python instalados, puede especificar cuál se inicia si lo selecciona
en el cuadro desplegable IDE de Python detectados del cuadro de diálogo Opciones.

De forma predeterminada, Power BI Desktop iniciará Visual Studio Code como el IDE de
Python externo si está instalado en el equipo local; si Visual Studio Code no está
instalado y tiene Visual Studio en su lugar, es el que se iniciará. Si Visual Studio Code no
está instalado y tiene Visual Studio que se inicia en su lugar. Si ninguno de estos IDE de
Python está instalado, se iniciará la aplicación asociada a los archivos .PY.

Y si no hay ninguna asociación de archivos .PY, es posible especificar una ruta de acceso
a un IDE personalizado en la sección Establezca un directorio raíz para Python del
cuadro de diálogo Opciones. También puede iniciar otro IDE de Python si hace clic en el
icono de engranaje Configuración situado junto al icono de flecha Iniciar IDE de
Python en Power BI Desktop.

Inicio de un IDE de Python desde Power BI

Desktop
Para iniciar un IDE de Python desde Power BI Desktop, siga estos pasos:

1. Cargue los datos en Power BI Desktop.

2. Agregue una visualización de Python al lienzo. Si no ha habilitado los objetos

visuales de scripts, se le pedirá que lo haga.

3. Al habilitar los objetos visuales de scripts, se muestra un objeto visual Python en

blanco que está listo para mostrar los resultados del script. También aparece el
panel Editor de script de Python.

4. Ahora puede seleccionar los campos que quiera usar en el script de Python. Al
seleccionar un campo, el campo Editor de script de Python crea de forma
automática el código de script según el campo o campos seleccionados. Puede
crear (o pegar) el script de Python directamente en el panel Editor de script de
Python o puede dejarlo vacío.
 

７ Nota

El tipo de agregación predeterminado para los objetos visuales de Python es

No resumir.

5. Ahora puede iniciar el IDE de Python directamente desde Power BI Desktop. Haga
clic en el botón Iniciar IDE de Python que se encuentra en la parte derecha de la
barra de título Editor de script de Python, como se muestra a continuación.

6. Se inicia el IDE de R especificado por Power BI Desktop, tal y como se muestra en

la siguiente imagen. En esta imagen, Visual Studio Code es el IDE de Python
predeterminado.
 

７ Nota

Power BI Desktop agrega las tres primeras líneas del script para poder
importar los datos desde Power BI Desktop una vez que ejecute el script.

7. Cualquier script creado en el panel Editor de script de Python de Power BI

Desktop aparece a partir de la línea 4 en el IDE de Python. En este momento puede
crear el script de Python en el IDE de Python. Una vez que esté completo el script
de Python en el IDE de Python, deberá copiarlo y pegarlo en el panel Editor de
script de Python de Power BI Desktop, excepto las tres primeras líneas del script
que Power BI Desktop ha generado de forma automática. No vuelva a copiar las
tres primeras líneas del script en Power BI Desktop, esas líneas solo se han usado
para importar los datos en el IDE de Python desde Power BI Desktop.

Limitaciones conocidas
Iniciar un IDE de Python directamente desde Power BI Desktop tiene algunas
limitaciones:

No se admite la exportación automática del script desde el IDE de Python en

Power BI Desktop.
Pasos siguientes
Eche un vistazo a la siguiente información adicional sobre Python en Power BI.

Ejecución de scripts de Python en Power BI Desktop

Creación de objetos visuales de Power BI con Python
Creación de objetos visuales de Power
BI con Python
Artículo • 28/08/2024

Este tutorial le ayuda a empezar a crear objetos visuales con datos Python en Power BI
Desktop. Puede usar algunas de las muchas opciones y funcionalidades disponibles para
crear informes visuales mediante Python, Pandas y la biblioteca Matplotlib.

Requisitos previos
Realice Ejecución de scripts de Python en Power BI Desktop para:

Instalar Python en la máquina local.

Habilitar el scripting de Python en Power BI Desktop.

Instalar las bibliotecas de Python pandas y Matplotlib .

Importe el siguiente script de Python en Power BI Desktop:

Python

import pandas as pd
df = [Link]({
'Fname':['Harry','Sally','Paul','Abe','June','Mike','Tom'],
'Age':[21,34,42,18,24,80,22],
'Weight': [180, 130, 200, 140, 176, 142, 210],
'Gender':['M','F','M','M','F','M','M'],
'State':
['Washington','Oregon','California','Washington','Nevada','Texas','Neva
da'],
'Children':[4,1,2,3,0,2,0],
'Pets':[3,2,2,5,0,1,5]
})
print (df)

Creación de objetos visuales de Python en

Power BI Desktop
1. Después de importar el script de Python, seleccione el icono visual de Python en
el panel visualizaciones de Power BI Desktop.
2. En el cuadro de diálogo Habilitar objetos visuales de script que aparece,
seleccione Habilitar.

Aparece una imagen visual de Python de marcador de posición en el lienzo del

informe y el editor de scripts de Python aparece en la parte inferior del panel
central.

3. Arrastre los campos Age, Children, Fname, Gender, Pets, State y Weight a la
sección Valores, donde aparece "Agregar campos de datos aquí.
 En función de lo que seleccione, el editor de scripts de Python genera el siguiente
código de enlace.

El editor crea una trama de datos del conjunto de datos con los campos que
agrega.
La agregación predeterminada es: No resumir.
Como sucede con los objetos visuales de tabla, los campos se agrupan y las
filas duplicadas aparecen solo una vez.

4. Con la trama de datos generada automáticamente por los campos seleccionados,

puede escribir un script de Python que genere un trazado en el dispositivo
predeterminado de Python. Una vez completado el script, seleccione el icono
Ejecutar de la barra de título del editor de scripts de Python para ejecutar el script
y generar el objeto visual.

Sugerencias
 El script de Python solo puede usar los campos que se agreguen a la sección
Valores. Puede agregar o quitar campos mientras trabaja en su script de Python.
Power BI Desktop detecta automáticamente los cambios en los campos. Al
seleccionar o quitar campos de la sección Valores, el código auxiliar del editor de
scripts de Python se genera o elimina de forma automática.

En algunos casos, puede que no quiera que se produzca una agrupación

automática o que quiera que aparezcan todas las filas, incluso las duplicadas. En
esos casos, puede agregar un campo de índice al conjunto de datos que haga que
todas las filas se consideren únicas y que evite la agrupación.

Puede acceder a las columnas del conjunto de datos usando sus nombres. Por
ejemplo, puede codificar dataset["Age"] en el script de Python para acceder al
campo de edad.

Power BI Desktop vuelve a trazar el objeto visual cuando selecciona Ejecutar en la

barra de título del editor de scripts de Python, o cuando se produce un cambio de
datos debido a la actualización de datos, al filtrado o al resaltado.

Al ejecutar un script de Python que genera un error, el objeto visual de Python no

se traza y se muestra un mensaje de error en el lienzo. Para consultar los detalles
del error, seleccione Ver detalles en el mensaje.

Para obtener una vista mayor de las visualizaciones, puede minimizar el editor de
scripts de Python.

Creación de un gráfico de dispersión

Cree un gráfico de dispersión para ver si hay una correlación entre la edad y el peso.

1. En el editor de scripts de Python, en Pegue o escriba aquí el código de script,

introduzca este código:

Python

import [Link] as plt

[Link](kind='scatter', x='Age', y='Weight', color='red')
[Link]()

El panel del editor de scripts de Python debería tener la siguiente imagen:

 El código importa la biblioteca Matplotlib, que traza y crea el objeto visual.

2. Seleccione el botón Ejecutar para generar el siguiente gráfico de dispersión en el

objeto visual de Python.

Creación de un gráfico de líneas con varias

columnas
Cree un gráfico de líneas para cada persona que muestre el número de hijos y mascotas.

1. En Pegue o escriba el código de script aquí, quite o comente el código anterior y

escriba el siguiente código de Python:

Python

import [Link] as plt

ax = [Link]()
[Link](kind='line',x='Fname',y='Children',ax=ax)
[Link](kind='line',x='Fname',y='Pets', color='red', ax=ax)
[Link]()
 2. Seleccione el botón Ejecutar para generar el siguiente trazado de líneas con varias
columnas:

Creación de un gráfico de barras

Cree un gráfico de barras para la edad de cada persona.

1. En Pegue o escriba el código de script aquí, quite o comente el código anterior y

escriba el siguiente código de Python:

Python

import [Link] as plt

[Link](kind='bar',x='Fname',y='Age')
[Link]()

2. Seleccione el botón Ejecutar para generar el siguiente trazado de barras:

Limitaciones
Los objetos visuales de Python en Power BI Desktop tienen las limitaciones siguientes:

Los datos que usa el objeto visual de Python para el trazado están limitados a
150 000 filas. Si se seleccionan más de 150.000 filas, solo se usan las primeras
150.000 y aparece un mensaje en la imagen. Los datos de entrada también tienen
un límite de 250 MB.

Si el conjunto de datos de entrada de un objeto visual de Python tiene una

columna en la que hay un valor de cadena de más de 32.766 caracteres, ese valor
se trunca.

Todos los objetos visuales de Python se muestran en resolución de 72 PPP.

Si el cálculo de un objeto visual de Python supera los cinco minutos, se agota el

tiempo de espera de ejecución y se genera un error.

Al igual que con otros objetos visuales de Power BI Desktop, si selecciona campos
de datos de tablas diferentes sin ninguna relación definida entre ellos, se produce
un error.

Los objetos visuales de Python se actualizan al actualizar, filtrar y resaltar datos. La

propia imagen no es interactiva.

Los objetos visuales de Python responden al resaltado de elementos en otros

objetos visuales, pero no puede seleccionar elementos del objeto visual de Python
 para aplicar un filtro cruzado a otros elementos.

Solo los trazados con el dispositivo de pantalla predeterminado de Python se

muestran correctamente en el lienzo. Evite usar explícitamente otro dispositivo de
pantalla de Python.

Los objetos visuales de Python no admiten el cambio de nombre de las columnas

de entrada. Se hace referencia a las columnas por sus nombres originales durante
la ejecución del script.

Seguridad
Los objetos visuales de Python usan scripts de Python, que podrían contener código
que presente riesgos para la seguridad o la privacidad. Al intentar ver o interactuar con
un objeto visual de Python por primera vez, recibirá una advertencia de seguridad.
Habilite los objetos visuales de Python únicamente si confía en el autor y en el origen, o
bien tras revisar el script de Python y asegurarse de que lo comprende.

Licencias
Los objetos visuales de Python requieren una licencia de Power BI Pro o Premium por
usuario (PPU) para poder representarse en informes, actualizarse, filtrarse y filtrarse de
forma cruzada. Los usuarios gratuitos de Power BI solo pueden usar iconos compartidos
con ellos en áreas de trabajo Premium.

En la siguiente tabla se describen las funcionalidades de los objetos visuales de Python

según las licencias.

ﾉ Expandir tabla

Creación de objetos Creación de informes Visualización de

visuales de Python de servicio Power BI objetos visuales de
en Power BI con objetos visuales Python en informes
Desktop de Python

Invitado (Power BI Compatible No compatible Solo se admite en la

Embedded) capacidad
Premium/Azure

Inquilino no Compatible No compatible No compatible

administrado
(dominio no
verificado)
 Creación de objetos Creación de informes Visualización de
visuales de Python de servicio Power BI objetos visuales de
en Power BI con objetos visuales Python en informes
Desktop de Python

Inquilino Compatible No compatible Admitido solo en

administrado con capacidad Premium
licencia gratuita

Inquilino Compatible Admitido Compatible

administrado con
licencia Pro o PPU

Para obtener más información sobre las licencias de Power BI Pro y cómo se diferencian
de las licencias gratuitas, consulte Comprar y asignar licencias de usuario de Power BI
Pro.

Contenido relacionado
Este tutorial es apenas una muestra de las opciones y capacidades para crear informes
visuales mediante Python, Pandas y la biblioteca de Matplotlib. Para obtener más
información, consulte los siguientes recursos:

Documentación en el sitio web de Matplotlib .

Matplotlib Tutorial: A Basic Guide to Use Matplotlib with Python (Tutorial de
Matplotlib: una guía básica para usar Matplotlib con Python)
Matplotlib Tutorial – Python Matplotlib Library with Examples (Tutorial de
Matplotlib: biblioteca de Matplotlib de Python con ejemplos)
Referencia de la API de Pandas
Visualizaciones de Python en el servicio Power BI
Uso de objetos visuales de Python en Power BI
Tutorial completo de scripting de Python

Para más información sobre Python en Power BI, vea lo siguiente:

Ejecución de scripts de Python en Power BI Desktop

Uso de un IDE externo de Python con Power BI

Comentarios
¿Le ha resultado útil esta página?  Sí  No
Proporcionar comentarios sobre el producto | Preguntar a la comunidad
Obtenga información sobre qué paquetes
de Python se admiten en Power BI.
Artículo • 21/04/2025

Puede usar el potente lenguaje de programación python para crear objetos visuales en
Power BI. Muchos paquetes de Python se admiten en Power BI y muchos más se admiten todo
el tiempo.

En las secciones siguientes se proporciona una tabla alfabética de la que se admiten paquetes
de Python en Power BI.

Requisitos y limitaciones de los paquetes de

Python
Hay una serie de requisitos y limitaciones para los paquetes de Python:

Power BI suele admitir paquetes de Python con licencias de software gratuitas y de

código abierto, como GPL-2, GPL-3, MIT+, etc.
Power BI admite paquetes publicados en PyPI. El servicio no admite paquetes de Python
privados o personalizados. Se recomienda a los usuarios que hagan que sus paquetes
privados estén disponibles en PyPI antes de solicitar que el paquete esté disponible en
Power BI.
En el caso de los objetos visuales de Python en Power BI Desktop, puede instalar
cualquier paquete, incluidos los paquetes de Python personalizados.
Por motivos de seguridad y privacidad, no se admiten los paquetes de Python que
proporcionan consultas de servidor cliente a través de la web en el servicio. Las redes se
bloquean para estos intentos.
El proceso de aprobación para incluir un nuevo paquete de Python tiene un árbol de
dependencias. Algunas dependencias necesarias para instalar en el servicio no pueden ser
soportadas.

Para informes en áreas de trabajo respaldadas por

Premium/Fabric
Tiempo de ejecución de Python: Python 3.11

Paquetes de Python compatibles con el servicio

Power BI (áreas de trabajo respaldadas por
Premium/Fabric y Pro/PPU)
En la tabla siguiente se muestran los paquetes que se admiten en Power BI para informes de
áreas de trabajo respaldadas por Premium/Fabric y licencias Pro/PPU. Descargar paquetes
aquí

ﾉ Expandir tabla

Paquete Versión

asttokens 2.4.1

certifi 2024.8.30

comm 0.2.2

contourpy 1.3.0

ciclista 0.12.1

debugpy 1.8.5

decorador 5.1.1

exceptiongroup 1.2.2

executing 2.1.0

fonttools 4.53.1

importlib_metadata 8.4.0

ipykernel 6.29.4

ipython 8.27.0

Jedi 0.19.1

joblib 1.4.2

jupyter_client 8.6.2

jupyter_core 5.7.2

kiwisolver 1.4.5

matplotlib 3.8.4

matplotlib inline 0.1.7

munkres 1.1.4
Paquete Versión

nest_asyncio 1.6.0

numpy 2.0.0

embalaje 24.1

Pandas 2.2.2

parso 0.8.4

patsy 0.5.6

pexpect 4.9.0

pickleshare 0.7.5

almohada 10.4.0

pip 24

platformdirs 4.2.2

ply 3,11

prompt_toolkit 3.0.47

psutil 6.0.0

ptyprocess 0.7.0

pure_eval 0.2.3

Pygments 2.18.0

pyparsing 3.1.2

PyQt5 5.15.9

PyQt5 sip 12.12.2

python dateutil 2.9.0

pytz 2024.1

pyzmq 26.2.0

scikit learn 1.5.0

scipy 1.13.1

seaborn 0.13.2
 Paquete Versión

setuptools 70.0.0

sip 6.7.12

six 1.16.0

datos de pila 0.6.2

statsmodels (paquete de Python para análisis estadístico) 0.14.2

threadpoolctl 3.5.0

toml 0.10.2

tomli 2.0.1

tornado 6.4.1

traitlets 5.14.3

typing_extensions 4.12.2

tzdata 2024.1

unicodedata2 15.1.0

wcwidth 0.2.13

wheel 0.44.0

xgboost 2.0.3

zipp 3.20.1

Para regiones no admitidas por Fabric y Sov. Nubes

Tiempo de ejecución de Python: Python 3.7.7

En la tabla siguiente se muestran los paquetes que se admiten en los informes de Power BI en
regiones no soportadas por Fabric y nubes soberanas (Sov Clouds).

ﾉ Expandir tabla

Paquete Versión Vínculo

cycler 0.11.0 [Link]

joblib 1.1.0 [Link]

Paquete Versión Vínculo

kiwisolver 1.4.4 [Link]

matplotlib 3.2.2 [Link]

numpy 1.21.6 [Link]

packaging 21,3 [Link]

pandas 1.3.5 [Link]

patsy 0.5.2 [Link]

pip 22.1.2 [Link]

pyparsing 3.0.9 [Link]

python-dateutil 2.8.2 [Link]

pytz 2022.1 [Link]

scikit-learn 1.0.2 [Link]

scipy 1.7.3 [Link]

seaborn 0.11.2 [Link]

setuptools 63.2.0 [Link]

six 1.16.0 [Link]

statsmodels 0.13.2 [Link]

threadpoolctl 3.1.0 [Link]

typing-extensions 4.3.0 [Link]

xgboost 1.6.1 [Link]

Consideraciones y limitaciones
La actualización del nuevo entorno de ejecución no está disponible en regiones que no
son de Fabric y Sov. nubes
El lanzamiento es gradual y se espera que esté disponible en todas las regiones de Fabric
el 15 de marzo de 2025.
Los objetos visuales de Py no se admiten con perfiles de entidad de servicio para los
cuales la aplicación posee los datos.
 Los objetos visuales de Py representados desde el servicio Power BI (para SKU
Premium/F) pueden admitir cargas de < 30 Mb.
No se admite la publicación en la web.

Contenido relacionado
Para más información sobre Python en Power BI, eche un vistazo a los siguientes artículos:

Creación de objetos visuales de Power BI mediante Python

Ejecución de scripts de Python en Power BI Desktop
Uso de Python en el Editor de consultas
Ejecución de scripts de R en Power BI
Desktop
Artículo • 10/11/2023

Puede ejecutar scripts R directamente en Power BI Desktop e importar los conjuntos de

datos resultantes en un modelo de datos de Power BI Desktop.

Instalar R
Para ejecutar scripts R en Power BI Desktop, deberá instalar R en el equipo local. Puede
descargar e instalar R de forma gratuita desde varias ubicaciones, incluido el Repositorio
de CRAN . La versión actual admite caracteres Unicode y espacios (caracteres vacíos)
en la ruta de instalación.

Ejecutar scripts de R
Con solo unos pocos pasos en Power BI Desktop, puede ejecutar scripts de R y crear un
modelo de datos. Con el modelo de datos, puede crear informes y compartirlos en el
servicio Power BI. Scripting de R de Power BI Desktop admite ahora los formatos de
número que contienen decimales (.) y comas (,).

Preparar un script de R
Para ejecutar un script R en Power BI Desktop, créelo en el entorno de desarrollo de R
local y asegúrese de que se ejecuta correctamente.

Para ejecutar el script en Power BI Desktop, asegúrese de que este se ejecuta

correctamente en un área de trabajo nueva y sin modificar. Este requisito previo
significa que todos los paquetes y dependencias deben cargarse y ejecutarse
explícitamente. Puede usar source() para ejecutar scripts dependientes.

Al preparar y ejecutar un script de R en Power BI Desktop, hay algunas limitaciones:

Como solo se importan tramas de datos, recuerde representar los datos que quiere
importar a Power BI en una trama de datos.
Las columnas cuyos tipos son Complex y Vector no se importan y se reemplazan
por valores de error en la tabla creada.
Los valores de N/A se convierten en valores NULL en Power BI Desktop.
 Si un script de R se ejecuta durante más de 30 minutos, se agota el tiempo de
espera.
Las llamadas interactivas en el script de R como, por ejemplo, esperar la entrada
del usuario, detienen la ejecución del script.
Al establecer el directorio de trabajo en el script de R, debe definir una ruta de
acceso completa al directorio de trabajo, en lugar de una ruta de acceso relativa.
Los scripts de R no se pueden ejecutar en el servicio de Power BI.

Ejecutar el script de R e importar datos

Ahora puede ejecutar el script de R para importar datos en Power BI Desktop:

1. En Power BI Desktop, seleccione Obtener datos, elija Otros>Script de R y,

después, seleccione Conectar:

2. Si R está instalado en el equipo local, solo tiene que copiar el script en la ventana
de script y seleccionar Aceptar. La versión instalada más reciente se muestra como
el motor de R.
 3. Seleccione Aceptar para ejecutar el script R. Cuando el script se ejecuta
correctamente, puede elegir las tramas de datos resultantes para agregar al
modelo de Power BI.

Puede controlar qué instalación de R se va a usar para ejecutar el script. Para especificar
la configuración de la instalación de R, elija Archivo>Opciones y
configuración>Opciones y, después, seleccione Scripting de R. En Opciones de script
de R, la lista desplegable Directorios detectados de inicio R muestra las opciones de
instalación de R actuales. Si la instalación de R que quiere no aparece, elija Otros y, a
continuación, busque o escriba la carpeta de instalación de R preferida en Establezca un
directorio raíz para R.
Refresh
Puede actualizar un script R en Power BI Desktop. Al actualizar un script R, Power BI
Desktop ejecuta el script R de nuevo en el entorno de Power BI Desktop.

Pasos siguientes
Eche un vistazo a la siguiente información adicional sobre R en Power BI.

Crear objetos visuales de Power BI con R

Usar una IDE de R externa con Power BI
Uso de R en el Editor de Power Query
Artículo • 22/11/2023

El lenguaje R es un lenguaje de programación eficaz que usan muchos estadísticos,

científicos de datos y analistas de datos. R se puede usar en el Editor de Power Query de
Power BI Desktop para llevar a cabo las siguientes tareas:

Preparar modelos de datos.

Crear informes.
Realizar limpieza de datos, modelado de datos avanzado y análisis de modelo
semántico, que incluyen la finalización de datos que faltan, predicciones,
agrupación en clústeres, etc.

Instalar R
Puede descargar R de forma gratuita del repositorio de CRAN .

Instalación de mice
Como requisito previo, debe instalar la biblioteca de mice en el entorno de R. Sin
mice, el código de script de ejemplo no funcionará bien. El paquete mice implementa un
método para solucionar el problema de los datos que faltan.

Para instalar la biblioteca de mice:

1. Inicie el programa [Link] , por ejemplo, C:\Program Files\Microsoft\R Open\R-

3.5.3\bin\[Link] .

2. Ejecute el comando de instalación desde el símbolo del sistema de R:

[Link]('mice')

Uso de un script de R en el Editor de Power

Query
Para explicar cómo usar R en el Editor de Power Query, este ejemplo usa un modelo
semántico del mercado de valores de ejemplo incluido en un archivo .csv.
1. Descargue el archivo EuStockMarkets_NA.csv . Recuerde dónde lo ha guardado.

2. Cargue el archivo en Power BI Desktop. En la pestaña Inicio, seleccione Obtener

datos>Texto o CSV.

3. Seleccione el archivo EuStockMarkets_NA.csv y, después, Abrir. Los datos CSV se

muestran en el cuadro de diálogo Archivo de texto/CSV.

4. Seleccione Cargar para cargar los datos del archivo. Una vez que Power BI Desktop
haya cargado los datos, la nueva tabla aparece en el panel Campos.
5. Para abrir el Editor de Power Query, seleccione Transformar datos en la cinta de
opciones Inicio.

6. En la pestaña Transformar, seleccione Ejecutar script de R. Se abrirá el editor

Ejecutar script de R. Las filas 15 y 20 tienen datos que faltan, al igual que otras filas
que no se pueden ver en la imagen. En los siguientes pasos se muestra cómo R
completa esas filas de forma automática.

7. En este ejemplo, escriba el siguiente código de script en el cuadro Script de la

ventana Ejecutar script de R.
 R

library(mice)
tempData <- mice(dataset,m=1,maxit=50,meth='pmm',seed=100)
completedData <- complete(tempData,1)
output <- dataset
output$completedValues <- completedData$"SMI missing values"

７ Nota

Es posible que tenga que sobrescribir una variable denominada output para
crear correctamente el modelo semántico con los filtros aplicados.

8. Seleccione Aceptar. El Editor de Power Query muestra una advertencia de

privacidad de los datos.

9. En el mensaje de advertencia, seleccione Continuar. En el cuadro de diálogo

Niveles de privacidad que se abre, establezca todos los orígenes de datos en
Público para que los scripts de R funcionen correctamente en el servicio Power BI.
 Para más información sobre la configuración de privacidad y sus implicaciones, vea
Niveles de privacidad de Power BI Desktop.

10. Seleccione Guardar para ejecutar el script.

Al ejecutar el script, ve el siguiente resultado:

Al seleccionar Tabla junto a Salida en la tabla que aparece, se presenta la tabla, tal
y como se muestra en la imagen siguiente.
 Observe que en el panel Campos hay una columna nueva denominada
completedValues. La columna de valores que faltan de SMI tiene algunos
elementos de datos que faltan. Vea cómo R lo aborda en la sección siguiente.

Con tan solo cinco líneas de script de R, el Editor de Power Query ha rellenado los
valores que faltaban con un modelo predictivo.

Creación de objetos visuales a partir de los

datos del script de R
Ahora, podemos crear un objeto visual para ver cómo el código de script de R, junto
con la biblioteca de mice, completa los valores que faltan.

Puede guardar todos los objetos visuales completados en un archivo .pbix de Power BI
Desktop y usar el modelo de datos y sus scripts de R en el servicio Power BI.

７ Nota

Puede descargar un archivo .pbix con todos estos pasos completados.

Una vez que haya cargado el archivo .pbix en el servicio Power BI, tendrá que realizar
otros pasos para habilitar la actualización de datos de servicio y los objetos visuales
actualizados:
 Habilitar la actualización programada del modelo semántico: para habilitar la
actualización programada del libro que contiene el modelo semántico con scripts
de R, vea Configuración de la actualización programada. En este artículo también
se incluye información sobre las puertas de enlace de datos locales.

Instalar una puerta de enlace: necesita una puerta de enlace de datos local (modo
personal) instalada en la máquina donde se encuentran el archivo y R. El servicio
Power BI accede a ese libro y vuelve a representar los objetos visuales actualizados.
Para obtener más información, vea Uso de puertas de enlace personales en
Power BI.

Consideraciones y limitaciones
Las consultas que incluyen scripts de R creados en el Editor de Power Query presentan
algunas limitaciones:

Toda la configuración del origen de datos de R se debe establecer en Pública. El

resto de los pasos de una consulta del Editor de Power Query también deben ser
públicos.

Para obtener la configuración del origen de datos, en Power BI Desktop, seleccione

Archivo>Opciones y configuración>Configuración de origen de datos.
 En el cuadro de diálogo Configuración de origen de datos, seleccione uno o
varios orígenes de datos y, después, Editar permisos. Establezca Nivel de
privacidad en Público.

Para programar la actualización de los objetos visuales o modelo semántico de R,

habilite la actualización programada e instale una puerta de enlace de datos local
(modo personal) en el equipo que contiene el libro y R. No se puede usar una
puerta de enlace empresarial para actualizar modelos semánticos que contienen
scripts de R en Power Query.

Pasos siguientes
Se puede hacer todo tipo de cosas con R y con las consultas personalizadas. Explore los
datos y deles justo la forma en que quiera que aparezcan.

Ejecución de scripts de R en Power BI Desktop

Usar una IDE de R externa con Power BI
Creación de objetos visuales mediante paquetes de R en el servicio Power BI
Usar una IDE de R externa con Power BI
Artículo • 23/03/2023

Con Power BI Desktop, puede usar un IDE de R externo (entorno de desarrollo

integrado) para crear y perfeccionar los scripts de R y después usar esos scripts en
Power BI.

Habilitar un IDE de R externo

Puede iniciar el IDE de R externo desde Power BI Desktop y hacer que los datos se
importen y aparezcan de forma automática en el IDE de R. Desde allí, puede modificar el
script en ese IDE de R externo y después volver a pegarlo en Power BI Desktop para
crear objetos visuales e informes de Power BI. Especifique qué IDE de R le gustaría usar y
se iniciará de forma automática desde Power BI Desktop.
Requisitos
Para utilizar esta función, debe instalar un IDE de R en el equipo local. Power BI
Desktop no incluye, implementa ni instala el motor de R, por lo que debe instalar por
separado R en el equipo local. Puede elegir qué IDE de R usar con las siguientes
opciones:

Puede instalar su IDE de R favorito, muchos de los cuales están disponibles de

forma gratuita, como la página de descarga de Revolution Open y el repositorio
CRAN .

Power BI Desktop también admite R Studio y Visual Studio 2015 con editores
Herramientas remotas para Visual Studio.

También puede instalar un IDE de R diferente y que Power BI Desktop inicie ese
IDE de R realizando uno de los siguientes procedimientos:

Puede asociar los archivos .R con el IDE externo que quiere que inicie Power BI
Desktop.

Puede especificar el .exe que Power BI Desktop debe iniciar seleccionando

Otros desde la sección Opciones de Script de R del cuadro de diálogo
Opciones. Puede abrir el cuadro de diálogo Opciones si va a Archivo >
Opciones y configuración > Opciones.
Si tiene varios IDE de R instalados, puede especificar cuál se iniciará seleccionándolo en
la el cuadro desplegable IDE de R detectados en el cuadro de diálogo Opciones.

De forma predeterminada, Power BI Desktop iniciará R Studio como el IDE de R externo

si está instalado en el equipo local; si R Studio no está instalado y tiene Visual Studio
2015 con R Tools para Visual Studio, que se iniciará en su lugar. Si ninguno de estos IDE
de R está instalado, se inicia la aplicación asociada a archivos . R.

Y si no hay ninguna asociación de archivos .R, es posible especificar una ruta de acceso
a un IDE personalizado en la sección Navegue hasta el IDE de R que prefiera del cuadro
de diálogo Opciones. También puede iniciar un IDE de R diferente seleccionando el
icono de engranaje Configuración situado junto al icono de flecha Editar script en IDE
externo en Power BI Desktop.

Iniciar un IDE de R desde Power BI Desktop

Para iniciar un IDE de R desde Power BI Desktop, siga estos pasos:

1. Cargue los datos en Power BI Desktop.

2. Al habilitar los objetos visuales de scripts, puede seleccionar un objeto visual de R
del panel Visualizaciones, que crea un objeto visual de R en blanco que está listo
para mostrar los resultados del script. También aparece el panel Editor de script R.

3. Seleccione algunos campos del panel Campos con los que quiera trabajar. Si no ha
habilitado los objetos visuales de scripts, se le pedirá que lo haga.

4. Ahora puede seleccionar los campos que quiera usar en el script de R. Al

seleccionar un campo, el campo Editor de script R crea de forma automática el
código de script según el campo o campos seleccionados. Puede crear (o pegar) el
script de R directamente en el panel Editor de script R o puede dejarlo vacío.
 ７ Nota

El tipo de agregación predeterminado para objetos visuales de R es No

resumir.

5. Ahora puede iniciar el IDE de R directamente desde Power BI Desktop. Seleccione

el botón Editar script en IDE externo que se encuentra en la parte derecha de la
barra de título Editor de script R, tal como se muestra aquí.

6. Se inicia el IDE de R especificado por Power BI Desktop, tal y como se muestra en

la siguiente imagen (en esta imagen, RStudio es el IDE de R predeterminado).
 ７ Nota

Power BI Desktop agrega las tres primeras líneas del script para poder
importar los datos desde Power BI Desktop una vez que ejecute el script.

7. Cualquier script creado en el panel Editor de script R de Power BI Desktop

aparece a partir de la línea 4 en el IDE de R. En este momento puede crear el script
de R en el IDE de R. Una vez que esté completo el script de R en el IDE de R,
deberá copiarlo y pegarlo en el panel Editor de script R de Power BI Desktop,
excepto las tres primeras líneas del script que Power BI Desktop ha generado de
forma automática. No vuelva a copiar las tres primeras líneas del script en Power
BI Desktop, esas líneas solo se han usado para importar los datos en el IDE de R
desde Power BI Desktop.

Limitaciones conocidas
Iniciar un IDE de R directamente desde Power BI Desktop tiene algunas limitaciones:

No se admite la exportación automática del script desde el IDE de R en Power BI

Desktop.
No se admite el editor R Client ([Link]), porque el propio editor no puede abrir
archivos.

Pasos siguientes
Eche un vistazo a la siguiente información adicional sobre R en Power BI.
Ejecución de scripts R en Power BI Desktop
Crear objetos visuales de Power BI con R
Creación de objetos visuales mediante
paquetes de R en el servicio Power BI
Artículo • 10/11/2023

Puede usar el eficaz lenguaje de programación R para crear objetos visuales en el

servicio Power BI. En el servicio Power BI se admiten muchos paquetes de R y con el
tiempo se van admitiendo más. Pero algunos paquetes no se admiten.

En las secciones siguientes se proporciona una tabla con los paquetes de R que se
admiten en Power BI y los que no (ordenados alfabéticamente). Para más información
acerca de R en Power BI, consulte el artículo sobre los objetos visuales de R.

Solicitar compatibilidad para nuevos paquetes

R
Los paquetes de R admitidos para el servicio Power BI se encuentran en la siguiente
sección. Si quiere solicitar soporte técnico de un paquete de R que no se encuentra en
esa lista, envíe su solicitud a Power BI Ideas .

Requisitos y limitaciones de los paquetes de R

Hay una serie de requisitos y limitaciones para los paquetes R:

Tiempo de ejecución actual de R: Microsoft R 3.4.4

El servicio Power BI, normalmente es compatible con los paquetes de R con

licencias de software gratuitas y de código abierto como GPL-2, GPL-3, MIT+, etc.

El servicio Power BI admite paquetes publicados en CRAN (la red integral de

archivos de R). El servicio no es compatible con paquetes de R personalizados ni
privados. Animamos a los usuarios a que pongan sus paquetes privados a
disposición de CRAN antes de solicitar que el paquete esté disponible en el
servicio Power BI.

Power BI Desktop tiene dos variaciones para los paquetes de R:

Para los objetos visuales R, puede instalar cualquier paquete, incluidos los
paquetes R personalizados.
Para objetos visuales R personalizados, para la instalación automática solo se
admiten los paquetes CRAN públicos.
 Por motivos de privacidad y seguridad no se admiten los paquetes de R que
proporcionan consultas cliente-servidor mediante la Web (como RgoogleMaps) en
el servicio. Las redes están bloqueadas para estos intentos. En la siguiente sección,
consulte la lista de los paquetes de R que se admiten y los que no.

El proceso de aprobación para incluir un nuevo paquete de R tiene un árbol de

dependencias. No se admiten algunas dependencias que deben estar instaladas en
el servicio.

Paquetes de R compatibles con Power BI

En la siguiente tabla se muestran los paquetes compatibles con el servicio Power BI.

Paquete Versión Vínculo

abc 2.1 [Link]

[Link] 1.0 [Link]

abind 1.4-5 [Link]

acepack 1.4.1 [Link]

actuar 2.3-1 [Link]

ade4 1.7-10 [Link]

adegenet 2.1.2 [Link]

AdMit 2.1.3 [Link]

AER 1.2-5 [Link]

agricolae 1.3-1 [Link]

AlgDesign 1.1-7.3 [Link]

alluvial 0.1-2 [Link]

andrews 1.0 [Link]

anomalize 0.1.1 [Link]

anytime 0.3.3 [Link]

aod 1.3 [Link]

apcluster 1.4.5 [Link]

ape 5.0 [Link]

Paquete Versión Vínculo

aplpack 1.3.0 [Link]

approximator 1.2-6 [Link]

[Link]/web/packages/approximator/[Link]

arm 1.9-3 [Link]

arules 1.6-0 [Link]

arulesViz 1.3-0 [Link]

ash 1.0-15 [Link]

assertthat 0.2.0 [Link]

autocogs 0.1.2 [Link]

automap 1.0-14 [Link]

aweek 1.0.1 [Link]

AzureML 0.2.14 [Link]

BaBooN 0.2-0 [Link]

BACCO 2.0-9 [Link]

backports 1.1.2 [Link]

BaM 1.0.1 [Link]

BAS 1.4.9 [Link]

base 3.4.4 NA

base2grob 0.0.2 [Link]

base64 2.0 [Link]

base64enc 0.1-3 [Link]

BayesDA 2012.04-1 [Link]

BayesFactor 0.9.12-2 [Link]

[Link]/web/packages/BayesFactor/[Link]

bayesGARCH 2.1.3 [Link]

[Link]/web/packages/bayesGARCH/[Link]

bayesm 3.1-0.1 [Link]

Paquete Versión Vínculo

bayesmix 0.7-4 [Link]

bayesplot 1.5.0 [Link]

bayesQR 2.3 [Link]

bayesSurv 3.2 [Link]

Bayesthresh 2.0.1 [Link]

[Link]/web/packages/Bayesthresh/[Link]

BayesTree 0.3-1.4 [Link]

BayesValidate 0,0 [Link]

[Link]/web/packages/BayesValidate/[Link]

BayesX 0.2-9 [Link]

BayHaz 0.1-3 [Link]

bbemkr 2.0 [Link]

BCBCSF 1.0-1 [Link]

BCE 2.1 [Link]

bclust 1.5 [Link]

bcp 4.0.0 [Link]

BDgraph 2.45 [Link]

beanplot 1.2 [Link]

beeswarm 0.2.3 [Link]

[Link] [Link] [Link]

[Link]/web/packages/[Link]/[Link]

BenfordTests 1.2.0 [Link]

[Link]/web/packages/BenfordTests/[Link]

bfp 0.0-38 [Link]

BH 1.66.0-1 [Link]

biglm 0.9-1 [Link]

bindr 0.1.1 [Link]

bindrcpp 0.2.2 [Link]

Paquete Versión Vínculo

binom 1.1-1 [Link]

bisoreg 1.4 [Link]

bit 1.1-12 [Link]

bit64 0.9-7 [Link]

bitops 1.0-6 [Link]

bizdays 1.0.6 [Link]

blandr 0.5.1 [Link]

blme 1.0-4 [Link]

blob 1.1.1 [Link]

BLR 1.4 [Link]

BMA 3.18.8 [Link]

Bmix 0,6 [Link]

bmp 0.3 [Link]

BMS 0.3.4 [Link]

bnlearn 4.3 [Link]

boa 1.1.8-2 [Link]

bomrang 0.1.4 [Link]

BoolNet 2.1.5 [Link]

Boom 0,7 [Link]

BoomSpikeSlab 0.9.0 [Link]

[Link]/web/packages/BoomSpikeSlab/[Link]

boot 1.3-20 [Link]

bootstrap 2017.2 [Link]

Boruta 5.3.0 [Link]

bqtl 1.0-32 [Link]

BradleyTerry2 1.0-8 [Link]

[Link]/web/packages/BradleyTerry2/[Link]
Paquete Versión Vínculo

brew 1.0-6 [Link]

brglm 0.6.1 [Link]

broom 0.4.4 [Link]

bspec 1.5 [Link]

bspmma 0.1-1 [Link]

bsts 0.7.1 [Link]

bupaR 0.4.4 [Link]

BVS 4.12.1 [Link]

C50 0.1.1 [Link]

Cairo 1.5-9 [Link]

cairoDevice 2.24 [Link]

calibrate 1.7.2 [Link]

calibrator 1.2-6 [Link]

callr 2.0.2 [Link]

car 2.1-6 [Link]

carData 3.0-1 [Link]

símbolo de 6.0-78 [Link]

intercalación

catnet 1.15.3 [Link]

caTools 1.17.1 [Link]

cclust 0.6-21 [Link]

cellranger 1.1.0 [Link]

ChainLadder 0.2.5 [Link]

[Link]/web/packages/ChainLadder/[Link]

changepoint 2.2.2 [Link]

[Link]/web/packages/changepoint/[Link]

checkmate 1.8.5 [Link]

Paquete Versión Vínculo

checkpoint 0.4.3 [Link]

choroplethrMaps 1.0.1 [Link]

[Link]/web/packages/choroplethrMaps/[Link]

chron 2.3-52 [Link]

circlize 0.4.3 [Link]

[Link] 4.2.1 [Link]

[Link]/web/packages/[Link]/[Link]

clase 7.3-14 [Link]

classInt 0.3-3 [Link]

CLI 1.0.0 [Link]

ClickClust 1.1.5 [Link]

clickstream 1.3.0 [Link]

clue 0.3-54 [Link]

cluster 2.0.6 [Link]

clv 0.3-2.1 [Link]

cmprsk 2.2-7 [Link]

coda 0.19-1 [Link]

codetools 0.2-15 [Link]

coefplot 1.2.6 [Link]

coin 1.2-2 [Link]

collapsibleTree 0.1.6 [Link]

[Link]/web/packages/collapsibleTree/[Link]

colorRamps 2.3 [Link]

[Link]/web/packages/colorRamps/[Link]

colorspace 1.3-2 [Link]

colourpicker 1.0 [Link]

[Link]/web/packages/colourpicker/[Link]

combinat 0.0-8 [Link]

Paquete Versión Vínculo

commonmark 1.4 [Link]

[Link]/web/packages/commonmark/[Link]

compiler 3.4.4 NA

compositions 1.40-1 [Link]

[Link]/web/packages/compositions/[Link]

CORElearn 1.52.0 [Link]

corpcor 1.6.9 [Link]

corrgram 1.12 [Link]

corrplot 0.84 [Link]

covr 3.0.1 [Link]

cowplot 0.9.2 [Link]

cplm 0.7-5 [Link]

cpp11 0.4.2 [Link]

crayon 1.3.4 [Link]

diafonía 1.0.0 [Link]

cslogistic 0.1-3 [Link]

cts 1.0-21 [Link]

ctv 0.8-4 [Link]

cubature 1.3-11 [Link]

Cubist 0.2.1 [Link]

curl 3.2 [Link]

CVST 0.2-1 [Link]

cvTools 0.3.2 [Link]

d3heatmap [Link] [Link]

d3Network [Link] [Link]

d3r 0.8.0 [Link]

[Link] 1.12.6 [Link]

Paquete Versión Vínculo

[Link] 0.7.5 [Link]

datasauRus 0.1.4 [Link]

modelos semánticos 3.4.4 NA

fecha 1.2-38 [Link]

DBI 0,8 [Link]

dbplyr 1.2.1 [Link]

dbscan 1.1-1 [Link]

dclone 2.2-0 [Link]

ddalpha [Link] [Link]

deal 1.2-37 [Link]

debugme 1.1.0 [Link]

deepnet 0,2 [Link]

deldir 0.1-14 [Link]

dendextend 1.12.0 [Link]

[Link]/web/packages/dendextend/[Link]

DEoptimR 1.0-8 [Link]

deployrRserve 9.0.0 NA

Deriv 3.8.4 [Link]

desc 1.1.1 [Link]

descr 1.1.4 [Link]

deSolve 1.20 [Link]

devtools 1.13.5 [Link]

DiagrammeR 1.0.0 [Link]

[Link]/web/packages/DiagrammeR/[Link]

DiagrammeRsvg 0.1 [Link]

[Link]/web/packages/DiagrammeRsvg/[Link]

dichromat 2.0-0 [Link]

Paquete Versión Vínculo

digest 0.6.15 [Link]

dimRed 0.1.0 [Link]

diptest 0.75-7 [Link]

distcrete 1.0.3 [Link]

DistributionUtils 0.6-0 [Link]

[Link]/web/packages/DistributionUtils/[Link]

distrom 1.0 [Link]

dlm 1.1-4 [Link]

DMwR 0.4.1 [Link]

doBy 4.6-1 [Link]

doParallel 1.0.12 [Link]

doSNOW 1.0.16 [Link]

dotCall64 0.9-5.2 [Link]

downloader 0,4 [Link]

[Link]/web/packages/downloader/[Link]

dplyr 0.8.3 [Link]

DPpackage 1.1-7.4 [Link]

DRR 0.0.3 [Link]

dse 2015.12-1 [Link]

DT 0,4 [Link]

dtt 0.1-2 [Link]

dtw 1.18-1 [Link]

dygraphs [Link] [Link]

dynlm 0.3-5 [Link]

e1071 1.6-8 [Link]

earth 4.6.2 [Link]

EbayesThresh 1.4-12 [Link]

Paquete Versión Vínculo

[Link]/web/packages/EbayesThresh/[Link]

ebdbNet 1.2.5 [Link]

ecm 4.4.0 [Link]

edeaR 0.8.0 [Link]

effects 4.0-1 [Link]

ellipse 0.4.1 [Link]

ellipsis 0.3.0 [Link]

emmeans 1.1.2 [Link]

emulator 1.2-15 [Link]

energy 1.7-2 [Link]

english 1.2-3 [Link]

ensembleBMA 5.1.5 [Link]

[Link]/web/packages/ensembleBMA/[Link]

entropy 1.2.1 [Link]

epitools 0.5-10.1 [Link]

epitrix 0.2.2 [Link]

estimability 1.3 [Link]

eulerr 5.1.0 [Link]

EvalEst 2015.4-2 [Link]

evaluate 0.10.1 [Link]

evd 2.3-2 [Link]

evdbayes 1.1-1 [Link]

eventdataR 0.2.0 [Link]

exactLoglinTest 1.4.2 [Link]

[Link]/web/packages/exactLoglinTest/[Link]

exactRankTests 0.8-29 [Link]

[Link]/web/packages/exactRankTests/[Link]

expint 0.1-4 [Link]

Paquete Versión Vínculo

expm 0.999-2 [Link]

extraDistr 1.8.8 [Link]

extrafont 0.17 [Link]

extrafontdb 1.0 [Link]

[Link]/web/packages/extrafontdb/[Link]

extremevalues 2.3.2 [Link]

[Link]/web/packages/extremevalues/[Link]

ez 4.4-0 [Link]

factoextra 1.0.5 [Link]

FactoMineR 1.40 [Link]

[Link]/web/packages/FactoMineR/[Link]

factorQR 0.1-4 [Link]

fansi 0.4.0 [Link]

faoutlier 0.7.2 [Link]

farver 1.1.0 [Link]

fastICA 1.2-1 [Link]

fastmatch 1.1-0 [Link]

fBasics 3042.89 [Link]

fdrtool 1.2.15 [Link]

fGarch 3042.83.1 [Link]

fields 9.6 [Link]

filehash 2.4-1 [Link]

FinCal 0.6.3 [Link]

fitdistrplus 1.0-9 [Link]

flashClust 1.01-2 [Link]

flexclust 1.3-5 [Link]

flexmix 2.3-14 [Link]

Paquete Versión Vínculo

FME 1.3.5 [Link]

fmsb 0.6.1 [Link]

FNN 1.1 [Link]

fontBitstreamVera 0.1.1 [Link]

[Link]/web/packages/fontBitstreamVera/[Link]

fontLiberation 0.1.0 [Link]

[Link]/web/packages/fontLiberation/[Link]

fontquiver 0.2.1 [Link]

forcats 0.3.0 [Link]

foreach 1.4.4 [Link]

forecast 8.7 [Link]

forecastHybrid 2.1.11 [Link]

[Link]/web/packages/forecastHybrid/[Link]

foreign 0.8-69 [Link]

formatR 1.5 [Link]

formattable [Link] [Link]

[Link]/web/packages/formattable/[Link]

Fórmula 1.2-2 [Link]

fpc 2.1-11 [Link]

fracdiff 1.4-2 [Link]

fTrading 3042.79 [Link]

fUnitRoots 3042.79 [Link]

[Link] 1.4.3 [Link]

[Link]/web/packages/[Link]/[Link]

[Link] 1.0.0 [Link]

[Link]/web/packages/[Link]/[Link]

future 1.15.0 [Link]

[Link] 1.3.0 [Link]

[Link]/web/packages/[Link]/[Link]
Paquete Versión Vínculo

gam 1.15 [Link]

gamlr 1.13-4 [Link]

gamlss 5.0-6 [Link]

[Link] 5.0-0 [Link]

[Link]/web/packages/[Link]/[Link]

[Link] 5.0-4 [Link]

gbm 2.1.3 [Link]

gclus 1.3.1 [Link]

gdalUtils [Link] [Link]

gdata 2.18.0 [Link]

gdtools 0.1.7 [Link]

gee 4.13-19 [Link]

genalg 0.2.0 [Link]

generics 0.1.2 [Link]

genetics [Link] [Link]

GenSA 1.1.7 [Link]

geojson 0.2.0 [Link]

geojsonio 0.6.0 [Link]

geojsonlint 0.2.0 [Link]

geoR 1.7-5.2 [Link]

geoRglm 0.9-11 [Link]

geosphere 1.5-7 [Link]

GGally 2.0.0 [Link]

ggalt 0.4.0 [Link]

gganimate 1.0.3 [Link]

ggcorrplot 0.1.1 [Link]

ggdendro 0.1-20 [Link]

Paquete Versión Vínculo

ggeffects 0.3.2 [Link]

ggExtra 0.9 [Link]

ggforce 0.1.1 [Link]

ggformula 0.6.2 [Link]

ggfortify 0.4.3 [Link]

gghighlight 0.3.0 [Link]

[Link]/web/packages/gghighlight/[Link]

ggimage 0.1.2 [Link]

ggiraph 0.6.1 [Link]

ggjoy 0.4.0 [Link]

ggm 2.3 [Link]

ggmap 3.0.0 [Link]

ggmcmc 1.1 [Link]

ggplot2 3.3.3 [Link]

ggplot2movies 0.0.1 [Link]

[Link]/web/packages/ggplot2movies/[Link]

ggpmisc 0.2.16 [Link]

ggpubr 0.2.3 [Link]

ggQC 0.0.31 [Link]

ggRandomForests 2.0.1 [Link]

[Link]/web/packages/ggRandomForests/[Link]

ggraph 1.0.1 [Link]

ggrepel 0.8.0 [Link]

ggridges 0.4.1 [Link]

ggsci 2,8 [Link]

ggsignif 0.4.0 [Link]

ggsoccer 0.1.4 [Link]

Paquete Versión Vínculo

ggstance 0.3 [Link]

ggtern 2.2.1 [Link]

ggthemes 3.4.0 [Link]

gistr 0.4.0 [Link]

git2r 0.21.0 [Link]

glasso 1.8 [Link]

glmmBUGS 2.4.0 [Link]

glmmTMB 0.2.0 [Link]

glmnet 2.0-13 [Link]

GlobalOptions 0.0.13 [Link]

[Link]/web/packages/GlobalOptions/[Link]

globals 0.12.4 [Link]

glue 1.3.1 [Link]

gmodels 2.16.2 [Link]

gmp 0.5-13.1 [Link]

gnm 1.0-8 [Link]

goftest 1.1-1 [Link]

googleVis 0.6.2 [Link]

gower 0.1.2 [Link]

GPArotation 2014.11-1 [Link]

[Link]/web/packages/GPArotation/[Link]

gplots 3.0.1 [Link]

elementos gráficos 3.4.4 NA

grDevices 3.4.4 NA

grid 3.4.4 NA

gridBase 0.4-7 [Link]

gridExtra 2.3 [Link]

Paquete Versión Vínculo

gridGraphics 0.2-1 [Link]

[Link]/web/packages/gridGraphics/[Link]

growcurves [Link] [Link]

grpreg 3.1-2 [Link]

gss 2.1-7 [Link]

gstat 1.1-5 [Link]

gsubfn 0.7 [Link]

gtable 0.2.0 [Link]

gtools 3.5.0 [Link]

gtrendsR 1.4.3 [Link]

gWidgets 0.0-54 [Link]

gWidgetsRGtk2 0.0-86 [Link]

[Link]/web/packages/gWidgetsRGtk2/[Link]

gWidgetstcltk 0.0-55 [Link]

[Link]/web/packages/gWidgetstcltk/[Link]

[Link] 1.7.7 [Link]

hash 2.2.6 [Link]

haven 1.1.1 [Link]

hbsae 1.0 [Link]

HDInterval 0.2.0 [Link]

hdrcde 3.2 [Link]

heatmaply 0.16.0 [Link]

heavy 0.38.19 [Link]

hexbin 1.27.2 [Link]

hflights 0.1 [Link]

HH 3.1-34 [Link]

HI 0,4 [Link]
Paquete Versión Vínculo

highcharter 0.5.0 [Link]

highr 0,6 [Link]

HistData 0.8-2 [Link]

Hmisc 4.1-1 [Link]

hms 0.4.2 [Link]

hoardr 0.2.0 [Link]

hrbrthemes 0.6.0 [Link]

HSAUR 1.3-9 [Link]

htmlTable 1.11.2 [Link]

htmltools 0.3.6 [Link]

htmlwidgets 1.3 [Link]

[Link]/web/packages/htmlwidgets/[Link]

hts 5.1.5 [Link]

httpuv [Link] [Link]

httr 1.3.1 [Link]

huge 1.2.7 [Link]

hunspell 2.9 [Link]

hydroTSM 0,5 - 1 [Link]

IBrokers 0.9-12 [Link]

ifultools 2.0-4 [Link]

igraph 1.2.1 [Link]

imager 0.40.2 [Link]

imputeTS 2.7 [Link]

incidence 1.7.2 [Link]

influenceR 0.1.0 [Link]

InformationValue 1.2.3 [Link]

[Link]/web/packages/InformationValue/[Link]
Paquete Versión Vínculo

inline 0.3.14 [Link]

intervals 0.15.1 [Link]

inum 1.0-0 [Link]

investr 1.4.2 [Link]

ipred 0.9-6 [Link]

irlba 2.3.2 [Link]

irr 0.84 [Link]

isoband 0.2.0 [Link]

ISOcodes 2017.09.27 [Link]

iterators 1.0.9 [Link]

janeaustenr 0.1.5 [Link]

[Link]/web/packages/janeaustenr/[Link]

janitor 1.0.0 [Link]

jmvcore 1.0.8 [Link]

jpeg 0.1-8 [Link]

jqr 1.0.0 [Link]

jsonlite 1.6 [Link]

jsonvalidate 1.0.0 [Link]

[Link]/web/packages/jsonvalidate/[Link]

jtools 0.9.4 [Link]

kableExtra 0.7.0 [Link]

Kendall 2,2 [Link]

kernlab 0.9-25 [Link]

KernSmooth 2.23-15 [Link]

[Link]/web/packages/KernSmooth/[Link]

KFKSDS 1.6 [Link]

kinship2 1.6.4 [Link]

Paquete Versión Vínculo

kknn 1.3.1 [Link]

klaR 0.6-14 [Link]

[Link] 0.5-2 [Link]

KMsurv 0.1-5 [Link]

knitr 1.20 [Link]

ks 1.11.0 [Link]

labeling 0.3 [Link]

labelled 1.0.1 [Link]

laeken 0.4.6 [Link]

Lahman 6.0-0 [Link]

lambda.r 1.2 [Link]

lars 1.2 [Link]

later 1.0.0 [Link]

latex2exp 0.4.0 [Link]

lattice 0.20-35 [Link]

latticeExtra 0.6-28 [Link]

lava 1.6.1 [Link]

lavaan 0.5- [Link]

23.1097

lazyeval 0.2.1 [Link]

lda 1.4.2 [Link]

leaflet 2.0.2 [Link]

[Link] 0,2 [Link]

[Link] 0,2 [Link]

[Link]/web/packages/[Link]/[Link]

leaps 3.0 [Link]

LearnBayes 2.15.1 [Link]

Paquete Versión Vínculo

lexicon 1.2.1 [Link]

libcoin 1.0-1 [Link]

LiblineaR 2.10-8 [Link]

LICORS 0.2.0 [Link]

ciclo de vida 0.1.0 [Link]

likert 1.3.5 [Link]

limSolve [Link] [Link]

linelist 0.0.40.9000 [Link]

linprog 0.9-2 [Link]

listenv 0.7.0 [Link]

[Link] 1.5-1 [Link]

lme4 1.1-16 [Link]

lmm 1.0 [Link]

lmtest 0.9-35 [Link]

locfit 1.5-9.1 [Link]

locpol 0.6-0 [Link]

LogicReg 1.5.9 [Link]

lpSolve 5.6.13 [Link]

lsa 0.73.1 [Link]

lsmeans 2.27-61 [Link]

lubridate 1.7.2 [Link]

magic 1.5-8 [Link]

magick 1.8 [Link]

magrittr 1.5 [Link]

manipulateWidget 0.9.0 [Link]

[Link]/web/packages/manipulateWidget/[Link]

MAPA 2.0.4 [Link]

Paquete Versión Vínculo

mapdata 2.3.0 [Link]

mapproj 1.2.6 [Link]

maps 3.2.0 [Link]

maptools 0.9-2 [Link]

maptree 1.4-7 [Link]

mapview 2.3.0 [Link]

marima 2,2 [Link]

markdown 0,8 [Link]

MASS 7.3-49 [Link]

MasterBayes 2.55 [Link]

[Link]/web/packages/MasterBayes/[Link]

Matching 4.9-5 [Link]

MatchIt 3.0.2 [Link]

matchmaker 0.1.1 [Link]

[Link]/web/packages/matchmaker/[Link]

Matriz 1.2-12 [Link]

matrixcalc 1.0-3 [Link]

MatrixModels 0.4-1 [Link]

[Link]/web/packages/MatrixModels/[Link]

matrixStats 0.54.0 [Link]

maxent [Link] [Link]

maxLik 1.3-4 [Link]

maxstat 0.7-25 [Link]

mboost 2.8-1 [Link]

mclust 5.4 [Link]

mcmc 0.9-5 [Link]

MCMCglmm 2.25 [Link]

[Link]/web/packages/MCMCglmm/[Link]
Paquete Versión Vínculo

mda 0.4-10 [Link]

memoise 1.1.0 [Link]

merTools 0.3.0 [Link]

meta 4.9-1 [Link]

metafor 2.0-0 [Link]

methods 3.4.4 NA

metricsgraphics 0.9.0 [Link]

[Link]/web/packages/metricsgraphics/[Link]

mgcv 1.8-23 [Link]

mgsub 1.7.1 [Link]

mi 1.0 [Link]

mice 2.46.0 [Link]

microbenchmark 1.4-4 [Link]

[Link]/web/packages/microbenchmark/[Link]

MicrosoftR 3.4.4.0105 NA

mime 0,5 [Link]

miniCRAN 0.2.11 [Link]

miniUI 0.1.1 [Link]

[Link] 1.2-1 [Link]

minqa 1.2.4 [Link]

mirt 1.27.1 [Link]

misc3d 0.8-4 [Link]

miscTools 0.6-22 [Link]

mitools 2.3 [Link]

mixtools 1.1.0 [Link]

mlapi 0.1.0 [Link]

mlbench 2.1-1 [Link]

Paquete Versión Vínculo

mlogitBMA 0.1-6 [Link]

mnormt 1.5-5 [Link]

MNP 3.1-0 [Link]

ModelMetrics 1.1.0 [Link]

[Link]/web/packages/ModelMetrics/[Link]

modelr 0.1.1 [Link]

modeltools 0.2-21 [Link]

mombf 1.9.6 [Link]

moments 0.14 [Link]

monomvn 1.9-7 [Link]

monreg 0.1.3 [Link]

mosaic 1.1.1 [Link]

mosaicCore 0.4.2 [Link]

[Link]/web/packages/mosaicCore/[Link]

mosaicData 0.16.0 [Link]

[Link]/web/packages/mosaicData/[Link]

MSBVAR 0.9-3 [Link]

msir 1.3.2 [Link]

msm 1.6.6 [Link]

multcomp 1.4-8 [Link]

multicool 0.1-10 [Link]

munsell 0.5.0 [Link]

mvoutlier 2.0.9 [Link]

mvtnorm 1.0-7 [Link]

NbClust 3.0 [Link]

ncvreg 3.9-1 [Link]

network 1.13.0 [Link]

Paquete Versión Vínculo

networkD3 0,4 [Link]

neuralnet 1.33 [Link]

ngram 3.0.4 [Link]

nlme 3.1-131.1 [Link]

nloptr 1.0.4 [Link]

NLP 0.1-11 [Link]

[Link] 1.2.0 [Link]

[Link]/web/packages/[Link]/[Link]

NMF 0.21.0 [Link]

nnet 7.3-12 [Link]

nnls 1.4 [Link]

nortest 1.0-4 [Link]

numbers 0.6-6 [Link]

numDeriv 2016.8-1 [Link]

numform 0.4.0 [Link]

OceanView 1.0.4 [Link]

openair 2.3-0 [Link]

openssl 1.0.1 [Link]

osmar 1.1-7 [Link]

outbreaks 1.5.0 [Link]

OutlierDC 0.3-0 [Link]

OutlierDM 1.1.1 [Link]

outliers 0.14 [Link]

pacbpred 0.92.2 [Link]

packcircles 0.3.3 [Link]

padr 0.4.0 [Link]

parallel 3.4.4 NA
Paquete Versión Vínculo

partitions 1.9-19 [Link]

party 1.2-4 [Link]

partykit 1.2-0 [Link]

PAWL 0,5 [Link]

pbapply 1.3-4 [Link]

pbivnorm 0.6.0 [Link]

pbkrtest 0.4-7 [Link]

PCAmixdata 3,1 [Link]

[Link]/web/packages/PCAmixdata/[Link]

pcaPP 1.9-73 [Link]

pdc 1.0.3 [Link]

pegas 0,12 [Link]

PerformanceAnalytics 1.5.2 [Link]

[Link]/web/packages/PerformanceAnalytics/[Link]

permute 0.9-4 [Link]

perry 0.2.0 [Link]

petrinetR 0.1.0 [Link]

pheatmap 1.0.8 [Link]

pillar 1.4.2 [Link]

pixmap 0.4-11 [Link]

pkgconfig 2.0.2 [Link]

pkgmaker 0.22 [Link]

platetools 0.1.0 [Link]

plogr 0.2.0 [Link]

plot3D 1.1.1 [Link]

plot3Drgl 1.0.1 [Link]

plotly [Link] [Link]

Paquete Versión Vínculo

plotmo 3.3.6 [Link]

plotrix 3.7 [Link]

pls 2.6-0 [Link]

plyr 1.8.4 [Link]

png 0.1-7 [Link]

polspline 1.1.12 [Link]

polyclip 1.6-1 [Link]

polylabelr 0.1.0 [Link]

polynom 1.3-9 [Link]

ppcor 1.1 [Link]

prabclus 2.2-6 [Link]

pracma 2.1.4 [Link]

praise 1.0.0 [Link]

precrec 0.10.1 [Link]

prediction 0.2.0 [Link]

predmixcor 1.1-1 [Link]

PresenceAbsence 1.1.9 [Link]

[Link]/web/packages/PresenceAbsence/[Link]

prettyunits 1.0.2 [Link]

pROC 1.11.0 [Link]

processmapR 0.3.3 [Link]

[Link]/web/packages/processmapR/[Link]

processmonitR 0.1.0 [Link]

[Link]/web/packages/processmonitR/[Link]

processx [Link] [Link]

prodlim 1.6.1 [Link]

profdpm 3.3 [Link]

Paquete Versión Vínculo

profileModel 0.5-9 [Link]

[Link]/web/packages/profileModel/[Link]

progress 1.1.2 [Link]

proj4 1.0-8 [Link]

promises 1.1.0 [Link]

prophet 0.2.1 [Link]

proto 1.0.0 [Link]

protolite 1.7 [Link]

proxy 0.4-21 [Link]

pryr 0.1.4 [Link]

pscl 1.5.2 [Link]

psych [Link] [Link]

purrr 0.3.3 [Link]

pwr 1.2-2 [Link]

qap 0.1-1 [Link]

qcc 2.7 [Link]

qdapDictionaries 1.0.7 [Link]

[Link]/web/packages/qdapDictionaries/[Link]

qdapRegex 0.7.2 [Link]

qdapTools 1.3.3 [Link]

qgraph 1.4.4 [Link]

qicharts 0.5.5 [Link]

qicharts2 0.6.0 [Link]

quadprog 1.5-5 [Link]

qualityTools 1.55 [Link]

[Link]/web/packages/qualityTools/[Link]

quanteda 1.1.1 [Link]

Paquete Versión Vínculo

quantmod 0.4-12 [Link]

quantreg 5.35 [Link]

questionr 0.6.2 [Link]

qvcalc 0.9-1 [Link]

[Link] 3.6.1 [Link]

R.methodsS3 1.7.1 [Link]

[Link]/web/packages/R.methodsS3/[Link]

[Link] 1.21.0 [Link]

[Link] 2.6.0 [Link]

r2d3 0.2.3 [Link]

R2HTML 2.3.2 [Link]

R2jags 0.5-7 [Link]

R2OpenBUGS 3.2-3.2 [Link]

[Link]/web/packages/R2OpenBUGS/[Link]

R2WinBUGS 2.1-21 [Link]

[Link]/web/packages/R2WinBUGS/[Link]

R6 2.2.2 [Link]

ramps 0.6-15 [Link]

RandomFields 3.1.50 [Link]

[Link]/web/packages/RandomFields/[Link]

RandomFieldsUtils 0.3.25 [Link]

[Link]/web/packages/RandomFieldsUtils/[Link]

randomForest 4.6-14 [Link]

[Link]/web/packages/randomForest/[Link]

ranger 0.9.0 [Link]

RApiDatetime 0.0.4 [Link]

[Link]/web/packages/RApiDatetime/[Link]

rappdirs 0.3.1 [Link]

RArcInfo 0.4-12 [Link]

Paquete Versión Vínculo

raster 2.6-7 [Link]

rattle 5.1.0 [Link]

rayshader 0.10.1 [Link]

rbenchmark 1.0.0 [Link]

[Link]/web/packages/rbenchmark/[Link]

Rblpapi 0.3.8 [Link]

rbokeh 0.5.0 [Link]

rbugs 0.5-9 [Link]

RColorBrewer 1.1-2 [Link]

[Link]/web/packages/RColorBrewer/[Link]

Rcpp 1.0.1 [Link]

RcppArmadillo [Link].0 [Link]

[Link]/web/packages/RcppArmadillo/[Link]

rcppbugs [Link] [Link]

RcppDE 0.1.5 [Link]

RcppEigen [Link].0 [Link]

RcppExamples 0.1.8 [Link]

[Link]/web/packages/RcppExamples/[Link]

RcppParallel 4.4.0 [Link]

[Link]/web/packages/RcppParallel/[Link]

RcppProgress 0,4 [Link]

[Link]/web/packages/RcppProgress/[Link]

RcppRoll 0.2.2 [Link]

RCurl 1.95-4.10 [Link]

readbitmap 0.1-4 [Link]

readr 1.1.1 [Link]

readxl 1.0.0 [Link]

recipes 0.1.2 [Link]

Paquete Versión Vínculo

Redmonder 0.2.0 [Link]

[Link]/web/packages/Redmonder/[Link]

registry 0,5 [Link]

relaimpo 2.2-3 [Link]

relimp 1.0-5 [Link]

rematch 1.0.1 [Link]

Renext 3.1-0 [Link]

informes 0.1.4 [Link]

reprex 0.1.2 [Link]

reshape 0.8.7 [Link]

reshape2 1.4.3 [Link]

reticulate 1.6 [Link]

RevoIOQ 8.0.10 NA

RevoMods 11.0.0 NA

RevoUtils 10.0.9 NA

RevoUtilsMath 10.0.1 NA

rex 1.1.2 [Link]

rFerns 2.0.3 [Link]

rfm 0.2.0 [Link]

RGA 0.4.2 [Link]

rgdal 1.2-18 [Link]

rgeos 0.3-26 [Link]

rgexf 0.15.3 [Link]

rgl 0.99.16 [Link]

RgoogleMaps 1.4.1 [Link]

[Link]/web/packages/RgoogleMaps/[Link]

RGraphics 2.0-14 [Link]

Paquete Versión Vínculo

RGtk2 2.20.34 [Link]

RInside 0.2.14 [Link]

RJaCGH 2.0.4 [Link]

rjags 4-6 [Link]

rjson 0.2.15 [Link]

RJSONIO 1.3-0 [Link]

rlang 0.4.1 [Link]

rlecuyer 0.3-4 [Link]

rlist [Link] [Link]

rmapshaper 0.3.0 [Link]

[Link]/web/packages/rmapshaper/[Link]

rmarkdown 1.9 [Link]

Rmisc 1.5 [Link]

Rmpfr 0.7-0 [Link]

rms 5.1-2 [Link]

RMySQL 0.10.14 [Link]

rngtools 1.2.4 [Link]

robCompositions 2.0.6 [Link]

[Link]/web/packages/robCompositions/[Link]

robfilter 4.1 [Link]

robustbase 0.92-8 [Link]

robustHD 0.5.1 [Link]

ROCR 1.0-7 [Link]

RODBC 1.3-15 [Link]

Rook 1.1-1 [Link]

rootSolve 1.7 [Link]

roxygen2 6.0.1 [Link]

Paquete Versión Vínculo

rpart 4.1-13 [Link]

[Link] 2.1.2 [Link]

rpivotTable 0.3.0 [Link]

rprojroot 1.3-2 [Link]

rrcov 1.4-3 [Link]

rscproxy 2.0-5 [Link]

rsdmx 0.5-11 [Link]

RSGHB 1.1.2 [Link]

RSiteCatalyst 1.4.14 [Link]

[Link]/web/packages/RSiteCatalyst/[Link]

RSNNS 0.4-10 [Link]

Rsolnp 1.16 [Link]

RSpectra 0.12-0 [Link]

RSQLite 2.1.0 [Link]

rstan 2.17.3 [Link]

rstudioapi 0.7 [Link]

rsvg 1.1 [Link]

RTextTools 1.4.2 [Link]

Rttf2pt1 1.3.6 [Link]

RUnit 0.4.31 [Link]

runjags 2.0.4-2 [Link]

Runuran 0.24 [Link]

rvcheck 0.0.9 [Link]

rvest 0.3.2 [Link]

rworldmap 1.3-6 [Link]

rworldxtra 1.01 [Link]

Paquete Versión Vínculo

SampleSizeMeans 1.1 [Link]

[Link]/web/packages/SampleSizeMeans/[Link]

SampleSizeProportions 1.0 [Link]

[Link]/web/packages/SampleSizeProportions/[Link]

sandwich 2.4-0 [Link]

sas7bdat 0,5 [Link]

satellite 1.0.1 [Link]

sbgcop 0.975 [Link]

scales 1.0.0 [Link]

scatterplot3d 0.3-41 [Link]

[Link]/web/packages/scatterplot3d/[Link]

sciplot 1.1-1 [Link]

segmented 0.5-3.0 [Link]

selectr 0.4-0 [Link]

sem 3.1-9 [Link]

sentimentr 2.7.1 [Link]

seqinr 3.6-1 [Link]

seriation 1.2-3 [Link]

setRNG 2013.9-1 [Link]

sf 0.7-4 [Link]

sfsmisc 1.1-2 [Link]

sgeostat 1.0-27 [Link]

shape 1.4.4 [Link]

shapefiles 0.7 [Link]

shiny 1.0.5 [Link]

shinyBS 0.61 [Link]

shinycssloaders 0.2.0 [Link]

[Link]/web/packages/shinycssloaders/[Link]
Paquete Versión Vínculo

shinyjs 1.0 [Link]

shinyTime 0.2.1 [Link]

showtext 0.5-1 [Link]

showtextdb 2.0 [Link]

[Link]/web/packages/showtextdb/[Link]

SIS 0.8-6 [Link]

SixSigma 0.9-51 [Link]

sjlabelled 1.0.8 [Link]

sjmisc 2.7.1 [Link]

sjPlot 2.4.1 [Link]

sjstats 0.14.2-3 [Link]

skmeans 0.2-11 [Link]

slam 0.1-42 [Link]

sm 2.2-5.4 [Link]

smooth 2.4.1 [Link]

smoothSurv 2.0 [Link]

[Link]/web/packages/smoothSurv/[Link]

sna 2,4 [Link]

snakecase 0.9.1 [Link]

snow 0.4-2 [Link]

SnowballC 0.5.1 [Link]

snowFT 1.6-0 [Link]

sodium 1.1 [Link]

sourcetools 0.1.6 [Link]

sp 1.2-7 [Link]

spacetime 1.2-1 [Link]

spacyr 0.9.6 [Link]

Paquete Versión Vínculo

spam 2.1-3 [Link]

SparseM 1.77 [Link]

sparsepp 0.2.0 [Link]

spatial 7.3-11 [Link]

spatstat 1.55-0 [Link]

[Link] 1.2-0 [Link]

[Link]/web/packages/[Link]/[Link]

[Link] 1.8-0 [Link]

[Link]/web/packages/[Link]/[Link]

spBayes 0.4-1 [Link]

spData [Link] [Link]

spdep 0.7-4 [Link]

spikeslab 1.1.5 [Link]

splancs 2.01-40 [Link]

splines 3.4.4 [Link]

spls 2.2-2 [Link]

splus2R 1.2-2 [Link]

spTimer 3.0-1 [Link]

sqldf 0.4-11 [Link]

SQUAREM 2017.10-1 [Link]

sROC 0.1-2 [Link]

stabledist 0.7-1 [Link]

stabs 0.6-3 [Link]

StanHeaders 2.17.2 [Link]

[Link]/web/packages/StanHeaders/[Link]

statmod 1.4.30 [Link]

[Link] 4.0.0 [Link]

[Link]/web/packages/[Link]/[Link]
Paquete Versión Vínculo

stats 3.4.4 NA

stats4 3.4.4 NA

stepPlr 0.93 [Link]

stinepack 1.4 [Link]

stochvol 1.3.3 [Link]

stopwords 0.9.0 [Link]

stringdist [Link] [Link]

stringi 1.1.7 [Link]

stringr 1.3.0 [Link]

strucchange 1.5-1 [Link]

[Link]/web/packages/strucchange/[Link]

stsm 1.9 [Link]

[Link] 1.3 [Link]

sugrrants 0.2.4 [Link]

sunburstR 2.0.0 [Link]

SuppDists 1.1-9.4 [Link]

survey 3.33-2 [Link]

survival 2.41-3 [Link]

survminer 0.4.6 [Link]

survMisc 0.5.4 [Link]

svglite 1.2.1 [Link]

svmpath 0.955 [Link]

svUnit 0.7-12 [Link]

sweep 0.2.1 [Link]

sysfonts 0.7.2 [Link]

systemfit 1.1-20 [Link]

syuzhet 1.0.4 [Link]

Paquete Versión Vínculo

tau 0.0-20 [Link]

tcltk 3.4.4 [Link]

tcltk2 1.2-11 [Link]

TeachingDemos 2,10 [Link]

[Link]/web/packages/TeachingDemos/[Link]

tensor 1.5 [Link]

tensorA 0.36 [Link]

testthat 2.0.0 [Link]

text2vec 0.5.1 [Link]

textcat 1.0-5 [Link]

textclean 0.9.3 [Link]

textir 2.0-5 [Link]

textmineR 2.1.1 [Link]

textshape 1.6.0 [Link]

tfplot 2015.12-1 [Link]

tframe 2015.12-1 [Link]

tgp 2.4-14 [Link]

[Link] 1.0-8 [Link]

threejs 0.3.1 [Link]

tibble 2.1.1 [Link]

tibbletime 0.1.1 [Link]

tidycensus 0.4.1 [Link]

tidyr 1.0.0 [Link]

tidyselect 0.2.5 [Link]

tidytext 0.1.8 [Link]

tidyverse 1.2.1 [Link]

tiff 0.1-5 [Link]

Paquete Versión Vínculo

tigris 0.6.2 [Link]

timeDate 3043.102 [Link]

timelineS 0.1.1 [Link]

timeSeries 3042.102 [Link]

timetk 0.1.0 [Link]

timevis 0.5 [Link]

tm 0.7-3 [Link]

tmap 1.11-1 [Link]

tmaptools 1.2-3 [Link]

TMB 1.7.13 [Link]

tokenizers 0.2.1 [Link]

tools 3.4.4 NA

topicmodels 0.2-7 [Link]

[Link]/web/packages/topicmodels/[Link]

TraMineR 2.0-8 [Link]

traducciones 3.4.4 NA

tree 1.0-39 [Link]

gráfico de rectángulos 2.4-2 [Link]

trelliscopejs 0.1.18 [Link]

[Link]/web/packages/trelliscopejs/[Link]

trimcluster 0.1-2 [Link]

truncnorm 1.0-8 [Link]

TSA 1.01 [Link]

tseries 0.10-43 [Link]

tsfa 2014.10-1 [Link]

tsibble 0.8.5 [Link]

tsintermittent 1.9 [Link]

Paquete Versión Vínculo

[Link]/web/packages/tsintermittent/[Link]

tsoutliers 0.6-6 [Link]

TSP 1.1-5 [Link]

TSstudio 0.1.5 [Link]

TTR 0.23-3 [Link]

tweedie 2.3.2 [Link]

tweenr 1.0.1 [Link]

twitteR 1.1.9 [Link]

udpipe 0,5 [Link]

udunits2 0.13 [Link]

units 0.6-2 [Link]

UpSetR 1.3.3 [Link]

urca 1.3-0 [Link]

useful 1.2.3 [Link]

UsingR 2.0-5 [Link]

usmap 0.2.1 [Link]

utf8 1.1.3 [Link]

utils 3.4.4 NA

uuid 0.1-2 [Link]

V8 2,2 [Link]

vars 1.5-2 [Link]

vcd 1.4-4 [Link]

vctrs 0.2.0 [Link]

vdiffr 0.2.2 [Link]

vegan 2.4-6 [Link]

VennDiagram 1.6.20 [Link]

[Link]/web/packages/VennDiagram/[Link]
Paquete Versión Vínculo

VGAM 1.0-5 [Link]

VIF 1.0 [Link]

VIM 4.7.0 [Link]

vioplot 0,2 [Link]

viridis 0.5.1 [Link]

viridisLite 0.3.0 [Link]

visNetwork 2.0.3 [Link]

vistime 0.4.0 [Link]

waterfalls 0.1.2 [Link]

wavethresh 4.6.8 [Link]

webshot 0.5.0 [Link]

webutils 0,6 [Link]

weco 1.1 [Link]

WeibullR 1.0.10 [Link]

weights 0.85 [Link]

whisker 0.3-2 [Link]

withr 2.1.2 [Link]

wmtsa 2.0-3 [Link]

wordcloud 2.5 [Link]

wordcloud2 0.2.1 [Link]

[Link]/web/packages/wordcloud2/[Link]

xesreadR 0.2.2 [Link]

xgboost [Link] [Link]

XML 3.98-1.10 [Link]

xml2 1.2.0 [Link]

xplorerr 0.1.1 [Link]

xtable 1.8-2 [Link]

 Paquete Versión Vínculo

xts 0.10-2 [Link]

yaml 2.1.18 [Link]

yarrr 0.1.5 [Link]

YieldCurve 4.1 [Link]

zeallot 0.1.0 [Link]

zic 0.9.1 [Link]

zipfR 0.6-10 [Link]

zoo 1.8-1 [Link]

Scripts de R incompatibles con Power BI

En la siguiente tabla se muestran los paquetes incompatibles con el servicio Power BI.

Paquete Fecha de solicitud Motivo

RgoogleMaps 10/05/2016 Redes bloqueadas

mailR 10/03/2016 Redes bloqueadas

RevoScaleR 8/30/2016 Solo envía con Microsoft R Server

Pasos siguientes
Para más información sobre R en Power BI, eche un vistazo a los siguientes artículos:

Creación de objetos visuales de R en el servicio Power BI

Crear objetos visuales de Power BI con R
Ejecución de scripts de R en Power BI Desktop
Uso de R en el Editor de Power Query
Conexión a Snowflake en el servicio
Power BI
Artículo • 25/09/2024

La conexión a Snowflake en el servicio Power BI difiere de otros conectores solo de una

manera. Snowflake tiene una funcionalidad para Microsoft Entra ID, una opción para el
inicio de sesión único (inicio de sesión único). Los elementos de la integración requieren
roles administrativos distintos a través de Snowflake, Power BI y Azure. Puede optar por
habilitar la autenticación de Microsoft Entra sin usar el inicio de sesión único. La
autenticación básica funciona de forma similar a otros conectores en el servicio.

Para configurar la integración de Microsoft Entra y, opcionalmente, habilite el inicio de

sesión único:

Si es el administrador de Snowflake, consulte el artículo SSO de Power BI para

Snowflake en la documentación de Snowflake.
Si es administrador de Power BI, vaya a la sección Portal de administración para
habilitar el inicio de sesión único.
Si es creador de modelos semánticos de Power BI, vaya a la sección Configuración
de un modelo semántico con Microsoft Entra ID para habilitar el inicio de sesión
único.

Configuración del servicio Power BI

Portal de administración
Para habilitar el inicio de sesión único, un administrador de Fabric tiene que activar la
configuración en el Portal de administración de Power BI. Esta configuración aprueba el
envío de tokens de autenticación de Microsoft Entra a Snowflake desde el servicio
Power BI. Esta configuración se establece a nivel organizativo. Siga estos pasos para
habilitar el inicio de sesión único:

1. Inicie sesión en Power BI con las credenciales de administrador de Fabric.

2. Seleccione Configuración en el menú de encabezado de la página y, luego,

seleccione Portal de administración.

3. Seleccione Configuración de inquilinos y desplácese hasta Configuración de

integración.
 4. Expanda SSO de Snowflake, cambie la configuración a Habilitado y seleccione
Aplicar.

Este paso es necesario para dar su consentimiento para enviar el token de Microsoft
Entra a los servidores de Snowflake. Una vez habilitada la configuración, puede tardar
hasta una hora en surtir efecto.

Una vez habilitado el inicio de sesión único, puede usar informes con SSO.

Configuración de un modelo semántico con Microsoft

Entra ID
Después de publicar en el servicio de Power BI un informe basado en el conector de
Snowflake, el creador del modelo semántico tiene que actualizar la configuración del
área de trabajo adecuada para que pueda usar el inicio de sesión único.

Para obtener más información, incluidos los pasos para usar Microsoft Entra ID, SSO y
Snowflake, vea Compatibilidad de puerta de enlace de datos para el inicio de sesión
único con Microsoft Entra ID .

Para obtener información sobre cómo usar la puerta de enlace de datos local, vea ¿Qué
es una puerta de enlace de datos local?

Si no va a usar la puerta de enlace, ya está todo listo. Cuando tiene credenciales de

Snowflake configuradas en la puerta de enlace de datos local, pero solo usa ese origen
de datos en el modelo, desactive la puerta de enlace para ese modelo de datos en
Configuración del modelo semántico.

Para activar el inicio de sesión único para un modelo semántico:

1. Inicie sesión en Power BI mediante credenciales de creador de modelos

semánticos.

2. Seleccione el área de trabajo adecuada y, luego, elija Configuración en el menú

Más opciones que se encuentra junto al nombre del modelo semántico.

3. Seleccione Credenciales del origen de datos e inicie sesión. El modelo semántico

se puede iniciar sesión en Snowflake con credenciales básicas o de OAuth2
(Microsoft Entra ID). Mediante Microsoft Entra ID, puede habilitar el inicio de
sesión único en el paso siguiente.
 4. Seleccione la opción Los usuarios finales usan sus propias credenciales de
OAuth2 al acceder a este origen de datos mediante DirectQuery. . Esta
configuración habilitará el inicio de sesión único de Microsoft Entra. Las
credenciales de Microsoft Entra se envían para el inicio de sesión único.

Una vez realizados estos pasos, los usuarios deben usar automáticamente su
autenticación de Microsoft Entra para conectarse a datos de ese modelo semántico de
Snowflake.

Si decide no habilitar el inicio de sesión único, los usuarios que actualicen el informe
utilizarán las credenciales del usuario que haya iniciado sesión, como la mayoría de
otros informes de Power BI.

Solución de problemas
Si tiene problemas con la integración, vea la guía de solución de problemas de
Snowflake.

Contenido relacionado
 Orígenes de datos del servicio Power BI
Conexión con modelos semánticos en el servicio Power BI desde Power BI Desktop
Conectarse a Snowflake en Power BI Desktop

Comentarios
¿Le ha resultado útil esta página?  Sí  No

Proporcionar comentarios sobre el producto | Preguntar a la comunidad

Conexión a modelos SSAS
multidimensionales en Power BI
Desktop
Artículo • 26/02/2025

Con Power BI Desktop, ahora puede acceder a modelos multidimensionales de SQL

Server Analysis Services (SSAS), conocidos normalmente como SSAS MD.

Para conectarse a una base de datos SSAS MD, seleccione Obtener datos, elija Base de
datos>Base de datos de SQL Server Analysis Services y, después, seleccione Conectar:

Los servicios Power BI y Power BI Desktop admiten modelos SSAS multidimensionales

en modo de conexión dinámica. Puede publicar y cargar informes que empleen
modelos SSAS multidimensionales en el modo de conexión dinámica en el servicio
Power BI.

Funcionalidades y características de SSAS MD

Las secciones siguientes describen las características y funcionalidades de las
conexiones de Power BI y SSAS MD.

Metadatos tabulares de modelos multidimensionales

La siguiente tabla muestra la correspondencia entre los objetos multidimensionales y los
metadatos tabulares que se devuelven a Power BI Desktop. Power BI consulta el modelo
en busca de metadatos tabulares. En función de los metadatos devueltos, Power BI
Desktop ejecuta las consultas DAX adecuadas en SSAS al crear una visualización, como
una tabla, una matriz, un gráfico o una segmentación de datos.

ﾉ Expandir tabla

Objeto BISM-Multidimensional Metadatos tabulares

Cubo Modelo

Dimensión de cubo Tabla

Atributos de dimensión (Claves), nombre Columnas

Grupo de medida Tabla

Measure Measure

Medidas sin grupo de medida asociado En la tabla llamada Medidas

Grupo de medida -> Relación de dimensión de cubo Relación

Perspectiva Perspectiva

KPI KPI

Jerarquías de usuarios, elementos primarios y secundarios Jerarquías

Medidas, grupos de medida y KPI

Los grupos de medida de un cubo multidimensional se exponen como tablas con la
letra griega sigma (∑) junto a ellos en el panel Campos. La medidas calculadas sin un
grupo de medida asociado se agrupan en una tabla especial llamada Medidas en los
metadatos tabulares.

Para ayudar a simplificar modelos complejos, en un modelo multidimensional, puede

definir un conjunto de medidas o KPI en un cubo que se ubicará dentro de una Carpeta
para mostrar. Power BI reconoce las carpetas para mostrar en los metadatos tabulares y
muestra las medidas y los KPI dentro de las carpetas para mostrar. En las bases de datos
multidimensionales, los KPI admiten los atributos Value, Goal, Status Graphic y Trend
Graphic.

Tipo de atributo de dimensión

Los modelos multidimensionales también permiten asociar atributos de dimensión con
tipos de atributo de dimensión específicos. Por ejemplo, una dimensión Geography
cuyos atributos de dimensión City, State-Province, Country y Postal Code tienen
asociados los tipos de geografía adecuados, se exponen en los metadatos tabulares.
Power BI reconoce los metadatos, lo que permite crear visualizaciones de mapas.
Reconocerá estas asociaciones por el icono de mapa situado junto al elemento en el
panel Campo en Power BI.

Power BI también puede representar imágenes cuando se proporciona un campo que

contiene los localizadores uniformes de recursos (URL) de las imágenes. Se pueden
especificar estos campos como tipos ImageURL en SQL Server Data Tools o, después, en
Power BI Desktop. A continuación, se proporciona su información de tipo a Power BI en
los metadatos tabulares. Seguidamente, Power BI puede recuperar las imágenes de la
dirección URL y mostrarlas en objetos visuales.

Jerarquías de elementos primarios y secundarios

Los modelos multidimensionales admiten jerarquías de elementos primarios y
secundarios, que se presentan como una jerarquía en los metadatos tabulares. Cada
nivel de la jerarquía de elementos primarios y secundarios se expone como una
columna oculta en los metadatos tabulares. El atributo clave de la dimensión de los
elementos primarios y secundarios no se expone en los metadatos tabulares.

Miembros calculados de dimensión

Los modelos multidimensionales permiten crear varios tipos de miembros calculados.
Los dos tipos de miembros calculados más comunes son los siguientes:

Miembros calculados en jerarquías de atributos que no son del mismo nivel que
Todos
Miembros calculados en jerarquías de usuarios

Los modelos multidimensionales exponen miembros calculados en jerarquías de

atributos como valores de una columna. Existen algunas otras opciones y restricciones si
se expone este tipo de miembro calculado:

El atributo de dimensión puede tener un valor UnknownMember opcional.

 Un atributo que contenga miembros calculados no puede ser el atributo clave de
la dimensión, a menos que sea el único atributo de la dimensión.

Un atributo que contenga miembros calculados no puede ser un atributo de los

elementos primarios y secundarios.

Los miembros calculados de las jerarquías de usuarios no se exponen en Power BI. En

lugar de eso, puede conectarse a un cubo que contenga miembros calculados en
jerarquías de usuarios. Sin embargo, no podrá ver los miembros calculados si no
cumplen las restricciones mencionadas en la lista con viñetas anterior.

Seguridad
Los modelos multidimensionales admiten la seguridad en el nivel de celdas y
dimensiones mediante roles. Cuando se conecte a un cubo con Power BI, se autenticarán
y evaluarán los permisos adecuados. Si un usuario tiene aplicada seguridad de
dimensión, este no verá los miembros de dimensión correspondientes en Power BI. Sin
embargo, si un usuario tiene definido un permiso de seguridad de celda, que restringe
ciertas celdas, no podrá conectarse al cubo mediante Power BI.

Consideraciones y limitaciones
Existen ciertas limitaciones en el uso de SSAS MD:

Solo las ediciones Enterprise y BI de SQL Server 2014 admiten las conexiones
dinámicas. En el caso de la edición estándar de SQL Server, se necesita
SQL Server 2016 u otra posterior para las conexiones dinámicas.

Las acciones y los conjuntos con nombre no se exponen en Power BI. Para crear
objetos visuales e informes, puede conectarse a los cubos que también contengan
acciones o conjuntos con nombre.

Cuando Power BI muestra los metadatos de un modelo SSAS, en ocasiones no se

pueden recuperar los datos del modelo. Este escenario puede producirse si se ha
instalado la versión de 32 bits del proveedor de procesamiento analítico en línea
de Microsoft (MSOLAP), pero no la versión de 64 bits. El problema podría
resolverse instalando la versión de 64 bits.

No puede crear medidas de nivel de informe al crear un informe conectado en

directo a un modelo multidimensional SSAS. Las únicas medidas que están
disponibles son las que se definen en el modelo MD.
Características de SSAS MD admitidas en
Power BI Desktop
En esta versión de SSAS MD se admite el consumo de los siguientes elementos. Para
obtener más información sobre estas características, vea Descripción de Power View
para modelos multidimensionales.

Miembros predeterminados
Atributos de dimensión
Tipos de atributos de dimensión
Miembros calculados de dimensión, los cuales:
Deben ser un solo miembro real cuando la dimensión tenga más de un atributo.
No pueden ser el atributo clave de la dimensión a menos que sea el único
atributo.
No pueden ser un atributo de un elemento primario y secundario.
Seguridad de dimensión
Carpetas para mostrar
Jerarquías
Direcciones URL de imagen
KPI
Tendencias KPI
Medidas (con o sin grupos de medida)
Medidas como variante

Solucionar problemas
En la lista siguiente se describen todos los problemas conocidos al conectarse a
SQL Server Analysis Services.

Error: no se pudo cargar el esquema del modelo. Este error se suele producir
cuando el usuario que se conecta a Analysis Services no tiene acceso a la base de
datos o al cubo.

Comentarios
¿Le ha resultado útil esta página?  Sí  No

Proporcionar comentarios sobre el producto | Preguntar a la comunidad

Conexión a datos tabulares de Analysis
Services en Power BI Desktop
Artículo • 15/08/2024

En Power BI Desktop hay dos maneras de conectarse a los datos y obtenerlos a partir
del modelo tabular de SQL Server Analysis Services:

Exploración mediante una conexión dinámica

Selección de elementos y su importación en Power BI Desktop

Exploración mediante una conexión dinámica: cuando se utiliza una conexión

dinámica, los elementos de su modelo tabular o perspectiva (como las tablas, las
columnas y las medidas) aparecen en la lista del panel Datos de Power BI Desktop.
Puede usar las herramientas avanzadas de informe y visualización de Power BI Desktop
para explorar el modelo tabular de formas nuevas y altamente interactivas.

Cuando se realiza la conexión dinámica, no se importa ningún dato del modelo tabular
en Power BI Desktop. Cada vez que el usuario interactúa con una visualización, Power BI
Desktop consulta el modelo tabular y calcula los resultados que dicho usuario ve.
Consulte siempre los datos más recientes disponibles en el modelo tabular, ya sea
desde la última hora de procesamiento o desde tablas de DirectQuery disponibles en el
modelo tabular.

Tenga en cuenta que los modelos tabulares son muy seguros. Los elementos que
aparecen en Power BI Desktop dependen de los permisos del modelo tabular al que
está conectado.

Cuando haya creado informes dinámicos en Power BI Desktop, puede compartirlos

publicando en el área de trabajo de Power BI. Al publicar un archivo de Power BI
Desktop con una conexión dinámica a un modelo tabular en el área de trabajo, un
administrador debe instalar y configurar una puerta de enlace de datos local. Para más
información, consulte Puerta de enlace de datos local.

Selección de elementos e importación en Power BI Desktop: cuando se conecte con

esta opción, podrá seleccionar elementos (como tablas, columnas y medidas) en el
modelo tabular o la perspectiva y cargarlos en un modelo de Power BI Desktop. Use el
Editor de Power Query de Power BI Desktop para dar forma adicional a lo que quiere y a
sus características de modelado para seguir modelando los datos. Dado que no se
mantiene ninguna conexión dinámica entre Power BI Desktop y el modelo tabular,
puede explorar el modelo de Power BI Desktop sin conexión o publicarlo en el área de
trabajo de Power BI.
Conexión a un modelo tabular
1. En Power BI Desktop, en la cinta de opciones Inicio, seleccione Obtener
datos>Más>Base de datos.

2. Seleccione Base de datos SQL Server Analysis Services y, después Conectar.

3. En la ventana Base de datos SQL Server Analysis Services, escriba el nombre del
Servidor, elija un modo de conexión y, después, seleccione Aceptar.
4. Este paso de la ventana Navegador depende del modo de conexión que haya
seleccionado:

Si realiza una conexión dinámica, seleccione un modelo tabular o una

perspectiva.

Si elige la selección de elementos y la obtención de datos, seleccione un

modelo tabular o una perspectiva y, después, seleccione una tabla o columna
determinada para cargar. Para dar forma a los datos antes de cargarlos,
seleccione Transformar datos para abrir el Editor de Power Query. Cuando
esté listo, seleccione Cargar para importar los datos en Power BI Desktop.
Preguntas más frecuentes
Pregunta: ¿Se necesita una puerta de enlace de datos local?

Respuesta: Depende. Si usa Power BI Desktop para conectarse dinámicamente a un

modelo tabular, pero no tiene intención de publicar en el área de trabajo de Power BI,
no necesita una puerta de enlace. Por otro lado, si tiene intención de publicar en el área
de trabajo, se necesita una puerta de enlace de datos para garantizar una comunicación
segura entre el servicio Power BI y el servidor local de Analysis Services. Asegúrese de
hablar con el administrador del servidor de Analysis Services antes de instalar una
puerta de enlace.

Si elige la selección de elementos y la obtención de datos, los datos del modelo tabular
se importan directamente en el archivo de Power BI Desktop, por lo que no se necesita
ninguna puerta de enlace.

Pregunta: ¿Cuál es la diferencia entre la conexión dinámica a un modelo tabular desde

el servicio Power BI y la conexión dinámica desde Power BI Desktop?

Respuesta: cuando se conecta a un modelo tabular desde el área de trabajo del servicio
Power BI a una base de datos de Analysis Services local en su organización, se requiere
una puerta de enlace de datos local para proteger las comunicaciones entre ellas.
Cuando realiza una conexión dinámica con un modelo tabular desde Power BI Desktop,
no se necesita una puerta de enlace porque tanto Power BI Desktop como el servidor de
Analysis Services al que se está conectando se ejecutan de forma local en la
organización. Sin embargo, si publica el archivo de Power BI Desktop en el área de
trabajo de Power BI, se requiere una puerta de enlace.

Pregunta: Si creo una conexión dinámica, ¿puedo conectarme a otro origen de datos en
el mismo archivo de Power BI Desktop?

Respuesta: No. No puede explorar datos dinámicos y conectarse a otro tipo de origen
de datos en el mismo archivo. Si ya ha importado los datos o se ha conectado a otro
origen de datos en un archivo de Power BI Desktop, tendrá que crear un archivo para
realizar la exploración dinámica.

Pregunta: Si creo una conexión dinámica, ¿puedo modificar el modelo o la consulta en

Power BI Desktop?

Respuesta: Puede crear medidas de nivel de informe en Power BI Desktop, pero se

deshabilitan todas las demás características de consulta y el modelado al explorar datos
activos.

Pregunta: ¿Es seguro crear una conexión dinámica?

Respuesta: Sí. Las credenciales de Windows actuales se usan para conectarse al servidor
de Analysis Services. No puede usar las credenciales básicas o almacenadas en el
servicio Power BI o en Power BI Desktop cuando se realiza la exploración dinámica.

Pregunta: En el navegador, veo un modelo y una perspectiva. ¿Cuál es la diferencia?

Respuesta: Una perspectiva es una vista determinada de un modelo tabular. Puede

incluir solo tablas, columnas o medidas, según la necesidad de análisis de datos únicos.
Un modelo tabular siempre contiene al menos una perspectiva, que podría incluir todo
el contenido del modelo. Si no está seguro de qué perspectiva debe seleccionar,
consulte con su administrador.

Pregunta: ¿Hay alguna característica de Analysis Services que cambie el

comportamiento de Power BI?

Respuesta: Sí. En función de las características que use el modelo tabular, la experiencia
en Power BI Desktop podría cambiar. Estos son algunos ejemplos:

Es posible que vea las medidas del modelo agrupadas en la parte superior de la
lista del panel Datos en lugar de en tablas junto a las columnas. No se preocupe,
todavía puede usarlas de la forma habitual; es más fácil encontrarlas de esta
manera.
 Si el modelo tabular tiene grupos de cálculo definidos, solo puede usarlos con las
medidas del modelo y no con las medidas implícitas que cree al agregar campos
numéricos a un objeto visual. Es posible que también se haya establecido la marca
DiscourageImplicitMeasures de forma manual en el modelo, lo que tiene el
mismo efecto. Para más información, vea Grupos de cálculo.

Para cambiar el nombre del servidor después

de la conexión inicial
Después de crear un archivo de Power BI Desktop con una conexión dinámica de
exploración, podría haber algunos casos en los que quiera cambiar la conexión a otro
servidor. Por ejemplo, si ha creado el archivo de Power BI Desktop al conectarse a un
servidor de desarrollo y antes de realizar la publicación en el servicio de Power BI, desea
cambiar la conexión al servidor de una producción.

Para cambiar el nombre del servidor:

1. Seleccione Transformar datos>Configuración del origen de datos en la pestaña

Inicio.

2. En la ventana Configuración del origen de datos, seleccione la base de datos de la

lista y, a continuación, seleccione el botón Cambiar origen....

3. En la ventana Base de datos SQL Server Analysis Services, escriba el nombre del
Servidor nuevo y, después, seleccione Aceptar.

Solución de problemas
En la lista siguiente se describen todos los problemas conocidos al conectarse a
SQL Server Analysis Services (SSAS) o Azure Analysis Services:

Error: no se pudo cargar el esquema del modelo. Este error suele producirse si el
usuario que intenta conectarse a Analysis Services no tiene acceso a la base de
datos o al modelo.

Comentarios
¿Le ha resultado útil esta página?  Sí  No

Proporcionar comentarios sobre el producto | Preguntar a la comunidad

Usar DirectQuery en Power BI Desktop
Artículo • 16/10/2024

Al conectarse a cualquier origen de datos con Power BI Desktop, puede importar una
copia de los datos. En el caso de algunos orígenes de datos, también puede conectarse
directamente al origen de datos sin importar datos mediante DirectQuery. En este
artículo se explican las diferencias entre los modos de conectividad de importación y
DirectQuery y se explica cómo conectarse a orígenes de datos mediante DirectQuery.
También se tratan las consideraciones y limitaciones del uso de DirectQuery, como el
rendimiento y la seguridad.

Para determinar si un origen de datos admite DirectQuery, vea la lista completa de

orígenes de datos disponibles que se encuentran en el artículo Conectores de Power
Query, que también se aplica a Power BI. Seleccione el artículo que describe el origen de
datos que le interesa en la lista de conectores admitidos y, a continuación, consulte la
sección del artículo de ese conector titulada Funcionalidades admitidas. Si DirectQuery
no aparece en esa sección para el artículo del origen de datos, DirectQuery no se admite
para ese conector de datos.

He aquí las diferencias entre el uso de los modos de conectividad de importación y de

DirectQuery:

Importar: una copia de los datos de las tablas y columnas seleccionadas se

importa en Power BI Desktop. Cuando se crea una visualización o se interactúa con
ella, Power BI Desktop usa los datos importados. Para ver los cambios de datos
subyacentes después de la importación inicial o la actualización más reciente, debe
volver a importar el modelo semántico completo para actualizar los datos.

DirectQuery: no se importan datos en Power BI Desktop. En el caso de los orígenes

relacionales, puede seleccionar que aparezcan tablas y columnas en el panel de
Datos de Power BI Desktop. En el caso de orígenes multidimensionales como SAP
Business Warehouse (SAP BW), las dimensiones y medidas del cubo seleccionado
aparecen en el panel de Datos. Mientras crea o interactúa con una visualización,
Power BI Desktop consulta el origen de datos subyacente, lo que significa que
siempre está viendo los datos actuales.

Con DirectQuery, al crear una visualización o interactuar con ella, debe consultar el
origen subyacente. El tiempo necesario para actualizar el objeto visual depende del
rendimiento del origen de datos subyacente. Si los datos necesarios para atender la
solicitud se solicitaron recientemente, Power BI Desktop usa los datos recientes para
reducir el tiempo necesario para mostrar la visualización. Al seleccionar Actualizar desde
la cinta de opciones Inicio, se actualizan todas las visualizaciones con datos actuales.

Existen muchas transformaciones y modelado de datos al usar DirectQuery, aunque con

algunas limitaciones basadas en el rendimiento. Para más información sobre las
ventajas, limitaciones y restricciones de DirectQuery, consulte DirectQuery en Power BI.

Ventajas de DirectQuery
Algunas de las ventajas de usar DirectQuery son:

DirectQuery permite crear visualizaciones sobre modelos semánticos muy grandes,

en los que sería inviable importar todos los datos con agregación previa.

Los informes de DirectQuery siempre usan datos actuales. Ver los cambios de
datos subyacentes supondría actualizar los datos, y volver a importar grandes
modelos semánticos para este fin podría ser inviable.

La limitación del modelo semántico a 1 GB no se aplica a DirectQuery.

Conexión mediante DirectQuery

Para conectarse a un origen de datos con DirectQuery:

1. En el grupo Inicio de la cinta de opciones de Power BI Desktop, seleccione

Obtener datos y, luego, elija un origen de datos compatible con DirectQuery,
como SQL Server.

2. En el cuadro de diálogo de la conexión, en Modo de conectividad de datos,

seleccione DirectQuery.
Publicación en el servicio Power BI
Puede publicar informes de DirectQuery en el servicio Power BI, pero debe realizar
pasos adicionales para que el servicio Power BI abra los informes.

Para conectar el servicio Power BI a otros orígenes de datos de DirectQuery que no

sean Azure SQL Database, Azure Synapse Analytics (anteriormente SQL Data
Warehouse), Amazon Redshift y Snowflake Data Warehouse, instale una puerta de
enlace de datos local y registre el origen de datos.

Si ha usado DirectQuery con orígenes en la nube como Azure SQL Database, Azure
Synapse, Amazon Redshift o Snowflake Data Warehouse, no necesita una puerta
de enlace de datos local. Aun así, debe proporcionar credenciales para que el
servicio Power BI abra el informe publicado. Sin credenciales, se producirá un error
al intentar abrir un informe publicado o explorar un modelo semántico creado con
una conexión de DirectQuery.

Para proporcionar credenciales para abrir el informe y actualizar los datos:

1. En el servicio Power BI, vaya al área de trabajo y busque el modelo semántico que
usa DirectQuery en la lista de contenido del área de trabajo.

2. Seleccione el icono de tres puntos horizontales Más opciones junto al nombre del
modelo semántico y, a continuación, elija Configuración.
 3. En Credenciales del origen de datos, proporcione las credenciales para conectarse
al origen de datos.

７ Nota

Si usó DirectQuery con una instancia de Azure SQL Database que tiene una
dirección IP privada, debe usar una puerta de enlace local.

Consideraciones y limitaciones
Algunas características de Power BI Desktop no se admiten en el modo DirectQuery o
tienen algunas limitaciones. Algunas funcionalidades del servicio Power BI, como
conclusiones rápidas, tampoco están disponibles para modelos semánticos que usan
DirectQuery. A la hora de determinar si usar DirectQuery, debe tener en cuenta estas
limitaciones de características. Considere también los siguientes factores:

Consideraciones sobre el rendimiento y la carga

DirectQuery envía todas las solicitudes a la base de datos de origen, por lo que el
tiempo de actualización necesario para los objetos visuales depende del tiempo que
tarda el origen subyacente en devolver resultados. El tiempo de respuesta recomendado
para recibir datos solicitados de objetos visuales es de cinco segundos o inferior. Los
tiempos de actualización de más de 30 segundos producen una experiencia
inaceptablemente deficiente para los usuarios que consumen el informe. Una consulta
que tarda más de cuatro minutos agota el tiempo de espera en el servicio Power BI y el
usuario recibe un error.

La carga en la base de datos de origen también depende del número de usuarios de

Power BI que consumen el informe publicado, especialmente si el informe usa seguridad
de nivel de fila (RLS). La actualización de un icono de panel que no es RLS compartido
por varios usuarios envía una sola consulta a la base de datos, pero la actualización de
un icono de panel que usa RLS requiere una consulta por usuario. El aumento de las
consultas aumenta considerablemente la carga y puede afectar al rendimiento.

Límite de un millón de filas

DirectQuery define un límite de un millón de filas para los datos devueltos desde
orígenes de datos en la nube, que son orígenes de datos que no son locales. Los
orígenes locales se limitan a una carga definida de unos 4 MB por fila, según el
algoritmo de compresión propietario, o de 16 MB para todo el objeto visual. Las
capacidades Premium pueden establecer diferentes límites máximos de filas, como se
describe en la entrada de blog Nueva configuración de capacidad de Power BI
Premium .

Power BI crea consultas lo más eficaces posible, pero algunas de las consultas generadas
podrían recuperar demasiadas filas del origen de datos subyacente. Por ejemplo, esta
situación puede producirse con un gráfico simple que incluye una columna de
cardinalidad alta, con la opción de agregación establecida en Ningún cálculo. El objeto
visual solo ha de tener columnas de cardinalidad inferior a un millón o se deben aplicar
los filtros adecuados.

El límite de filas no se aplica a agregaciones o cálculos usados para seleccionar el

modelo semántico que devuelve DirectQuery, sino solo a las filas devueltas. Por
ejemplo, la consulta que se ejecuta en el origen de datos puede agregar 10 millones de
filas. Siempre y cuando los datos devueltos a Power BI sean inferiores a 1 millón de filas,
la consulta puede devolver con precisión los resultados. Si los datos son de más de
1 millón de filas, Power BI muestra un error, excepto en la capacidad Premium con
distintos límites establecidos por el administrador. El error dice El conjunto de
resultados de una consulta a un origen de datos externos superó el tamaño máximo
permitido de '1 000 000' filas.

Consideraciones sobre la seguridad

De forma predeterminada, todos los usuarios que consumen un informe publicado en el
servicio Power BI se conectan al origen de datos subyacente con las credenciales
indicadas después de la publicación. Esta situación es la misma que para los datos
importados. Todos los usuarios ven los mismos datos, independientemente de las reglas
de seguridad que defina el origen subyacente.

Si necesita implementar la seguridad por usuario con orígenes de DirectQuery, use RLS
o configure la autenticación restringida de Kerberos para el origen. Kerberos no está
disponible para todos los orígenes. Para más información, consulte Seguridad de nivel
de fila (RLS) con Power BI y Configuración del SSO basado en Kerberos desde el servicio
Power BI a los orígenes de datos locales.

Otras limitaciones de DirectQuery

Algunas otras limitaciones del uso de DirectQuery son las siguientes:

Si la consulta del Editor de Power Query es demasiado compleja, se produce un

error. Para corregir el error, debe eliminar el paso problemático en el Editor de
 Power Query o cambiar al modo de importación. Los orígenes multidimensionales
como SAP BW no pueden usar el Editor de Power Query.

La jerarquía de fecha y hora automáticas no está disponible en DirectQuery. El

modo DirectQuery no admite la obtención de detalles de columnas de fecha por
año, trimestre, mes o día.

Para las visualizaciones de tabla o matriz, hay un límite de 125 columnas para los
resultados que devuelven más de 500 filas de orígenes de DirectQuery. Estos
resultados muestran una barra de desplazamiento en la tabla o matriz que permite
capturar más datos. En esa situación, el número máximo de columnas de la tabla o
matriz es 125. Si debe incluir más de 125 columnas en una sola tabla o matriz,
considere la posibilidad de crear medidas que usen MIN , MAX , FIRST o LAST , ya
que no cuentan para este valor máximo.

No se puede cambiar del modo de importación al modo DirectQuery. Puede

cambiar del modo DirectQuery al modo de importación si importa todos los datos
necesarios. Sin embargo, no podrá volver a cambiar, principalmente debido al
conjunto de características que no admite DirectQuery. Los modelos de
DirectQuery en orígenes multidimensionales, como SAP BW, tampoco se pueden
cambiar del modo DirectQuery al de importación, debido al tratamiento distinto
de las medidas externas.

Las tablas calculadas y las columnas calculadas que hacen referencia a una tabla
DirectQuery desde un origen de datos con autenticación de inicio de sesión único
(SSO) son compatibles con el servicio Power BI con una conexión en la nube
compartida asignada o control de acceso granular.

Contenido relacionado
DirectQuery en Power BI
Orígenes de datos compatibles con DirectQuery
DirectQuery y SAP Business Warehouse
DirectQuery y SAP HANA
¿Qué es una puerta de enlace de datos local?
Usar modelos compuestos en Power BI Desktop

Comentarios
¿Le ha resultado útil esta página?
  Sí  No

Proporcionar comentarios sobre el producto | Preguntar a la comunidad

Conexión a SAP Business Warehouse
mediante DirectQuery en Power BI
Artículo • 10/03/2023

Puede conectarse a los orígenes de datos de SAP Business Warehouse (BW)

directamente mediante DirectQuery. Dada la naturaleza multidimensional/de
procesamiento analítico en línea de SAP BW, existen muchas diferencias importantes
entre DirectQuery a través de SAP BW frente a los orígenes relacionales como SQL
Server. Estas diferencias se resumen como sigue:

En DirectQuery a través de orígenes relacionales hay un conjunto de consultas,

como se define en el cuadro de diálogo Obtener datos o Editor de Power Query,
que definen lógicamente los datos disponibles en la lista de campos. Esta
configuración no sucede cuando se establece una conexión con un origen OLAP,
como SAP BW. En su lugar, cuando se establece una conexión con el servidor SAP
mediante Obtener datos, solo se seleccionan InfoCube o BEx Query. En este
momento, todas las cifras clave y dimensiones de BEx Query o InfoCube
seleccionados están disponibles en la lista de campos.
De igual forma, no hay ningún Editor de Power Query al conectarse a SAP BW.
Para cambiar la configuración del origen de datos, por ejemplo, el nombre del
servidor, seleccione Transformar datos>Configuración de origen de datos. Para
cambiar la configuración de los parámetros, seleccione Transformar datos>Editar
parámetros.
Dada la naturaleza única de los orígenes de OLAP, hay otras restricciones, para el
modelado y las visualizaciones que se aplican, además de las restricciones
normales impuestas para DirectQuery. Estas restricciones se describen más
adelante en este artículo.

Además, es muy importante saber que hay muchas características de SAP BW que no se
admiten en Power BI y que, debido a la naturaleza de la interfaz pública para SAP BW,
hay casos importantes en los que los resultados que se ven mediante Power BI no
coincidirán con los que se ven cuando se usa una herramienta SAP. Estas limitaciones se
describen más adelante en este mismo artículo. Estas limitaciones y diferencias de
comportamiento deben revisarse detenidamente para asegurarse de que los resultados
que se ven mediante Power BI, que devuelve la interfaz pública de SAP, se interpretan
correctamente.

７ Nota
 La capacidad para usar DirectQuery en SAP BW estaba en la versión preliminar
hasta la actualización de marzo de 2018 de Power BI Desktop. En la versión
preliminar hubo comentarios y sugerencias de mejora en los que se pedía un
cambio que afectara a los informes creados con dicha versión preliminar. Ahora
que se ha publicado la disponibilidad general (GA) de DirectQuery en SAP BW, debe
descartar todos los informes existentes (basados en la versión preliminar) que usen
DirectQuery en SAP BW y que se hayan creado con la versión anterior a la
disponibilidad general.

En los informes creados con la versión anterior a la disponibilidad general de

DirectQuery en SAP BW, se producen errores en ellos al invocar la actualización
después de intentar actualizar los metadatos con cualquier cambio en el cubo
subyacente de SAP BW. Vuelva a crear estos informes a partir de un informe en
blanco usando la versión de disponibilidad general de DirectQuery en SAP BW.

Restricciones de modelado adicionales

Las otras restricciones de modelado principales al conectarse a SAP BW mediante
DirectQuery en Power BI son las siguientes:

No se admiten las columnas calculadas: la capacidad para crear columnas

calculadas está deshabilitada. Este hecho también significa que la agrupación y la
agrupación en clústeres, que crean columnas calculadas, no están disponibles.
Limitaciones adicionales para las medidas: se han impuesto otras limitaciones
sobre las expresiones DAX que pueden usarse en las medidas, para reflejar el nivel
de compatibilidad que ofrece SAP BW.
No se admite la definición de relaciones: las relaciones son inherentes en el
origen SAP externo. No se pueden definir otras relaciones en el modelo.
Sin vista de datos: la vista de datos normalmente muestra los datos de nivel de
detalle en las tablas. Dada la naturaleza de los orígenes OLAP, como SAP BW, esta
vista no está disponible a través de SAP BW.
Los detalles de las columnas y medidas son fijos: la lista de columnas y medidas
que se ve en la lista de campos la fija el origen subyacente y no se puede
modificar. Por ejemplo, no se puede eliminar una columna ni cambiar su tipo de
datos. Sin embargo, se puede cambiar el nombre.
Otras limitaciones en DAX: hay limitaciones adicionales sobre DAX que se pueden
usar en las definiciones de las medidas para reflejar las limitaciones en el origen.
Por ejemplo, no es posible utilizar una función de agregado en una tabla.

Restricciones de visualización adicionales

Las otras restricciones principales relativas a las visualizaciones al conectarse a SAP BW
mediante DirectQuery en Power BI son las siguientes:

No se permite la agregación de columnas: no es posible cambiar la agregación de

una columna en un objeto visual. Siempre es No resumir
El filtrado de medidas está deshabilitado: el filtrado de medidas se deshabilita
para reflejar la compatibilidad que ofrece SAP BW.
Selección múltiple e inclusión/exclusión: la capacidad de selección múltiple de
puntos de datos en un objeto visual se deshabilita si los puntos representan
valores de más de una columna. Por ejemplo, en un gráfico de barras que muestra
las ventas por país/región, con Category en la leyenda, no sería posible seleccionar
el punto de (USA, Bikes) y (France, Clothes). De forma similar, no sería posible
seleccionar el punto de (USA, Bikes) y excluirlo del objeto visual. Ambas
limitaciones se admiten para reflejar la compatibilidad que ofrece SAP BW.

Compatibilidad con las características de SAP

BW
En la tabla siguiente se enumeran todas las características de SAP BW que no son
totalmente compatibles, o que se comportan de forma diferente cuando se usa
Power BI.

Característica Descripción

Cálculos locales Los cálculos locales definidos en una consulta BEx cambian los números, como
muestran herramientas como BEx Analyzer. Sin embargo, no se reflejan en los
números que devuelve SAP, mediante la interfaz pública de MDX.

Por lo tanto, los números que se ven en un objeto visual de Power BI no

necesariamente coincidirán con los de un objeto visual correspondiente en
una herramienta SAP.

Por ejemplo, al establecer una conexión a un cubo de consultas desde una

consulta BEx que establece que la agregación sea Acumulada, es decir, suma
continua, Power BI devolvería los números base sin tener en cuenta dicha
opción. Un analista podría aplicar un cálculo de suma en Power BI, pero
debería tener cuidado con la interpretación de los números si no lo hace.

Agregaciones En algunos casos, especialmente cuando se trabaja con varias monedas, los
números de agregado que devuelve la interfaz pública de SAP no coinciden
con los que muestran las herramientas SAP.

Por lo tanto, los números que se ven en un objeto visual de Power BI no

necesariamente coincidirán con los de un objeto visual correspondiente en
una herramienta SAP.
Característica Descripción

Por ejemplo, los totales en distintas monedas se mostrarían como "*" en BEx
Analyzer, pero el total lo devolvería la interfaz pública de SAP, sin ninguna
información que indique que dicho número de agregado no tiene sentido. Por
consiguiente, Power BI mostraría el número agregando, por ejemplo, $, EUR y
AUD.

Formato de Los formatos de moneda, por ejemplo, $2.300 o 4000 AUD, no se reflejan en
moneda Power BI.

Unidades de Las unidades de medida, por ejemplo, 230 KG, no se reflejan en Power BI.
medida

Clave frente a En el caso de una característica de SAP BW, como CostCenter , la lista de
texto (corta, campos muestra una sola columna Cost Center. Si se usa dicha columna, se
media, larga) muestra el texto predeterminado. Al mostrar los campos ocultos, también se
puede ver la columna de nombre único que devuelve el nombre único
asignado por SAP BW y es la base de la unicidad.

La clave y otros campos de texto no están disponibles.

Varias En SAP, una característica puede tener varias jerarquías. A continuación, en

jerarquías de herramientas como BEx Analyzer, cuando una característica se incluye en una
una consulta, el usuario puede seleccionar la jerarquía que se va a usar.
característica

En Power BI, las distintas jerarquías se pueden ver en la lista de campos como
jerarquías diferentes en la misma dimensión. Sin embargo, si se seleccionan
varios niveles de dos jerarquías diferentes en la misma dimensión, SAP
devolverá datos vacíos.

Tratamiento de
las jerarquías
desiguales
Característica Descripción

Factor de En SAP, una cifra clave puede tener un factor de escala, por ejemplo, 1000,
escala/invertir definido como opción de formato, lo que significa que todo lo que se muestra
signo se escala por ese factor.

De forma similar puede tener una propiedad establecida que invierta el signo.
El uso de dicha cifra clave en Power BI en un objeto visual o como parte de un
cálculo, dará lugar a que se use el número sin escala. El signo no se invierte. El
factor de escala subyacente no está disponible. En los objetos visuales de
Power BI, las unidades de escalado que se muestran en el eje (K, M, B) se
pueden controlar del formato del objeto visual.

Jerarquías en Inicialmente al establecer conexión con SAP BW, se recupera la información

las que sobre los niveles de una jerarquía, lo que da lugar a un conjunto de campos en
aparecen y la lista de campos. Esta información se almacena en caché y, si el conjunto de
desaparecen niveles cambia, el conjunto de campos no cambia hasta que se invoca
niveles Actualizar.
dinámicamente

Esta situación solo es posible en Power BI Desktop. Dicha actualización para

reflejar los cambios en los niveles no se puede invocar en el servicio Power BI
después de la publicación.

Filtro Una consulta BEx puede incluir filtros predeterminados, que SAP BEx Analyzer
predeterminado aplicará automáticamente. Estos filtro no se exponen y, por consiguiente, el
uso equivalente en Power BI no aplicará los mismos filtros de forma
predeterminada.

Cifras clave Una consulta BEx puede controlar la visibilidad de las cifras clave, y las que
ocultas estén ocultas no aparecerán en SAP BEx Analyzer. Este hecho no se refleja
mediante la API pública, por lo que las cifras clave ocultas seguirá apareciendo
en la lista de campos. Sin embargo, pueden estar ocultas en Power BI.

Formato Cualquier formato numérico, como el número de posiciones y el separador

numérico decimales, no se refleja automáticamente en Power BI. Sin embargo, es posible
controlar dicho formato dentro de Power BI.

Control de SAP BW permite mantener diferentes versiones de una jerarquía, por ejemplo,
versiones de la jerarquía de centro de costo en 2007 frente a 2008. En Power BI solo está
jerarquías disponible la versión más reciente, ya que la API pública no muestra
información sobre las versiones.

Jerarquías que Cuando se usa Power BI, las jerarquías que dependen del tiempo se evalúan en
dependen del la fecha actual.
tiempo

Conversión de SAP BW admite la conversión de moneda con las tasas del cubo. La API
moneda pública no expone dichas funcionalidades y, por tanto, no están disponibles en
Power BI.
 Característica Descripción

Criterio de El criterio de ordenación, por ejemplo, por texto o por clave, de una
ordenación característica se puede definir en SAP. Este criterio de ordenación no se refleja
en Power BI. Por ejemplo, los meses podrían aparecer como "abril", "ago.", etc.

Este criterio de ordenación no se puede cambiar en Power BI.

Nombres En Obtener datos, se pueden ver tanto los nombres de características o

técnicos medidas (descripciones) como los nombres técnicos. La lista de campos
contiene solo los nombres de características o medidas (descripciones).

Atributos En Power BI, no se puede acceder a los atributos de una característica.

Configuración La configuración regional que se utiliza para conectarse a SAP BW se establece

del idioma del como parte de los detalles de la conexión y no refleja la configuración regional
usuario final del consumidor final del informe.

Variables de SAP BW permite que los nombres de campo contengan marcadores de

texto posición en variables, por ejemplo, $YEAR$ Actuals que, posteriormente, se
reemplazarían por el valor seleccionado. Por ejemplo, el campo aparece como
2016 Actuals en las herramientas de BEx, si se seleccionara el año 2016 como
variable.

El nombre de columna en Power BI no cambia en función del valor de la

variable y, por tanto, aparecería como $YEAR$ Actuals . Sin embargo, el
nombre de columna se podrá cambiar posteriormente en Power BI.

Variables de La API pública no expone las variables de salida del cliente y, por tanto, no se
salida del admiten en Power BI.
cliente

Estructuras de Cualquier estructura de características en el origen de SAP BW subyacente

características dará como resultado una "expansión" de las medidas que se exponen en
Power BI. Por ejemplo, con dos medidas Sales y Costs y una estructura de
características que contenga Budget y Actual, se exponen cuatro medidas:
[Link] , [Link] , [Link] , [Link] .

Pasos siguientes
Para más información acerca de DirectQuery, revise los siguientes recursos:

DirectQuery en Power BI
Orígenes de datos compatibles con DirectQuery
DirectQuery y SAP HANA
Conexión a orígenes de datos de SAP
HANA mediante DirectQuery en Power BI
Artículo • 23/01/2025

Puede conectarse a orígenes de datos de SAP HANA directamente mediante DirectQuery, que
a menudo es necesario para grandes conjuntos de datos que superan los recursos disponibles
para admitir modelos de importación. Hay dos enfoques para conectarse a SAP HANA en
modo DirectQuery, cada uno con funcionalidades diferentes:

Tratar SAP HANA como origen multidimensional (valor predeterminado): En este caso,
el comportamiento es similar a cuando Power BI se conecta a otros orígenes
multidimensionales como SAP Business Warehouse o Analysis Services. Cuando se
conecta a SAP HANA como origen multidimensional, se selecciona una sola vista analítica
o de cálculo y todas las medidas, jerarquías y atributos de esa vista están disponibles en
la lista de campos. No se pueden agregar columnas calculadas ni otras personalizaciones
de datos en el modelo semántico. A medida que se crean objetos visuales, los datos
agregados se recuperan directamente de SAP HANA. Tratar SAP HANA como origen
multidimensional es el valor predeterminado para los nuevos informes de DirectQuery
sobre SAP HANA.

Tratar SAP HANA como origen relacional: En este caso, Power BI trata SAP HANA como
origen de datos relacional. Este enfoque ofrece una mayor flexibilidad. Entre otras cosas,
puede agregar columnas calculadas e incluir datos de otros orígenes, pero se debe tener
cuidado para asegurarse de que las medidas se agregan según lo previsto. Evite medidas
no aditivas. Además, asegúrese de usar vistas sencillas con pocas columnas y
combinaciones para evitar problemas de rendimiento. Considere la posibilidad de volver
a crear medidas en el modelo semántico, pero tenga en cuenta que las medidas
complejas podrían no plegarse. Las jerarquías de SAP HANA no están disponibles cuando
se usa SAP HANA como origen relacional.

El método de conexión viene determinado por una opción de herramienta global, que se
establece seleccionando Archivo>Opciones y configuraciones y, a continuación,
Opciones>DirectQueryy seleccionando la opción Tratar SAP HANA como origen relacional,
como se muestra en la imagen siguiente.
La opción de tratar SAP HANA como origen relacional controla el método de conexión para
cualquier informe de nuevo mediante DirectQuery a través de SAP HANA. No tiene ningún
efecto en las conexiones de SAP HANA existentes en el informe actual, ni en las conexiones de
ningún otro informe que se abra. Por lo tanto, si la opción está desactivada actualmente, al
agregar una nueva conexión a SAP HANA mediante Obtener datos, esa conexión trata SAP
HANA como origen multidimensional. Sin embargo, si se abre un informe diferente que
también se conecta a SAP HANA, ese informe continúa comportándose según la opción que se
estableció en el momento en que se creó. Este hecho significa que los informes que se conectan
a SAP HANA como origen relacional continúan tratando SAP HANA como origen relacional
incluso si la opción está desactivada.

Los dos métodos de conexión de SAP HANA constituyen un comportamiento diferente y no es

posible cambiar un informe existente de un método de conexión al otro.
Tratar SAP HANA como origen multidimensional
(valor predeterminado)
Todas las nuevas conexiones a SAP HANA usan este método de conexión de forma
predeterminada, tratando SAP HANA como origen multidimensional. Al conectarse a SAP
HANA como origen multidimensional, se aplican las siguientes consideraciones:

En Get Data Navigator (Obtener navegador de datos), se puede seleccionar una sola vista
de SAP HANA. No es posible seleccionar medidas o atributos individuales. No hay
ninguna consulta definida en el momento de la conexión, que es diferente de importar
datos o al usar DirectQuery al tratar SAP HANA como origen relacional. Esta
consideración también significa que no es posible usar directamente una consulta SQL de
SAP HANA al seleccionar este método de conexión.

Todas las medidas, jerarquías y atributos de la vista seleccionada se muestran en la lista

de campos.

Cuando se utiliza una medida en un objeto visual, se realiza una consulta a SAP HANA
para recuperar el valor de la medida en el nivel de agregación necesario para el objeto
visual. Cuando se trabaja con medidas no aditivas, como contadores y relaciones, sap
HANA realiza todas las agregaciones y Power BI no realiza ninguna agregación adicional.

Para asegurarse de que siempre se pueden obtener los valores agregados correctos de
SAP HANA, se deben imponer ciertas restricciones. Por ejemplo, no es posible agregar
columnas calculadas ni combinar datos de varias vistas de SAP HANA en el mismo
informe. Tampoco es posible eliminar columnas ni cambiar sus tipos de datos.

Tratar a SAP HANA como una fuente multidimensional ofrece menos flexibilidad que la
alternativa enfoque relacional, pero es más sencillo. Este método de conexión garantiza valores
agregados correctos al tratar con medidas de SAP HANA más complejas y, por lo general, da
lugar a un mayor rendimiento.

La lista Field incluye todas las medidas, atributos y jerarquías de la vista de SAP HANA. Tenga
en cuenta los comportamientos siguientes que se aplican al usar este método de conexión:

Cualquier atributo