Presentación de Power BI como herramienta de Business Intelligence

Aprender a conectar Power BI con distintas fuentes de datos y entender los diferentes formatos que puede manejar.

La transformación de datos es una de las fases más críticas en cualquier proyecto de análisis de datos. En la práctica profesional, gran parte del trabajo de un analista consiste en limpiar, estructurar y preparar datos antes de analizarlos. Power BI utiliza Power Query como herramienta para realizar este proceso. En este capítulo aprenderás: qué es el proceso ETL cómo usar el Editor de Power Query cómo limpiar datos cómo transformar columnas cómo combinar tablas cómo estructurar datos correctamente para el análisis Todo se explica paso a paso con ejemplos prácticos. 1. Qué es ETL (Extract, Transform, Load) El proceso de preparación de datos suele seguir tres etapas conocidas como ETL. Extract (Extracción) Consiste en obtener los datos desde las fuentes originales. Ejemplos: archivo Excel base de datos SQL API web archivo CSV Ejemplo real: Una empresa tiene datos en: ventas.xlsx productos.csv clientes en base de datos Power BI puede extraer datos de todas estas fuentes. Transform (Transformación) En esta etapa se limpian y transforman los datos para prepararlos para el análisis. Ejemplos de transformaciones: eliminar columnas innecesarias corregir errores cambiar formatos separar columnas agrupar datos crear nuevas columnas Ejemplo: Si una columna tiene valores: España - Madrid España - Valencia Francia - París podemos dividirla en: País Ciudad Load (Carga) Una vez transformados, los datos se cargan en el modelo de Power BI para ser analizados. 2. Editor de Power Query El Editor de Power Query es la herramienta donde se realizan todas las transformaciones. Para abrirlo: Abrir Power BI Desktop Ir a Inicio Seleccionar Transformar datos Se abrirá el Editor de Power Query. Interfaz del Editor La interfaz tiene varios elementos importantes. Panel izquierdo Contiene las consultas (tablas importadas). Ejemplo: ventas clientes productos Panel central Muestra la tabla de datos seleccionada. Panel derecho Muestra los Pasos aplicados. Cada transformación se guarda como un paso. Ejemplo: Origen Tipo cambiado Columnas eliminadas Filas filtradas Esto permite: revisar cambios modificar pasos eliminar pasos 3. Eliminar columnas y filas Uno de los primeros pasos suele ser eliminar datos innecesarios. Ejemplo Supongamos una tabla: id fecha producto vendedor ciudad notas ventas Pero solo necesitamos: fecha producto ventas Eliminar columnas Pasos Abrir Power Query Seleccionar las columnas que queremos eliminar Clic derecho Seleccionar Quitar columnas Alternativa: Inicio → Quitar columnas Resultado La tabla quedará así: | fecha | producto | ventas | Esto hace el modelo más eficiente. Eliminar filas A veces hay filas que no sirven. Ejemplo: filas vacías filas con totales encabezados repetidos Pasos Seleccionar la columna Filtro desplegable Desmarcar valores no deseados También se pueden usar opciones como: Quitar filas superiores Quitar filas inferiores Quitar filas en blanco 4. Cambiar tipos de datos Cada columna debe tener un tipo de dato correcto. Tipos comunes: texto número entero número decimal fecha fecha/hora verdadero/falso Ejemplo Supongamos una columna: Ventas 1200 800 950 Si está como texto, Power BI no podrá sumar los valores. Pasos para cambiar tipo Seleccionar la columna Ir a Transformar Seleccionar Tipo de datos Elegir el tipo correcto Ejemplo: Número decimal. Resultado Ahora podemos crear cálculos como: Total Ventas = SUM(Ventas) 5. Filtrar datos Filtrar permite quedarse solo con datos relevantes. Ejemplo Tabla de ventas globales: país ventas España 1200 Francia 900 Alemania 1000 Queremos analizar solo España. Pasos Abrir el filtro de la columna Seleccionar España Aceptar También se pueden usar filtros: por número por fecha por texto Ejemplo: Ventas > 1000 6. Dividir y combinar columnas Muchas veces los datos vienen mal estructurados. Ejemplo dividir columna Supongamos esta columna: Producto Laptop - Ordenadores Tablet - Tablets Monitor - Pantallas Queremos separarla en: producto categoría Pasos Seleccionar columna Transformar Dividir columna Elegir por delimitador Delimitador: - Resultado producto categoria Laptop Ordenadores Tablet Tablets Combinar columnas También podemos hacer lo contrario. Ejemplo: nombre apellido Ana García Pasos Seleccionar columnas Transformar Combinar columnas Elegir separador Resultado: Ana García 7. Reemplazar valores Permite corregir errores o normalizar datos. Ejemplo Supongamos una columna: Pais Esp Esp Fr Fr Queremos cambiar: Esp → España Fr → Francia Pasos Seleccionar columna Transformar Reemplazar valores Introducir: Buscar: Esp Reemplazar: España 8. Agrupar datos Agrupar permite resumir información. Ejemplo Tabla ventas: vendedor ventas Ana 100 Ana 200 Luis 150 Queremos saber ventas totales por vendedor. Pasos Seleccionar columna vendedor Transformar Agrupar por Configuración: Agrupar por: vendedor Nueva columna: total ventas Operación: suma Columna: ventas Resultado vendedor total ventas Ana 300 Luis 150 9. Despivotar columnas Este paso es muy importante en análisis de datos. Muchas hojas Excel tienen formato incorrecto para análisis. Ejemplo Tabla original: producto enero febrero marzo Laptop 100 120 130 Tablet 80 90 100 Esto es difícil de analizar. Queremos convertirlo en: producto mes ventas Laptop enero 100 Laptop febrero 120 Laptop marzo 130 Pasos Seleccionar columnas enero, febrero, marzo Transformar Despivotar columnas Power BI generará dos columnas: atributo valor Después se pueden renombrar: atributo → mes valor → ventas 10. Pasos aplicados Cada transformación queda registrada. Ejemplo: Origen Tipo cambiado Columnas eliminadas Filas filtradas Columnas divididas Ventajas: reproducible editable automático Si cambian los datos originales, Power BI reaplica todos los pasos automáticamente. 11. Introducción al lenguaje M Power Query utiliza un lenguaje llamado M. Cada transformación genera código M automáticamente. Ejemplo simple: Table.RemoveColumns(Source,{"Notas"}) Esto significa: eliminar la columna Notas. Ver código M Pasos: Ir a Inicio Editor avanzado Esto permite modificar manualmente las transformaciones. Ejemplo: Source = Excel.Workbook(File.Contents("ventas.xlsx")) Ejemplo completo paso a paso Caso práctico: limpiar datos de ventas Archivo Excel: Fecha Producto Región Ventas Notas 01/01/2025 Laptop - Ordenadores España 1200 ok 02/01/2025 Tablet - Tablets España 800 ok 03/01/2025 Laptop - Ordenadores Francia 1000 ok Objetivo: crear un modelo limpio con: fecha producto categoría región ventas Paso 1 abrir Power Query Inicio → Transformar datos Paso 2 eliminar columna notas Clic derecho en Notas Quitar columna. Paso 3 dividir columna producto Seleccionar Producto Transformar → Dividir columna → delimitador "-" Resultado: | producto | categoria | Paso 4 cambiar tipo de datos fecha → tipo fecha ventas → número decimal Paso 5 comprobar datos Revisar: valores nulos errores duplicados Paso 6 cerrar y aplicar Clic en: Cerrar y aplicar Los datos se cargarán en Power BI. Resultado final Tabla limpia: fecha producto categoria region ventas Ahora se puede analizar: ventas por categoría ventas por región evolución temporal Conclusión del capítulo Power Query es fundamental porque permite: limpiar datos corregir errores estructurar información automatizar transformaciones En proyectos reales, la mayoría del tiempo se dedica a preparar datos correctamente. Un buen analista debe dominar: filtrado transformación de columnas agrupación despivotado limpieza de datos Si quieres, en el siguiente paso puedo prepararte también el Capítulo 4 (Modelado de datos) con el mismo nivel de detalle, incluyendo: esquema estrella relaciones entre tablas errores comunes de modelado cómo diseñar modelos profesionales usados en empresas. Export response as a Google Docs file Export response as a Word file Export response as a PDF file Añade más información de otros tipos de transformaciónn de datos, incluyendo alguno más avanzado Ampliamos el Capítulo 3 (Transformación de datos con Power Query) añadiendo otras transformaciones muy utilizadas en proyectos reales, incluyendo algunas técnicas más avanzadas que suelen usarse en entornos profesionales. El objetivo es que el alumno no solo sepa limpiar datos básicos, sino también resolver problemas reales de datos mal estructurados. 12. Cambiar nombre de columnas Una práctica fundamental en modelos de datos es usar nombres claros y consistentes. Muchos archivos tienen nombres poco adecuados: | Column1 | Column2 | Column3 | o nombres con espacios o símbolos. Ejemplo Tabla original: | prod_id | prod_name | prod_cat | Queremos nombres más claros: | id_producto | producto | categoria | Pasos Abrir Power Query Hacer doble clic en el nombre de la columna Escribir el nuevo nombre Pulsar Enter También se puede: Clic derecho → Cambiar nombre 13. Detectar y eliminar duplicados Los datos duplicados son un problema común. Ejemplo: id_venta cliente importe 1 Ana 200 1 Ana 200 Esto puede provocar errores en los cálculos. Eliminar duplicados Pasos Seleccionar la columna que define la unicidad (por ejemplo id_venta) Ir a Inicio Seleccionar Quitar duplicados Resultado id_venta cliente importe 1 Ana 200 14. Detectar valores nulos Los valores nulos pueden causar problemas en cálculos. Ejemplo: producto ventas Laptop 1200 Tablet null Opciones eliminar filas sustituir valores mantenerlos Sustituir nulos Pasos Seleccionar columna Transformar Reemplazar valores Buscar: null Reemplazar por: 0 15. Ordenar datos Ordenar datos ayuda a analizar tendencias. Ejemplo: producto ventas Laptop 1200 Tablet 800 Monitor 400 Ordenar de mayor a menor Pasos: Seleccionar columna ventas Transformar Orden descendente Resultado: producto ventas Laptop 1200 Tablet 800 Monitor 400 16. Crear columnas calculadas en Power Query Power Query permite crear columnas derivadas. Ejemplo: calcular impuestos Tabla: producto precio Laptop 1000 Queremos una columna con IVA (21%). Pasos Ir a Agregar columna Seleccionar Columna personalizada Fórmula: [precio] * 0.21 Nombre: IVA Resultado producto precio IVA Laptop 1000 210 17. Extraer información de texto Power Query permite extraer partes de texto. Ejemplo Columna: codigo_producto LAP-001 TAB-002 MON-003 Queremos obtener: LAP TAB MON Pasos Seleccionar columna Transformar Extraer Texto antes del delimitador Delimitador: - 18. Transformaciones con fechas Las fechas son fundamentales en análisis. Power Query permite extraer componentes. Ejemplo fecha 10/01/2025 Podemos obtener: año mes día trimestre nombre del mes Pasos Seleccionar columna fecha Ir a Agregar columna Fecha Elegir opción Ejemplo: Agregar columna → Fecha → Mes → Nombre del mes Resultado: fecha mes 10/01/2025 Enero 19. Combinar consultas (Merge) Esta es una de las operaciones más importantes en Power Query. Equivale a hacer un JOIN en SQL. Ejemplo Tabla ventas: id_producto ventas 101 1200 Tabla productos: id_producto nombre 101 Laptop Queremos añadir el nombre del producto a la tabla de ventas. Pasos Inicio Combinar consultas Seleccionar tabla ventas Seleccionar tabla productos Seleccionar columna id_producto Elegir tipo de unión Tipo más común: Left Outer Join Resultado id_producto ventas nombre 101 1200 Laptop 20. Anexar consultas (Append) Sirve para unir tablas verticalmente. Ejemplo Ventas 2024: producto ventas Laptop 100 Ventas 2025: producto ventas Laptop 200 Pasos Inicio Anexar consultas Seleccionar tablas Resultado producto ventas Laptop 100 Laptop 200 21. Crear tablas de referencia A veces necesitamos duplicar una consulta para transformarla de otra forma. Opciones Power Query permite: Duplicar Referencia Diferencia Duplicar → copia independiente Referencia → depende de la original Ejemplo práctico Tabla original: ventas Crear referencia: ventas_filtradas Después filtrar solo: España Esto permite crear modelos más complejos. 22. Pivotar columnas Es lo contrario de despivotar. Ejemplo Tabla original: producto mes ventas Laptop Enero 100 Laptop Febrero 120 Queremos: producto Enero Febrero Laptop 100 120 Pasos Seleccionar columna mes Transformar Pivotar columna Valores: ventas 23. Perfilado de datos (Data Profiling) Power Query tiene herramientas para analizar calidad de datos. Activar en menú: Vista Opciones: calidad de columna distribución de columna perfil de columna Qué muestran Calidad valores válidos errores nulos Distribución Frecuencia de valores. Ejemplo: región España Francia España Distribución: España → 66% Francia → 33% Perfil Muestra: mínimo máximo promedio número de valores únicos Esto ayuda a detectar errores en datos rápidamente. 24. Uso avanzado: columnas condicionales Permite crear reglas tipo IF / ELSE. Ejemplo Tabla ventas: ventas 200 1200 Queremos clasificar: Bajo Alto Pasos Agregar columna Columna condicional Condición: Si ventas > 1000 entonces → Alto si no → Bajo Resultado ventas categoria 200 Bajo 1200 Alto 25. Uso avanzado: funciones personalizadas Power Query permite crear funciones reutilizables. Ejemplo: función que convierte texto a mayúsculas. Ejemplo simple en M (Texto as text) => Text.Upper(Texto) Esto permite aplicar la función a una columna completa. Conclusión ampliada del capítulo Después de este capítulo el alumno debería dominar: Transformaciones básicas: eliminar columnas filtrar filas cambiar tipos dividir columnas reemplazar valores Transformaciones intermedias: agrupaciones pivotar y despivotar columnas calculadas manipulación de texto y fechas Transformaciones avanzadas: merge (joins) append columnas condicionales funciones personalizadas perfilado de datos Estas herramientas permiten preparar datos complejos para análisis profesional. Si quieres, en el siguiente paso puedo preparar el Capítulo 4 (Modelado de datos) con explicación detallada de: esquema estrella (Star Schema) relaciones 1-a-muchos tablas de dimensiones y hechos errores de modelado que arruinan dashboards cómo diseñan los modelos los analistas profesionales. Este capítulo suele ser el segundo más importante de todo Power BI después de Power Query. Export response as a Google Docs file Export response as a Word file Export response as a PDF file

El modelado de datos es el proceso mediante el cual organizamos las tablas y definimos las relaciones entre ellas para poder realizar análisis correctos y eficientes. Un buen modelo permite: realizar cálculos correctamente evitar errores en los resultados mejorar el rendimiento facilitar la creación de visualizaciones En proyectos reales de Business Intelligence, el modelado de datos es una de las habilidades más importantes de un analista.

DAX permite no solo sumar o promediar datos, sino también crear indicadores complejos, realizar análisis temporal, calcular métricas comparativas, gestionar jerarquías y construir KPIs dinámicos. Este apartado profundiza en las funciones clave y patrones de cálculo avanzados.

La creación de visualizaciones es esencial en Power BI para comunicar información de manera clara y rápida. Un buen gráfico permite identificar patrones, tendencias y relaciones sin necesidad de revisar tablas de datos extensas. En este apartado aprenderemos a usar los principales tipos de visualizaciones, cómo interactúan entre ellas y cómo personalizarlas para dashboards profesionales.

El diseño de dashboards no es solo estética; impacta directamente en la comprensión y toma de decisiones. Un dashboard efectivo permite que los usuarios identifiquen rápidamente patrones, métricas clave y áreas que requieren atención. Este apartado aborda los principios fundamentales de diseño, la jerarquía visual, uso del color, KPIs y la experiencia del usuario.