≡En resumen
- Un data warehouse integra datos de ERP, CRM, web y otras fuentes en un único repositorio pensado para analizar.
- Los datos se limpian y modelan antes de cargarse (schema-on-write), por eso las consultas son rápidas y coherentes.
- Inmon propone un almacén corporativo primero; Kimball, construirlo a partir de data marts dimensionales.
- Frente al data lake, el almacén es más ordenado y fiable para informes, pero menos flexible con datos no estructurados.
- Hoy casi todos los almacenes nuevos se montan en la nube y se pagan por uso.
01 ¿Qué es un data warehouse?
La primera arquitectura la publicaron Barry Devlin y Paul Murphy, investigadores de IBM, en el artículo «An architecture for a business and information system» (IBM Systems Journal, 1988), donde hablaban de un business data warehouse. Bill Inmon, considerado el padre del concepto, lo definió en su libro «Building the Data Warehouse» (1992) como una colección de datos orientada a temas, integrada, variable en el tiempo y no volátil, al servicio de las decisiones de la dirección.
Orientado a temas
Se organiza por áreas de negocio (clientes, ventas, productos), no por aplicaciones.
Integrado
Unifica códigos, formatos y definiciones de fuentes distintas.
Variable en el tiempo
Guarda el histórico para comparar periodos y ver la evolución.
No volátil
Los datos cargados no se modifican ni se borran en el uso diario: se consultan.
02 Cómo funciona un almacén de datos
-
1
Fuentes
Sistemas operacionales: ERP, CRM, TPV, ecommerce, Google Analytics, plataformas de anuncios u hojas de cálculo.
-
2
ETL o ELT
Se extraen los datos, se transforman (limpieza, deduplicación, unificación de formatos) y se cargan. En ELT se cargan primero y se transforman dentro del almacén.
-
3
Modelo de datos
Se organizan en tablas de hechos (ventas, visitas) y dimensiones (cliente, producto, fecha), normalmente en un esquema en estrella.
-
4
Data marts
Subconjuntos por departamento, por ejemplo uno de marketing y otro de finanzas, con solo lo que cada área necesita.
-
5
Consumo
Herramientas de BI, cubos OLAP, dashboards y consultas SQL leen el almacén sin cargar los sistemas de producción.
03 Inmon vs Kimball: dos formas de diseñarlo
| Aspecto | Bill Inmon | Ralph Kimball |
|---|---|---|
| Enfoque | De arriba abajo (top-down) | De abajo arriba (bottom-up) |
| Punto de partida | Almacén corporativo normalizado | Data marts dimensionales por proceso de negocio |
| Modelo | Tercera forma normal en el núcleo | Esquema en estrella con hechos y dimensiones |
| Ventaja | Coherencia de toda la empresa | Resultados rápidos y fáciles de entender |
| Obra de referencia | Building the Data Warehouse (1992) | The Data Warehouse Toolkit (1996) |
En la práctica, la mayoría de proyectos actuales mezclan ambos: una capa integrada y depurada y, encima, modelos dimensionales pensados para el usuario de negocio. Con la nube, además, el coste de almacenar ha bajado tanto que muchas empresas cargan los datos en bruto y los transforman dentro del propio almacén (ELT).
04 Data warehouse vs data lake vs base de datos
| Aspecto | Base de datos operacional | Data warehouse | Data lake |
|---|---|---|---|
| Objetivo | Registrar la actividad diaria | Analizar e informar | Almacenar todo para usos futuros |
| Datos | Actuales, de una aplicación | Históricos e integrados, depurados | En bruto, de cualquier formato |
| Esquema | Fijo, normalizado | Definido antes de cargar | Se aplica al leer |
| Usuarios | Aplicaciones y empleados | Analistas y dirección | Ingenieros y científicos de datos |
| Ejemplo | MySQL de una tienda online | BigQuery con ventas de 5 años | Bucket con logs, JSON e imágenes |
El data lake nació precisamente para cubrir lo que el almacén hace mal: guardar a bajo coste datos no estructurados o de uso incierto. La tendencia de los últimos años es el lakehouse, que añade al lago las garantías de un almacén. Ambos forman parte del ecosistema del big data, aunque un almacén de datos puede ser útil con volúmenes mucho más modestos.
05 Para qué sirve un data warehouse
Una sola versión de los datos
Todos los departamentos consultan las mismas cifras de ventas, clientes o margen.
Informes y cuadros de mando
Es la fuente de los paneles de business intelligence que usa dirección.
Análisis histórico
Comparar años, temporadas o campañas aunque los sistemas de origen hayan cambiado.
Base para modelos
Aporta datos limpios para minería de datos, previsiones y modelos de IA.
El almacén es la pieza central del business intelligence: sin él, cada informe se construye a mano cruzando exportaciones. También es el punto de partida habitual del data mining, porque los algoritmos funcionan mejor con datos ya integrados y sin duplicados.
06 Ejemplo de data warehouse en marketing
Una tienda online exporta cada día a Google BigQuery los eventos de Google Analytics 4, el gasto de Google Ads y Meta Ads y los pedidos de su plataforma de ecommerce. Con un modelo en estrella (hechos: pedidos y sesiones; dimensiones: fecha, canal, producto, cliente) puede responder en segundos:
- Qué canal trae clientes con mayor valor a 12 meses.
- Cuánto tarda de media un cliente en repetir compra.
- Qué campañas generan ventas con devoluciones altas.
BigQuery tiene una capa gratuita mensual de 1 TiB de consultas y 10 GiB de almacenamiento, suficiente para que una pyme haga pruebas antes de invertir.
07 Herramientas de data warehouse
| Herramienta | Proveedor | Característica destacada |
|---|---|---|
| BigQuery | Google Cloud | Serverless, pago por datos consultados, integración con Google Analytics 4 |
| Snowflake | Snowflake Inc. | Separa almacenamiento y cómputo; funciona sobre AWS, Azure y Google Cloud |
| Amazon Redshift | Amazon Web Services | Integración con el ecosistema de AWS |
| Microsoft Fabric y Azure Synapse | Microsoft | Integración con Power BI y Microsoft 365 |
| PostgreSQL o ClickHouse | Código abierto | Opciones autogestionadas para volúmenes moderados |
08 Cómo implantar un data warehouse en una pyme
- ✓Lista las preguntas de negocio que hoy cuesta responder y los KPI que las miden.
- ✓Inventaria las fuentes y comprueba si se pueden conectar por API o exportación automática.
- ✓Acuerda una definición única de cada métrica (cliente nuevo, venta neta, margen).
- ✓Empieza con dos o tres fuentes y un modelo en estrella sencillo.
- ✓Automatiza las cargas y añade controles de calidad y deduplicación.
- ✓Revisa permisos y datos personales conforme al RGPD antes de abrir el acceso.
Cuando los conectores estándar no bastan porque tienes sistemas propios o necesitas paneles dentro de tu software, lo habitual es un desarrollo web a medida que alimente el almacén y exponga los datos a quien los necesita. Y sobre un almacén bien ordenado encajan proyectos de automatización con inteligencia artificial, como consultar las ventas en lenguaje natural o recibir alertas de anomalías.
Preguntas frecuentes sobre Data Warehouse
Significa almacén de datos: un sistema que integra datos históricos de distintas fuentes de la empresa, ya depurados, para analizarlos y generar informes.
Sirve para tener una única fuente fiable de datos del negocio y consultarla rápido en informes, cuadros de mando y análisis históricos sin sobrecargar los sistemas operativos.
El data warehouse guarda datos estructurados y limpios, modelados antes de cargarse; el data lake guarda datos en bruto de cualquier formato y aplica la estructura al leerlos.
Una base de datos operacional registra la actividad diaria de una aplicación; el data warehouse integra datos de muchas bases y guarda su histórico para analizarlo.
Es un subconjunto del almacén de datos centrado en un área, como marketing o finanzas, con solo los datos que ese equipo necesita.
ETL significa extraer, transformar y cargar: el proceso que saca los datos de las fuentes, los limpia y unifica, y los carga en el almacén.
Depende del volumen y del uso. En la nube se paga por almacenamiento y por consultas o cómputo: BigQuery, por ejemplo, incluye cada mes 1 TiB de consultas y 10 GiB de almacenamiento gratis, así que una pyme puede empezar a coste casi nulo y pagar según crece.
Las más usadas son Google BigQuery, Snowflake, Amazon Redshift y Microsoft Fabric o Azure Synapse; para volúmenes pequeños también sirve PostgreSQL.
Fuentes consultadas
Sobre el autor
Development Manager en appyweb
Dirige el equipo de desarrollo de appyweb: aplicaciones web y móviles, SaaS, integraciones y arquitectura de software.
Ver perfil y artículos → Ver perfil en LinkedIn ↗