BÁSICO · 8 MÓDULOS · 64 LECCIONES

Modelado de datos para analítica

Lleva un modelo de datos plano a un warehouse analítico de verdad, con dimensiones que guardan su historia y tablas que tu equipo de BI pueda consultar sin errores.

Es para ti si
Ya tienes un modelo de hechos y dimensiones y necesitas convertirlo en un warehouse para BI.
Al terminar
Sabrás elegir entre star, snowflake o tabla ancha, historizar dimensiones con SCD y unir hechos en el punto correcto del tiempo.
Necesitas
SQL intermedio, Python básico y la guía de fundamentos de data engineering o equivalente. Todo corre local.
  1. 01From Flat Tables To Dimensional Models8 LECCIONES
    1. Presentación del módulo: de tablas planas a modelos dimensionales
    2. Qué dejó plano foundations, y por qué
    3. El proceso de cuatro pasos de Kimball
    4. Paso 1: seleccionando el proceso de negocio de Kiosko
    5. Paso 2: declarando el grano de fact_orders
    6. Pasos 3-4: hechos vs dimensiones, una definición precisa
    7. Qué cambia cuando el grano es explícito
    8. Mini-proyecto: la declaración de grano de Kiosko
  2. 02The Star Schema And Conformed Dimensions8 LECCIONES
    1. Presentación del módulo: el star schema completo y las dimensiones conformadas
    2. Anatomía de un star schema
    3. Llaves sustitutas vs llaves naturales
    4. Construyendo dim_date: el calendario de Kiosko
    5. Dimensiones conformadas a través de procesos
    6. El bus matrix: mapeando los procesos de Kiosko
    7. Ensamblando el primer star real de Kiosko
    8. Mini-proyecto: el star schema de Kiosko en DuckDB
  3. 03Star Vs Snowflake Vs One Big Table8 LECCIONES
    1. Presentación del módulo: star vs snowflake vs One Big Table
    2. Normalizando una dimensión: el snowflake schema
    3. Comparando el costo de un JOIN con EXPLAIN
    4. El argumento de la tabla ancha (One Big Table)
    5. Construyendo la OBT de ventas de Kiosko
    6. Cuándo el snowflake todavía gana
    7. Cuándo la OBT todavía gana
    8. Mini-proyecto: las tres formas de Kiosko comparadas
  4. 04Slowly Changing Dimensions8 LECCIONES
    1. Presentación del módulo: cuando una dimensión cambia con el tiempo
    2. El problema: dim_product no es estática
    3. SCD tipo 1: sobrescribe y pierde historia
    4. SCD tipo 2: historiza con valid_from/valid_to
    5. Implementando SCD tipo 2 con MERGE INTO
    6. Eligiendo tipo 1 vs tipo 2 por columna
    7. SCD tipo 3 y otras variantes, brevemente
    8. Mini-proyecto: dim_product historizada de Kiosko
  5. 05Point In Time Joins And Deduplication8 LECCIONES
    1. Presentación del módulo: uniendo hechos contra una dimensión que tiene historia
    2. Por qué unir solo por product_id rompe la historia
    3. El patrón de join punto-en-el-tiempo
    4. Dimensiones de llegada tardía
    5. De dónde vienen las filas duplicadas
    6. Deduplicando con ROW_NUMBER y QUALIFY
    7. Anti-joins para detectar qué cambió
    8. Mini-proyecto: revenue histórico correcto de Kiosko
  6. 06Accumulating And Cumulative Patterns8 LECCIONES
    1. Presentación del módulo: dos formas de hecho que no son una línea de orden
    2. El accumulating snapshot fact table
    3. Modelando el funnel de sesiones de Kiosko
    4. Actualizando milestones in-place
    5. Cumulative table design: el patrón ayer + hoy
    6. Ventanas móviles con columnas tipo arreglo
    7. Calculando activos de 7 y 30 días por tienda
    8. Mini-proyecto: funnel y actividad acumulativa de Kiosko
  7. 07Messy Domains And Medallion At Depth8 LECCIONES
    1. Presentación del módulo: el dominio feo de Kiosko, con nombre y con contrato
    2. Cuando un hecho y dos dimensiones no alcanzan
    3. Dimensiones degeneradas: order_id, a fondo
    4. Dimensiones junk: agrupando banderas de baja cardinalidad
    5. Contratos Medallion entre bronze, silver y gold
    6. Múltiples hechos, un solo calendario conformado
    7. Evolución de esquema sin romper gold
    8. Mini-proyecto: la capa gold multi-hecho de Kiosko
  8. 08Project Kioskos Analytics Warehouse8 LECCIONES
    1. Presentación del módulo: el capstone de la guía completa
    2. El brief: Kiosko necesita un warehouse real, no siete demos
    3. Reconstruyendo bronze y silver desde foundations
    4. Construyendo el star con dim_product historizada
    5. Agregando el funnel de sesiones y la actividad acumulativa
    6. Publicando la OBT mart para el equipo de dashboards
    7. Qué le falta todavía a Kiosko
    8. Mini-proyecto: el primer warehouse analítico de Kiosko
Reseñas

Lo que dicen los estudiantes

Estas reseñas son de estudiantes inscritos que completaron al menos el 50% del curso. Moderamos las reseñas solo por motivos de contenido (spam, lenguaje ofensivo, datos personales), nunca por ser críticas o negativas.

Aún no hay reseñas aprobadas.

¡Sé el primero en compartir tu experiencia!

SEC. 06 · EL ESTUDIO

Por qué existe este estudio

Durante décadas, construir software fue cosa de perfiles técnicos con años de formación, y llevar un producto digital a la vida real le tomaba a las empresas meses o años. El no-code y la inteligencia artificial han acortado esa brecha, pero el conocimiento sigue en manos de unos cuantos.

Tech Benders existe para abrir ese conocimiento, para que los equipos de negocio y los perfiles no técnicos puedan poner sus ideas en producción con las decisiones técnicas correctas detrás. La IA hace lo que le pides. Sin una base técnica, lo que construye puede no escalar con el ecosistema de tu empresa, y sus costos se disparan con el tiempo.

El equipo conoce los dolores de las organizaciones grandes y la velocidad a la que tienen que moverse. Trae arquitectura de soluciones, ingeniería de datos, producto construido de punta a punta, del backend al frontend, y trabajo diario con IA. Software que resuelve lo que necesitas en días, no en meses, con los costos de la IA bajo control.

Fundadores

El estudioConoce Tech Benders →

Escríbenoshi@techbenders.io

Hecho con Wislab