Pregunta de práctica de PL-300
Eres un desarrollador de Power BI para una empresa de servicios financieros. Estás preparando datos de múltiples fuentes: un archivo CSV que contiene precios diarios de acciones (ticker, date, close_price), una base de datos de SQL Server con información de la empresa (ticker, company_name, sector) y un archivo de Excel con datos de ganancias trimestrales (ticker, quarter, earnings_per_share). El archivo CSV tiene 5 años de datos diarios (aprox. 1,3 millones de filas). La tabla de SQL Server tiene 5000 filas. El archivo de Excel tiene 20 000 filas. Necesitas crear un modelo de datos que permita a los usuarios filtrar por sector, empresa y rango de fechas, y calcular medias móviles de los precios de las acciones y comparar las ganancias a lo largo del tiempo. El rendimiento es fundamental. Debes decidir el mejor enfoque para combinar y modelar estos datos. ¿Qué debes hacer?
Respuesta correcta
- CImportar todas las tablas, crear una tabla de fechas con CALENDAR y establecer relaciones: StockPrices[Date] -> DateTable[Date], StockPrices[Ticker] -> Company[Ticker], Earnings[Ticker] -> Company[Ticker], y crear una relación de muchos a muchos entre Earnings y DateTable usando una tabla puente.
Explicación
Importar todas las tablas al motor VertiPaq en memoria garantiza un rendimiento óptimo para grandes conjuntos de datos (1,3 millones de filas) y cálculos complejos como las medias móviles. Crear una tabla de fechas independiente con CALENDAR permite una inteligencia de tiempo adecuada, mientras que la tabla puente resuelve la relación de muchos a muchos entre las ganancias trimestrales y las fechas diarias, lo que permite un filtrado preciso por sector, empresa y rango de fechas sin degradación del rendimiento.
Para profundizar
Esta pregunta evalúa el principio central de modelado de datos de Power BI del diseño de esquema en estrella (star schema), que separa las tablas de hechos que contienen medidas (como StockPrices) de las tablas de dimensiones descriptivas (Company, Date) para permitir una agregación y un filtrado eficientes. Una sutileza crítica es el manejo de relaciones de muchos a muchos: cuando una tabla de hechos como Earnings contiene fechas que no se alinean uno a uno con las fechas de StockPrices, una simple relación de uno a muchos de DateTable se filtraría incorrectamente. El uso de una tabla puente (bridge table), como una lista distinta de fechas o una tabla de referencia cruzada, permite filtrar ambos hechos por la misma dimensión de fecha preservando el rendimiento del modelo. Un error común es pensar que fusionar tablas en Power Query simplifica el modelo, pero en realidad aumenta la sobrecarga de almacenamiento y computación; el modo de importación con un esquema en estrella adecuado y una tabla de fechas personalizada es casi siempre óptimo para la analítica financiera. Además, DirectQuery solo es viable para fuentes con un motor de consultas potente (por ejemplo, SQL Server) y conjuntos de resultados pequeños: los archivos CSV son estrictamente de solo importación, y intentar DirectQuery en ellos falla o produce un rendimiento pésimo. Finalmente, comprender los inconvenientes de la función de fecha/hora automática es esencial: genera tablas de fechas ocultas que pueden ralentizar modelos grandes y crear relaciones ambiguas, por lo que los desarrolladores de Power BI deben crear proactivamente una tabla de fechas basada en CALENDAR y marcarla como tabla de fechas.
Sobre estas preguntas de práctica
Esta es una de las preguntas de práctica originales de PL-300 de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.
Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.