DifícilOpción múltiple

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?

Elige la mejor respuesta.

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.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Usar DirectQuery para StockPrices (CSV) e importar las otras tablas.

DirectQuery no es compatible con archivos CSV porque CSV es un archivo plano sin un motor de consulta subyacente para que Power BI envíe consultas; los datos CSV deben importarse al modelo en memoria. Incluso si existiera un conector, DirectQuery en un conjunto de datos financieros grande enviaría una consulta a la fuente para cada interacción visual, lo que causaría una degradación severa del rendimiento y una mala experiencia de usuario. Este enfoque también impide el uso de transformaciones de Power Query que requieren que los datos se carguen y etapen en el modelo.

B

Incorrecta

Importar solo StockPrices y Company, y usar la característica de fecha/hora automática; ignorar los datos de Earnings.

Excluir los datos de Earnings elimina métricas financieras críticas (por ejemplo, EPS, sorpresas de ingresos) que los analistas necesitan para correlacionar con los movimientos de los precios de las acciones, dejando al modelo incapaz de responder preguntas comerciales principales. Depender de la característica de fecha/hora automática crea tablas de fechas ocultas generadas por el sistema que inflan el modelo y pueden conducir a relaciones ambiguas entre los campos de fecha, mientras que una tabla de fechas definida por el usuario con CALENDAR ofrece inteligencia de tiempo consistente y controlada. Esta opción también no establece relaciones entre Earnings y otras tablas, haciendo imposible integrar los datos de ganancias incluso si se agregaran más tarde.

C

Correcta

Importar 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.

Importar todas las tablas a la memoria aprovecha la compresión columnar de alto rendimiento y la evaluación DAX de Power BI, haciendo que las consultas sean rápidas incluso en grandes volúmenes. Una tabla de fechas dedicada creada con CALENDAR (o CALENDARAUTO) y marcada como tabla de fechas garantiza una inteligencia de tiempo precisa y evita las penalizaciones de rendimiento de fecha/hora automática. Las relaciones establecidas forman un esquema en estrella: StockPrices se une a DateTable y Company, mientras que Earnings se une a Company, creando rutas de filtro limpias. Dado que Earnings puede tener varios registros por fecha (en varias empresas), una tabla puente permite una relación de muchos a muchos entre Earnings y DateTable, permitiendo filtrar ambos hechos correctamente sin duplicación de datos ni ambigüedad.

D

Incorrecta

Importar todas las tablas, luego en Power Query fusionar StockPrices con Company y Earnings en una sola tabla plana utilizando uniones externas izquierdas (left outer joins).

Fusionar StockPrices, Company y Earnings en una sola tabla plana en Power Query crea una estructura desnormalizada con redundancia masiva: los atributos de la empresa y los campos de ganancias se repiten para cada fila de precio de acciones, inflando el tamaño del modelo y degradando la eficiencia de compresión. Este diseño destruye el esquema en estrella relacional, haciendo que la transición de contexto DAX y la propagación de filtros sean más lentas y engorrosas de razonar. También complica la actualización incremental y el mantenimiento del modelo, ya que cualquier cambio en los datos de origen requiere volver a procesar toda la tabla fusionada. Por el contrario, un modelo normalizado con tablas de hechos y dimensiones separadas produce soluciones de Power BI más pequeñas, rápidas y fáciles de mantener.

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.