{"id":4542,"date":"2022-06-21T19:08:11","date_gmt":"2022-06-22T03:08:11","guid":{"rendered":"https:\/\/www.gudusoft.com\/?p=4542"},"modified":"2022-06-21T19:19:42","modified_gmt":"2022-06-22T03:19:42","slug":"what-is-a-data-mart-data-warehouse","status":"publish","type":"post","link":"https:\/\/www.gudusoft.com\/es\/que-es-un-almacen-de-datos\/","title":{"rendered":"\u00bfQu\u00e9 es un Data Mart? | Data Mart vs. Data Warehouse"},"content":{"rendered":"<div class=\"fusion-fullwidth fullwidth-box fusion-builder-row-1 fusion-flex-container nonhundred-percent-fullwidth non-hundred-percent-height-scrolling\" style=\"background-color: rgba(255,255,255,0);background-position: center center;background-repeat: no-repeat;border-width: 0px 0px 0px 0px;border-color:#e8eaf0;border-style:solid;\" ><div class=\"fusion-builder-row fusion-row fusion-flex-align-items-flex-start\" style=\"max-width:1310.4px;margin-left: calc(-4% \/ 2 );margin-right: calc(-4% \/ 2 );\"><div class=\"fusion-layout-column fusion_builder_column fusion-builder-column-0 fusion_builder_column_1_1 1_1 fusion-flex-column\"><div class=\"fusion-column-wrapper fusion-flex-justify-content-flex-start fusion-content-layout-column\" style=\"background-position:left top;background-repeat:no-repeat;-webkit-background-size:cover;-moz-background-size:cover;-o-background-size:cover;background-size:cover;padding: 0px 0px 0px 0px;\"><div class=\"fusion-text fusion-text-1\" style=\"line-height:26px;\"><h2><strong>\u00bfQu\u00e9 es un Data Mart?\u00a0<\/strong><\/h2>\n<p>A <strong><a href=\"https:\/\/www.dpriver.com\/blog\/2022\/06\/21\/what-is-a-data-mart\/\">almac\u00e9n de datos<\/a><\/strong> Es un almac\u00e9n que recopila datos de datos operativos y otras fuentes de datos que sirven a un grupo espec\u00edfico de profesionales. En t\u00e9rminos de alcance, los datos se extraen de una base de datos empresarial o de una m\u00e1s especializada. <a href=\"https:\/\/www.gudusoft.com\/es\/que-es-un-almacen-de-datos-2\/\"><strong>almac\u00e9n de datos<\/strong><\/a>El objetivo de un centro de datos es satisfacer las necesidades espec\u00edficas de los grupos de usuarios profesionales en t\u00e9rminos de an\u00e1lisis, contenido, rendimiento y facilidad de uso. Los usuarios de los centros de datos esperan que los datos se representen en t\u00e9rminos con los que est\u00e1n familiarizados.<\/p>\n<h3>Almac\u00e9n de datos vs. almac\u00e9n de datos:<\/h3>\n<p>Un almac\u00e9n de datos es una colecci\u00f3n de datos integrada y tem\u00e1tica, dise\u00f1ada para respaldar la funci\u00f3n DSS (Sistema de Soporte de Decisiones). En un almac\u00e9n de datos, cada unidad de datos est\u00e1 asociada a un tiempo espec\u00edfico. Un almac\u00e9n de datos, compuesto por datos at\u00f3micos y ligeramente agregados, es una colecci\u00f3n de datos tem\u00e1tica, integrada, no actualizable (estable) y variable en el tiempo, que respalda el proceso de toma de decisiones en la gesti\u00f3n empresarial.<\/p>\n<div id=\"attachment_4548\" style=\"width: 904px\" class=\"wp-caption aligncenter\"><img aria-describedby=\"caption-attachment-4548\" decoding=\"async\" class=\"size-full wp-image-4548\" src=\"https:\/\/www.gudusoft.com\/wp-content\/uploads\/2022\/06\/Data_Mart_vs_Data_Warehouse.png\" alt=\"Data Mart vs. Data Warehouse\" width=\"894\" height=\"404\" srcset=\"https:\/\/www.gudusoft.com\/wp-content\/uploads\/2022\/06\/Data_Mart_vs_Data_Warehouse-200x90.png 200w, https:\/\/www.gudusoft.com\/wp-content\/uploads\/2022\/06\/Data_Mart_vs_Data_Warehouse-300x136.png 300w, https:\/\/www.gudusoft.com\/wp-content\/uploads\/2022\/06\/Data_Mart_vs_Data_Warehouse-400x181.png 400w, https:\/\/www.gudusoft.com\/wp-content\/uploads\/2022\/06\/Data_Mart_vs_Data_Warehouse-600x271.png 600w, https:\/\/www.gudusoft.com\/wp-content\/uploads\/2022\/06\/Data_Mart_vs_Data_Warehouse-768x347.png 768w, https:\/\/www.gudusoft.com\/wp-content\/uploads\/2022\/06\/Data_Mart_vs_Data_Warehouse-800x362.png 800w, https:\/\/www.gudusoft.com\/wp-content\/uploads\/2022\/06\/Data_Mart_vs_Data_Warehouse.png 894w\" sizes=\"(max-width: 894px) 100vw, 894px\" \/><p id=\"caption-attachment-4548\" class=\"wp-caption-text\">Data Mart vs. Data Warehouse<\/p><\/div>\n<p>El data mart es un subconjunto del almac\u00e9n de datos empresarial, orientado principalmente a negocios departamentales y enfocado \u00fanicamente en un tema espec\u00edfico. Para resolver la contradicci\u00f3n entre flexibilidad y rendimiento, un data mart es un peque\u00f1o almac\u00e9n de datos departamental o de grupo de trabajo que se incorpora a la arquitectura del almac\u00e9n de datos. Los data marts almacenan datos precalculados para usuarios espec\u00edficos con el fin de satisfacer sus necesidades de rendimiento. Pueden aliviar en cierta medida los cuellos de botella en el acceso a los almacenes de datos.<\/p>\n<h3>Caracter\u00edsticas del Data Mart:<\/h3>\n<ul>\n<li>peque\u00f1o en tama\u00f1o;<\/li>\n<li>tienen aplicaciones espec\u00edficas;<\/li>\n<li>orientado al departamento;<\/li>\n<li>definido, dise\u00f1ado y desarrollado por unidades de negocio;<\/li>\n<li>gestionados y mantenidos por unidades de negocio;<\/li>\n<li>se puede implementar r\u00e1pidamente;<\/li>\n<li>m\u00e1s barato para comprar;<\/li>\n<li>r\u00e1pida recuperaci\u00f3n de la inversi\u00f3n;<\/li>\n<li>integraci\u00f3n estrecha de conjuntos de herramientas;<\/li>\n<li>proporciona un subconjunto resumido, preexistente y m\u00e1s detallado del almac\u00e9n de datos;<\/li>\n<li>actualizable a un almac\u00e9n de datos completo;<\/li>\n<\/ul>\n<h3>La estructura de datos de un Data Mart:<\/h3>\n<p>La estructura de datos en un data mart se suele describir como una estructura en estrella o en copo de nieve. Una estructura en estrella consta de dos partes b\u00e1sicas: una tabla de hechos y varias tablas de dimensiones complementarias.<\/p>\n<h4>1.F<span class=\"Y2IQFc\" lang=\"en\">Tabla de actos<\/span><\/h4>\n<p>La tabla de hechos describe los datos m\u00e1s densos del almac\u00e9n de datos. En una compa\u00f1\u00eda telef\u00f3nica, los datos utilizados para las llamadas suelen ser los m\u00e1s densos. En los bancos, los datos relacionados con la conciliaci\u00f3n y los cajeros autom\u00e1ticos suelen ser los m\u00e1s intensivos. En el sector minorista, los datos de ventas e inventario son los m\u00e1s densos, y as\u00ed sucesivamente.<\/p>\n<p>Una tabla de hechos es una combinaci\u00f3n de varios tipos de datos que se unen previamente entre s\u00ed, incluidos: una clave principal de la entidad que refleja el prop\u00f3sito de la tabla de hechos, como un pedido, una venta, una llamada telef\u00f3nica, etc., informaci\u00f3n de clave principal, claves externas que conectan la tabla de hechos con la tabla de dimensiones y datos externos no clave transportados por las claves externas.<\/p>\n<p>Si estos datos externos no clave se utilizan con frecuencia para <strong><a href=\"https:\/\/www.gudusoft.com\/es\/habilidades-de-analista-de-datos\/\">an\u00e1lisis de datos<\/a><\/strong> in the fact table, it is included in the scope of the fact table. Fact tables are highly indexed. It is very common to have 30 to 40 indexes on a fact table. Sometimes each column of the fact table is indexed, and the result is that the data in the fact table is very easy to read. However, the number of resources required to import the index must factor into the equation. Normally, fact table data cannot be changed, but data can be entered, and once a record is entered correctly, nothing can be changed for that record.<\/p>\n<h4>2. Tabla de dimensiones<\/h4>\n<p>Las tablas de dimensiones se construyen en torno a tablas de hechos. La tabla de dimensiones contiene datos no intensivos vinculados a la tabla de hechos mediante una clave externa. Las tablas de dimensiones t\u00edpicas se basan en data marts, como cat\u00e1logos de productos, listas de clientes, listas de proveedores, etc.<\/p>\n<p>Los datos del data mart provienen del almac\u00e9n de datos empresarial. Todos los datos, con una excepci\u00f3n, deben pasar por un almac\u00e9n de datos empresarial antes de ser importados a un data mart. La excepci\u00f3n son los datos espec\u00edficos utilizados en el data mart, que no pueden utilizarse en ninguna otra parte del almac\u00e9n de datos. Los datos externos suelen incluirse en esta categor\u00eda. De no ser as\u00ed, y los datos se utilizan en otra parte del sistema de soporte de decisiones, deben pasar por el almac\u00e9n de datos empresarial.<\/p>\n<p>Los dep\u00f3sitos de datos contienen dos tipos de datos, normalmente <strong>datos detallados<\/strong> y <strong>datos agregados<\/strong>.<\/p>\n<h4>1. Datos detallados<\/h4>\n<p>Como se describi\u00f3 anteriormente, los datos detallados del data mart se encuentran en una estructura en estrella. Cabe mencionar que este esquema en estrella se agrega correctamente a medida que los datos pasan por el almac\u00e9n de datos empresarial. En este caso, el almac\u00e9n de datos empresarial contiene los datos b\u00e1sicos necesarios, mientras que el data mart contiene los datos con intervalos m\u00e1s amplios. Sin embargo, para los usuarios del data mart, los datos con estructura en estrella conservan el mismo nivel de detalle que al momento de su adquisici\u00f3n.<\/p>\n<h4>2. Datos agregados<\/h4>\n<p>El segundo tipo de datos que contiene un data mart son los datos agregados. Los analistas suelen crear diversos datos agregados a partir de datos en un esquema en estrella. Un resumen t\u00edpico podr\u00eda ser el total de ventas mensuales de los territorios de venta. Dado que la base de la agregaci\u00f3n est\u00e1 en constante evoluci\u00f3n, los datos hist\u00f3ricos se encuentran en el data mart. Sin embargo, la ventaja de estos datos hist\u00f3ricos reside en el nivel de generalizaci\u00f3n que almacenan. En el esquema en estrella se conservan muy pocos datos hist\u00f3ricos.<\/p>\n<p>Los data marts se actualizan seg\u00fan los almacenes de datos empresariales. Es habitual que se actualicen aproximadamente una vez por semana. Sin embargo, el tiempo de actualizaci\u00f3n puede ser inferior o superior a una semana, lo cual depende principalmente de las necesidades del departamento al que pertenece.<\/p>\n<h3>Tipos de Data Mart:<\/h3>\n<h4>1. Independiente<\/h4>\n<p>Los datos del data mart independiente provienen de la base de datos operativa, que es un entorno anal\u00edtico dise\u00f1ado para satisfacer las necesidades de usuarios espec\u00edficos. El ciclo de desarrollo de este tipo de data mart suele ser corto y flexible, pero al estar separado del almac\u00e9n de datos, un data mart independiente puede generar islas de informaci\u00f3n, impidiendo el an\u00e1lisis global de los datos.<\/p>\n<h4>2. Subordinado<\/h4>\n<p>Los datos del almac\u00e9n de datos subordinado provienen del almac\u00e9n de datos de la empresa, lo que prolongar\u00e1 el ciclo de desarrollo, pero el almac\u00e9n de datos subordinado es m\u00e1s estable en arquitectura que el almac\u00e9n de datos independiente, lo que puede mejorar la <strong><a href=\"https:\/\/www.gudusoft.com\/es\/como-mejorar-la-calidad-de-los-datos\/\">calidad de los datos<\/a><\/strong> analizar y garantizar la consistencia de los datos.<\/p>\n<h3>Ventajas del Data Mart:<\/h3>\n<ul>\n<li>Es una de las alternativas m\u00e1s rentables para los almacenes de datos donde solo es necesario procesar un peque\u00f1o subconjunto de datos.<\/li>\n<li>Separar los datos de las fuentes har\u00e1 que los almacenes de datos sean eficientes porque un grupo espec\u00edfico de personas puede trabajar con datos de una fuente espec\u00edfica, en lugar de que todos usen el almac\u00e9n de datos.<\/li>\n<li>Si sabemos a qu\u00e9 subconjunto necesitamos acceder, podemos utilizar almacenes de datos para acceder a los datos m\u00e1s r\u00e1pidamente.<\/li>\n<li>M\u00e1s f\u00e1cil de usar para que los usuarios finales puedan consultarlo f\u00e1cilmente.<\/li>\n<li>Debido a que los datos est\u00e1n segregados en grupos, lleva menos tiempo ingresar al almac\u00e9n de datos en tiempo de implementaci\u00f3n que a un almac\u00e9n de datos.<\/li>\n<li>Los datos hist\u00f3ricos de temas espec\u00edficos se pueden utilizar para facilitar el an\u00e1lisis de tendencias.<\/li>\n<\/ul>\n<h3>Pasos para implementar un Data Mart:<\/h3>\n<h4>Paso 1. Dise\u00f1o:<\/h4>\n<p>Este ser\u00e1 el primer paso de la implementaci\u00f3n, en el que se identifican todas las tareas y fuentes necesarias para recopilar informaci\u00f3n t\u00e9cnica y comercial. Posteriormente, se implementa un plan l\u00f3gico que, tras su revisi\u00f3n, se convierte en un plan f\u00edsico. Adem\u00e1s, aqu\u00ed se decide la estructura l\u00f3gica y f\u00edsica de los datos, as\u00ed como la partici\u00f3n de los datos y de campos como la fecha o cualquier otro archivo.<\/p>\n<h4>Paso 2. Construcci\u00f3n:<\/h4>\n<p>Esta es la segunda etapa de la implementaci\u00f3n. La generaci\u00f3n de la base de datos f\u00edsica con la ayuda del RDBMS se determina como parte del proceso de dise\u00f1o y la estructura l\u00f3gica. Se crean todos los objetos como esquemas, \u00edndices, tablas, vistas, etc.<\/p>\n<h4><strong>Paso 3. Relleno:<\/strong><\/h4>\n<p>Esta es la tercera etapa, donde se rellenan los datos a medida que se obtienen. Todas las transformaciones necesarias se implementan antes de rellenarlos.<\/p>\n<h4><strong>Paso 4. Acceso:\u00a0<\/strong><\/h4>\n<p>Este es el siguiente paso de la implementaci\u00f3n: usaremos los datos completados para realizar consultas y crear un informe. Los usuarios finales utilizan este paso para comprender los datos mediante la consulta.<\/p>\n<h4>Paso 5. Gesti\u00f3n:<\/h4>\n<p>Esta es la etapa final de la implementaci\u00f3n del almac\u00e9n de datos, donde se manejan tareas como administraci\u00f3n de acceso, optimizaci\u00f3n y ajuste del sistema, administraci\u00f3n y adici\u00f3n de nuevos datos al almac\u00e9n de datos y planificaci\u00f3n de escenarios de recuperaci\u00f3n para manejar cualquier escenario de falla.<\/p>\n<h3>Conclusi\u00f3n<\/h3>\n<p>Gracias por leer nuestro art\u00edculo y esperamos que lo hayas disfrutado. Si quieres saber m\u00e1s sobre... <strong><a href=\"https:\/\/www.gudusoft.com\/es\/category\/data-governance-101\/\">gobernanza de datos<\/a><\/strong>Nos gustar\u00eda aconsejarle que visite <strong><a href=\"https:\/\/www.gudusoft.com\/es\/\">Flujo de SQL de Gudu<\/a><\/strong> Para m\u00e1s informaci\u00f3n.<\/p>\n<p>Como uno de los\u00a0<strong><a href=\"https:\/\/www.dpriver.com\/blog\/2022\/05\/11\/best-data-lineage-tools\/\" target=\"_blank\" rel=\"noopener noreferrer\">Las mejores herramientas de linaje de datos<\/a><\/strong>\u00a0Disponible en el mercado hoy en d\u00eda, Gudu SQLFlow no solo puede analizar archivos de script SQL, obtener <strong><a href=\"https:\/\/www.gudusoft.com\/es\/que-son-los-datos-de-linaje-y-por-que-son-importantes\/\">linaje de datos<\/a><\/strong>, y realizar una visualizaci\u00f3n, pero tambi\u00e9n permitir a los usuarios proporcionar el linaje de datos en formato CSV y realizar una visualizaci\u00f3n.\u00a0<strong>(Publicado por Ryan el 22 de junio de 2022)<\/strong><\/p>\n<\/div><\/div><\/div><style type=\"text\/css\">.fusion-body .fusion-builder-column-0{width:100% !important;margin-top : 0px;margin-bottom : 0px;}.fusion-builder-column-0 > .fusion-column-wrapper {padding-top : 0px !important;padding-right : 0px !important;margin-right : 1.92%;padding-bottom : 0px !important;padding-left : 0px !important;margin-left : 1.92%;}@media only screen and (max-width:1024px) {.fusion-body .fusion-builder-column-0{width:100% !important;}.fusion-builder-column-0 > .fusion-column-wrapper {margin-right : 1.92%;margin-left : 1.92%;}}@media only screen and (max-width:640px) {.fusion-body .fusion-builder-column-0{width:100% !important;}.fusion-builder-column-0 > .fusion-column-wrapper {margin-right : 1.92%;margin-left : 1.92%;}}<\/style><\/div><style type=\"text\/css\">.fusion-body .fusion-flex-container.fusion-builder-row-1{ padding-top : 0px;margin-top : 0px;padding-right : 0px;padding-bottom : 0px;margin-bottom : 0px;padding-left : 0px;}<\/style><\/div>","protected":false},"excerpt":{"rendered":"","protected":false},"author":27,"featured_media":4573,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":[],"categories":[178],"tags":[193,187,191,188,190,189,157,192],"_links":{"self":[{"href":"https:\/\/www.gudusoft.com\/es\/wp-json\/wp\/v2\/posts\/4542"}],"collection":[{"href":"https:\/\/www.gudusoft.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.gudusoft.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.gudusoft.com\/es\/wp-json\/wp\/v2\/users\/27"}],"replies":[{"embeddable":true,"href":"https:\/\/www.gudusoft.com\/es\/wp-json\/wp\/v2\/comments?post=4542"}],"version-history":[{"count":29,"href":"https:\/\/www.gudusoft.com\/es\/wp-json\/wp\/v2\/posts\/4542\/revisions"}],"predecessor-version":[{"id":4574,"href":"https:\/\/www.gudusoft.com\/es\/wp-json\/wp\/v2\/posts\/4542\/revisions\/4574"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.gudusoft.com\/es\/wp-json\/wp\/v2\/media\/4573"}],"wp:attachment":[{"href":"https:\/\/www.gudusoft.com\/es\/wp-json\/wp\/v2\/media?parent=4542"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.gudusoft.com\/es\/wp-json\/wp\/v2\/categories?post=4542"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.gudusoft.com\/es\/wp-json\/wp\/v2\/tags?post=4542"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}