Sistemas de base de datos OLAP: Cuando los datos encuentran su verdadero propósito
No siempre hace falta más información. A veces, hace falta ver mejor lo que ya tenemos.
Por qué este blog existe (y por qué debería importarte)
En los equipos con los que trabajo, es común escuchar frases como “necesitamos más dashboards” o “nos faltan datos para decidir”. Pero cuando miramos de cerca, lo que falta no es volumen, sino perspectiva. No es tecnología, es criterio.
He visto cómo decisiones importantes se paralizan entre métricas desconectadas, KPIs que se actualizan por cumplir, y sistemas que nadie termina de usar porque nadie termina de entender la diferencia entre procesar transacciones y generar insights.
Este blog nace de cuatro sesiones intensivas que transformaron mi comprensión de los sistemas de base de datos OLAP (Online Analytical Processing). No es solo un manual técnico, es la síntesis de una convicción: simplificar no es eliminar datos al azar, es clarificar intenciones.
¿Qué vas a encontrar aquí?
- Teoría que se conecta con la realidad: OLAP vs OLTP explicado desde casos reales.
- Arquitecturas que funcionan: desde el modelo estrella hasta Cloud Computing.
- Implementación práctica: BigQuery paso a paso con ejercicios reales.
- Casos de estudio completos: análisis multidimensional que genera decisiones.
- Recursos para seguir avanzando: porque este es solo el inicio.
Estructura del contenido:
Sesión teórica
- Fundamentos conceptuales: por qué OLAP cambió el juego.
- Arquitectura inteligente: cómo fluyen los datos del día a día al análisis estratégico.
- Cloud Computing real: BigQuery como herramienta, no como fin.
Sesión práctica
- Práctica estructurada: ejercicios con código y capturas reales.
- Casos que importan: análisis que generan decisiones.
Sección teórica
Los fundamentos que cambian todo
Conceptos básicos: OLAP explicado sin tecnicismos
OLAP (Online Analytical Processing) no es solo otra sigla técnica. Es un paradigma que responde a una necesidad real: convertir datos históricos en decisiones estratégicas.
Mientras los sistemas tradicionales están optimizados para registrar lo que pasa (cada venta, cada click, cada transacción), OLAP está diseñado para responder la pregunta que realmente importa: ¿qué significa lo que pasó?
El modelo multidimensional: pensar en cubos, no en tablas
Imagina que puedes ver tus datos desde múltiples perspectivas simultáneamente:
- Dimensión Tiempo: ¿cómo cambian las ventas por mes, trimestre, año?
- Dimensión Producto: ¿qué categorías generan más margen?
- Dimensión Geografía: ¿qué regiones tienen mejor performance?
- Dimensión Cliente: ¿qué segmentos son más rentables?
El cubo OLAP es la representación conceptual donde estas dimensiones se intersectan para revelar patrones que las consultas bidimensionales no pueden mostrar.
Componentes que hacen la magia
Tablas de hechos: el centro donde viven las métricas cuantificables.
- Ventas, ingresos, cantidades, márgenes.
- Siempre numéricas, siempre agregables.
- Conectadas a todas las dimensiones relevantes.
Tablas de dimensiones: el contexto que da significado a los números.
- Tiempo: fechas, meses, trimestres, años.
- Productos: categorías, marcas, precios.
- Clientes: segmentos, ubicaciones, características.
Medidas agregadas: los cálculos que revelan insights
- SUM (total de ventas).
- AVG (ticket promedio).
- COUNT (cantidad de transacciones).
- MAX/MIN (picos y valles).
Ejemplo real de análisis multidimensional
En lugar de preguntar “¿cuánto vendimos?”, puedes preguntar: “¿cuánto vendimos de laptops (producto) en Lima (geografía) durante Q4 2023 (tiempo) a empresas (segmento)?”. Y de esta manera obtener no solo el número, sino compararlo con otros productos, otras regiones, otros períodos.
Ese es el poder del análisis multidimensional: múltiples perspectivas, insights más profundos.
Arquitectura OLAP vs OLTP: dos mundos, un propósito
La diferencia entre OLAP y OLTP no es solo técnica, es filosófica. Cada uno resuelve problemas fundamentalmente diferentes. OLTP sostiene el ahora, OLAP permite diseñar el después.
OLTP: el mundo de las operaciones diarias
Ejemplo OLTP: sistema de punto de venta registrando cada compra en tiempo real.
OLAP: el mundo del análisis estratégico
Ejemplo OLAP: dashboard ejecutivo mostrando tendencias de ventas por región en los últimos 3 años.
El flujo que conecta ambos mundos
Extract, Transform, Load. Tres verbos que resumen una danza diaria entre lo operativo y lo analítico. Y entender ese flujo es entender dónde empieza el poder del dato.
Proceso ETL explicado:
- Extract: obtener datos de múltiples sistemas transaccionales
- Transform: limpiar, estandarizar y estructurar para análisis
- Load: cargar en el data warehouse con modelo optimizado para consultas
¿Por qué separar estos sistemas?
- Rendimiento: las consultas analíticas no impactan operaciones críticas.
- Propósito: cada uno optimizado para su función específica.
- Historia: OLTP mantiene datos recientes, OLAP conserva historia completa.
- Usuarios: diferentes necesidades requieren diferentes estructuras.
Cloud Computing: la revolución que democratizó el análisis
El dato dejó de estar encerrado en servidores para volverse un recurso accesible, escalable y sin fricciones. La nube no es solo un lugar: es una forma de pensar.
Los tres niveles del Cloud Computing
Infrastructure as a Service (IaaS):
- Máquinas virtuales, storage, networking.
- Control total, responsabilidad total.
- Ejemplo: Amazon EC2, Google Compute Engine.
Platform as a Service (PaaS):
- Plataforma de desarrollo y despliegue.
- Menos control, menos responsabilidad.
- Ejemplo: Google App Engine, Azure App Service.
Software as a Service (SaaS):
- Aplicaciones listas para usar.
- Máxima simplicidad, mínimo control.
- Ejemplo: Salesforce, Office 365.
Google Cloud Platform: el ecosistema integrado
Servicios de Datos GCP:
- BigQuery: data warehouse serverless (nuestro protagonista).
- Cloud Storage: data lake para cualquier tipo de archivo.
- Dataflow: procesamiento de datos en tiempo real.
- Looker Studio: visualización y dashboards.
- Cloud SQL: bases de datos relacionales administradas.
BigQuery: OLAP Serverless que escala
Ejecutar sin administrar. Consultar sin preocuparse por la infraestructura. Escalar sin perder el control. BigQuery cambió las reglas del juego porque puso el foco donde debe estar: en el análisis.
¿Por qué BigQuery cambió el juego?
Get Nat Castano’s stories in your inbox
Join Medium for free to get updates from this writer.
Serverless Real: no administras servidores, solo ejecutas consultas
- Sin instalación, sin configuración, sin mantenimiento.
- Escalamiento automático según la demanda.
- Pagas solo por lo que usas.
Performance optimizada:
- Arquitectura columnar para consultas analíticas.
- Procesamiento paralelo masivo.
- Cache inteligente para consultas repetidas.
Integración Nativa:
- Conecta directamente con herramientas de BI.
- APIs para cualquier lenguaje de programación.
- Ecosistema completo de Google Cloud.
Modelo de costos:
- Almacenamiento: $0.02 USD por GB/mes (primeros 10GB gratis).
- Consultas: $5 USD por TB procesado (primer TB gratis mensual).
- Sin costos ocultos: no pagas por tiempo de inactividad.
Casos de uso reales en BigQuery
Análisis de E-commerce:
- Análisis de embudo de conversión.
- Segmentación de clientes por comportamiento.
- Análisis de cohortes de retención.
Análisis financiero:
- Reportes regulatorios automatizados.
- Análisis de riesgo crediticio.
- Forecasting de ingresos.
Marketing analytics:
- Attribution modeling multicanal.
- Análisis de lifetime value.
- Optimización de campañas publicitarias.
Sección práctica
Aquí es donde la teoría cobra vida. Donde cada línea de código se convierte en una pregunta real: ¿qué puedo descubrir si miro distinto?
Tutorial completo: configurando tu entorno BigQuery
Paso 1: creación del proyecto en Google Cloud
1.1 Acceso a Google Cloud Console
- Ve a console.cloud.google.com
- Inicia sesión con tu cuenta de Google
- Si es tu primera vez, acepta los términos de servicio
1.2 Crear nuevo proyecto
# Pasos en la interfaz:
1. Click en el selector de proyecto (esquina superior izquierda)
2. Click en "NEW PROJECT"
3. Nombre del proyecto: "My First Project" (o el que desees)
4. Organización (dejar por defecto si es cuenta personal)
5. Click en "CREATE"
1.3 Habilitar APIs necesarias
🖱️ Navegación:
1. Menu hamburguesa → APIs & Services → Library
2. Buscar "BigQuery API"
3. Click en "BigQuery API"
4. Click en "ENABLE"Paso 2: configuración de BigQuery
2.1 Acceso a BigQuery
🖱️ Navegación en GCP Console:
1. Menu hamburguesa → BigQuery
2. Click en "Go to BigQuery Studio"
3. Primera vez: Click en "Done" en el tour introductorio
2.2 Crear dataset
-- En el editor de BigQuery:
CREATE SCHEMA `olap-analytics-bootcamp.ventas_datapath`
OPTIONS(
description="Dataset para análisis de ventas - Bootcamp OLAP",
location="US"
);
Paso 3: carga de datos de práctica
3.1 Crear tabla de ventas comerciales
-- Crear tabla con estructura completa
CREATE TABLE `olap-analytics-bootcamp.ventas_datapath.ventas_comercial` (
fecha DATE,
vendedor STRING,
cliente STRING,
producto STRING,
categoria STRING,
region STRING,
canal STRING,
cantidad INTEGER,
precio_unitario DECIMAL(10,2),
venta DECIMAL(12,2),
costo DECIMAL(12,2),
margen DECIMAL(12,2)
);
3.2 Insertar datos de muestra
-- Insertar datos representativos para análisis
INSERT INTO `olap-analytics-bootcamp.ventas_datapath.ventas_comercial` VALUES
('2023-01-15', 'Carlos Rodriguez', 'Empresa A', 'Laptop Pro', 'Tecnología', 'Lima', 'Directo', 2, 1500.00, 3000.00, 2200.00, 800.00),
('2023-01-20', 'Ana Martinez', 'Empresa B', 'Tablet Plus', 'Tecnología', 'Arequipa', 'Online', 5, 800.00, 4000.00, 3000.00, 1000.00),
('2023-02-10', 'Luis Chen', 'Empresa C', 'Mouse Gaming', 'Accesorios', 'Cusco', 'Distribuidor', 10, 150.00, 1500.00, 1000.00, 500.00),
('2023-02-15', 'María García', 'Empresa A', 'Teclado Mecánico', 'Accesorios', 'Lima', 'Directo', 3, 300.00, 900.00, 600.00, 300.00),
('2023-03-05', 'Carlos Rodriguez', 'Empresa D', 'Monitor 4K', 'Tecnología', 'Trujillo', 'Online', 1, 2000.00, 2000.00, 1500.00, 500.00),
('2023-03-12', 'Ana Martinez', 'Empresa B', 'Laptop Pro', 'Tecnología', 'Arequipa', 'Directo', 1, 1500.00, 1500.00, 1100.00, 400.00),
('2023-04-08', 'Luis Chen', 'Empresa E', 'Tablet Plus', 'Tecnología', 'Lima', 'Distribuidor', 3, 800.00, 2400.00, 1800.00, 600.00),
('2023-04-22', 'María García', 'Empresa C', 'Mouse Gaming', 'Accesorios', 'Cusco', 'Online', 8, 150.00, 1200.00, 800.00, 400.00);
Ejercicios de clase: análisis paso a paso
Ejercicio 1: análisis de ventas por región
Objetivo: identificar qué regiones generan más ingresos y cuál es su performance relativo.
-- Consulta básica: total de ventas por región
SELECT
region,
SUM(venta) AS total_ventas,
COUNT(*) AS numero_transacciones,
AVG(venta) AS ticket_promedio
FROM `olap-analytics-bootcamp.ventas_datapath.ventas_comercial`
GROUP BY region
ORDER BY total_ventas DESC;
Insight: aunque Lima tiene más transacciones, Arequipa tiene el ticket promedio más alto.
Ejercicio 2: análisis temporal de tendencias
Objetivo: entender cómo evolucionan las ventas a lo largo del tiempo.
-- Consulta con análisis temporal
SELECT
EXTRACT(MONTH FROM fecha) AS mes,
EXTRACT(QUARTER FROM fecha) AS trimestre,
SUM(venta) AS ventas_mes,
SUM(margen) AS margen_mes,
ROUND((SUM(margen) / SUM(venta)) * 100, 2) AS porcentaje_margen
FROM `olap-analytics-bootcamp.ventas_datapath.ventas_comercial`
GROUP BY mes, trimestre
ORDER BY mes;
Insight: febrero tuvo menos volumen pero mejor margen porcentual.
Ejercicio 3: segmentación por performance de vendedores
Objetivo: identificar los vendedores más eficientes y sus patrones de venta.
-- Análisis completo de performance por vendedor
SELECT
vendedor,
COUNT(*) AS numero_ventas,
SUM(venta) AS total_ventas,
AVG(venta) AS ticket_promedio,
SUM(margen) AS margen_total,
ROUND((SUM(margen) / SUM(venta)) * 100, 2) AS eficiencia_margen,
-- Segmentación por performance
CASE
WHEN SUM(venta) >= 5000 THEN 'Top Performer'
WHEN SUM(venta) >= 3000 THEN 'Good Performer'
ELSE 'Developing'
END AS categoria_vendedor
FROM `olap-analytics-bootcamp.ventas_datapath.ventas_comercial`
GROUP BY vendedor
ORDER BY total_ventas DESC;
Insight: María García tiene el margen más eficiente pero menor volumen total.
Ejercicio 4: análisis multidimensional avanzado
Objetivo: Combinar múltiples dimensiones para insights más profundos.
-- Análisis cruzado: Categoría x Canal x Región
WITH analisis_multidimensional AS (
SELECT
categoria,
canal,
region,
SUM(venta) AS ventas,
SUM(margen) AS margen,
COUNT(*) AS transacciones,
AVG(venta) AS ticket_promedio
FROM `olap-analytics-bootcamp.ventas_datapath.ventas_comercial`
GROUP BY categoria, canal, region
),
ranking_combinaciones AS (
SELECT
*,
RANK() OVER (ORDER BY ventas DESC) AS ranking_ventas,
ROUND((margen / ventas) * 100, 2) AS porcentaje_margen
FROM analisis_multidimensional
)
SELECT
categoria,
canal,
region,
ventas,
margen,
porcentaje_margen,
ranking_ventas,
transacciones,
ticket_promedio
FROM ranking_combinaciones
ORDER BY ranking_ventas;
Cuando analizamos la relación entre categoría, canal y región de forma integrada, dejamos de ver datos aislados y empezamos a descubrir patrones que hablan.
Esta mirada nos permite identificar qué combinaciones realmente generan valor: dónde el retorno es más alto, dónde hay oportunidades que aún no hemos explorado, y dónde, quizá, estamos dispersando recursos sin impacto.
Lo valioso no es solo ver lo que funciona, sino también entender por qué. Y con esa claridad, se vuelve posible invertir con intención: enfocar esfuerzos en lo que rinde, ajustar lo que no, y dejar de adivinar dónde conviene crecer.
Ya no se trata de intuición. Se trata de decidir con evidencia: qué región necesita más impulso, qué canal responde mejor por zona, qué producto está siendo una “vaca lechera” silenciosa que deberíamos escalar sin demora.
Una consulta como esta no solo optimiza presupuesto. Refina estrategia. Y en ese cruce entre datos y decisiones, empieza el verdadero impacto.
Ejercicio 5: Window Functions para análisis comparativo
Objetivo: usar funciones de ventana para comparaciones y tendencias.
-- Análisis con window functions
SELECT
fecha,
vendedor,
venta,
-- Comparación con venta anterior del mismo vendedor
LAG(venta) OVER (PARTITION BY vendedor ORDER BY fecha) AS venta_anterior,
-- Diferencia absoluta
venta - LAG(venta) OVER (PARTITION BY vendedor ORDER BY fecha) AS diferencia_venta,
-- Porcentaje de cambio
ROUND(
((venta - LAG(venta) OVER (PARTITION BY vendedor ORDER BY fecha)) /
LAG(venta) OVER (PARTITION BY vendedor ORDER BY fecha)) * 100,
2
) AS porcentaje_cambio,
-- Acumulado por vendedor
SUM(venta) OVER (PARTITION BY vendedor ORDER BY fecha ROWS UNBOUNDED PRECEDING) AS ventas_acumuladas,
-- Ranking de ventas por fecha
RANK() OVER (PARTITION BY fecha ORDER BY venta DESC) AS ranking_dia
FROM `olap-analytics-bootcamp.ventas_datapath.ventas_comercial`
ORDER BY vendedor, fecha;
Insight: tendencias individuales de cada vendedor y comparaciones day-over-day.
Casos de estudio: análisis que generan decisiones
Cada caso parte de una necesidad concreta: mejorar canales, entender clientes, anticipar tendencias. Porque el dato más poderoso no es el más complejo, sino el que responde mejor.
Caso de estudio 1: optimización de canales de venta
Contexto empresarial: la empresa necesita decidir dónde enfocar esfuerzos de marketing y ventas.
-- Análisis completo de performance por canal
WITH metricas_canal AS (
SELECT
canal,
COUNT(*) AS total_transacciones,
SUM(venta) AS ingresos_totales,
SUM(margen) AS margen_total,
AVG(venta) AS ticket_promedio,
SUM(cantidad) AS unidades_vendidas,
COUNT(DISTINCT cliente) AS clientes_unicos,
COUNT(DISTINCT vendedor) AS vendedores_activos
FROM `olap-analytics-bootcamp.ventas_datapath.ventas_comercial`
GROUP BY canal
),
efficiency_metrics AS (
SELECT
*,
ROUND((margen_total / ingresos_totales) * 100, 2) AS margen_porcentual,
ROUND(ingresos_totales / vendedores_activos, 2) AS ingresos_por_vendedor,
ROUND(total_transacciones / vendedores_activos, 2) AS transacciones_por_vendedor
FROM metricas_canal
)
SELECT
canal,
ingresos_totales,
margen_porcentual,
ticket_promedio,
clientes_unicos,
ingresos_por_vendedor,
-- Scoring compuesto para decisión
CASE
WHEN margen_porcentual >= 30 AND ticket_promedio >= 2000 THEN 'Canal Premium'
WHEN ingresos_totales >= 4000 AND margen_porcentual >= 25 THEN 'Canal Estratégico'
WHEN ticket_promedio >= 1500 THEN 'Canal Potencial'
ELSE 'Canal a Revisar'
END AS recomendacion_estrategica
FROM efficiency_metrics
ORDER BY ingresos_totales DESC;
Decisión estratégica: priorizar inversión en canales “Premium” y “Estratégico”, revisar eficiencia de otros.
Caso de estudio 2: análisis de cohortes de clientes
Contexto empresarial: entender patrones de recompra y lifetime value.
-- Análisis de comportamiento de clientes
WITH cliente_primera_compra AS (
SELECT
cliente,
MIN(fecha) AS primera_compra,
EXTRACT(MONTH FROM MIN(fecha)) AS mes_primera_compra
FROM `olap-analytics-bootcamp.ventas_datapath.ventas_comercial`
GROUP BY cliente
),
cliente_metricas AS (
SELECT
vc.cliente,
pc.primera_compra,
pc.mes_primera_compra,
COUNT(*) AS total_compras,
SUM(vc.venta) AS valor_total_cliente,
AVG(vc.venta) AS ticket_promedio_cliente,
MAX(vc.fecha) AS ultima_compra,
DATE_DIFF(MAX(vc.fecha), MIN(vc.fecha), DAY) AS dias_como_cliente
FROM `olap-analytics-bootcamp.ventas_datapath.ventas_comercial` vc
JOIN cliente_primera_compra pc ON vc.cliente = pc.cliente
GROUP BY vc.cliente, pc.primera_compra, pc.mes_primera_compra
)
SELECT
mes_primera_compra,
COUNT(*) AS clientes_cohorte,
AVG(total_compras) AS compras_promedio,
AVG(valor_total_cliente) AS valor_promedio_cohorte,
SUM(CASE WHEN total_compras > 1 THEN 1 ELSE 0 END) AS clientes_recompra,
ROUND(
(SUM(CASE WHEN total_compras > 1 THEN 1 ELSE 0 END) / COUNT(*)) * 100,
2
) AS porcentaje_retencion
FROM cliente_metricas
GROUP BY mes_primera_compra
ORDER BY mes_primera_compra;
Insight: identificar qué meses generan cohortes más valiosas y replicar esas estrategias.
Caso de estudio 3: forecasting con datos históricos
-- Análisis de tendencias para forecasting
WITH ventas_mensuales AS (
SELECT
EXTRACT(YEAR FROM fecha) AS anio,
EXTRACT(MONTH FROM fecha) AS mes,
SUM(venta) AS ventas_mes,
SUM(margen) AS margen_mes,
COUNT(*) AS transacciones_mes
FROM `olap-analytics-bootcamp.ventas_datapath.ventas_comercial`
GROUP BY anio, mes
),
tendencias AS (
SELECT
*,
LAG(ventas_mes) OVER (ORDER BY anio, mes) AS ventas_mes_anterior,
-- Cálculo de crecimiento mes a mes
ROUND(
((ventas_mes - LAG(ventas_mes) OVER (ORDER BY anio, mes)) /
LAG(ventas_mes) OVER (ORDER BY anio, mes)) * 100,
2
) AS crecimiento_mensual,
-- Promedio móvil de 3 meses
AVG(ventas_mes) OVER (ORDER BY anio, mes ROWS 2 PRECEDING) AS promedio_movil_3m
FROM ventas_mensuales
)
SELECT
anio,
mes,
ventas_mes,
crecimiento_mensual,
promedio_movil_3m,
CASE
WHEN crecimiento_mensual > 20 THEN 'Crecimiento Acelerado'
WHEN crecimiento_mensual > 0 THEN 'Crecimiento Estable'
WHEN crecimiento_mensual > -10 THEN 'Decrecimiento Controlado'
ELSE 'Alerta: Decrecimiento Fuerte'
END AS indicador_tendencia
FROM tendencias
ORDER BY anio, mes;
Recursos adicionales: tu ruta de profundización
Documentación esencial
Google BigQuery:
Fundamentos OLAP:
Cursos Complementarios
Google Cloud Training:
- Google Cloud Fundamentals — Coursera
- Data Engineering on Google Cloud — Especialización completa
- BigQuery for Data Analysts — Qwiklabs
Análisis de Datos Avanzado:
- SQL for Data Science — UC Davis
Reflexiones finales: cuando los datos empiezan a hablar, la estrategia escucha
Detrás de cada consulta hay una intención. Y detrás de cada intención, una decisión que puede transformar realidades. Lo que me dejó este viaje por los sistemas OLAP no fue solo un nuevo conjunto de herramientas; fue una comprensión más profunda de cómo los datos (bien organizados, bien interpretados) pueden ser brújula, no solo mapa.
Porque el valor real de un análisis no está en el volumen procesado ni en la complejidad del código. Está en lo que cambia después. En las conversaciones que despierta. En las prioridades que reordena. En las decisiones que, gracias a la evidencia, se vuelven más humanas porque están mejor informadas.
A veces, el desafío no es tener más datos, sino hacer que los que ya tenemos encuentren su propósito. Y eso requiere no solo técnica, sino también pausa, criterio y una voluntad genuina de mirar más allá del número.
Gracias por llegar hasta aquí. Ojalá este contenido no sea solo un recurso más en tu camino, sino un punto de inflexión: ese momento en que ver los datos de otra manera cambia la forma en que lideras, decides y haces impacto.
¿Te ha resultado útil este contenido? ¿Hay algún concepto específico que te gustaría profundizar? La construcción del conocimiento es siempre un proceso colaborativo, y tus preguntas pueden enriquecer este recurso para futuros estudiantes.
