Lección 1Objetos de tienda y ubicación: Store_ID, Store_Name, Region, Country, ChannelDefine objetos de dimensión de tienda y ubicación para análisis de retail. Aprende a modelar identificadores de tienda, nombres, regiones, países y canales, y cómo estos atributos soportan reportes geográficos y de desempeño por canal.
Store_ID as the store business keyStore_Name standards and cleansingRegion and country hierarchiesChannel classification and mappingLocation attributes for filteringLección 2Claves, joins y aliases: técnicas para dimensiones conformadas y múltiples joins a la misma tablaModela claves, joins y aliases para soportar dimensiones conformadas. Aprende a unir dimensiones compartidas a múltiples hechos, evitar loops y usar aliases de tabla para representar roles o caminos diferentes en el esquema del universo.
Natural versus surrogate keys in designInner and outer join choicesCreating and using table aliasesResolving join loops with contextsValidating join paths with sample queriesLección 3Objetos centrales del universo: Sales_Revenue (sum), Units_Sold (sum), Gross_Margin (sum), Discount_Amount (sum)Diseña medidas de hechos de ventas centrales en las que los usuarios dependen. Aprende a modelar ingresos, unidades, margen y descuentos como medidas aditivas, define comportamiento de agregación y documenta reglas de negocio detrás de cada métrica en el universo.
Business definition of Sales_RevenueUnits_Sold measure and aggregation rulesGross_Margin calculation and validationDiscount_Amount sourcing and logicMeasure formatting and number scalingLección 4Objetos derivados y calculados: variables para Margin_Pct, Stock_Turnover, Days_of_Inventory, Slow_Mover_FlagCrea objetos derivados y calculados que encapsulen lógica de negocio. Aprende a construir porcentaje de margen, rotación de stock, días de inventario y banderas de slow-mover manteniendo fórmulas mantenibles y bien documentadas.
Margin_Pct formula and rounding rulesStock_Turnover calculation optionsDays_of_Inventory business definitionSlow_Mover_Flag thresholds and logicValidating derived metrics with samplesLección 5Objetos adicionales del universo: Selling_Price (detail), Cost_of_Goods_Sold (detail), Stock_Level (snapshot), Stock_Value (calculated)Modela medidas adicionales de detalle y snapshot que enriquezcan el análisis. Aprende a exponer precio de venta, costo de bienes vendidos, nivel de stock y valor de stock, y entiende cuándo usar objetos de detalle versus agregados en reportes.
Selling_Price as a detail objectCost_of_Goods_Sold sourcing and rulesStock_Level as a snapshot measureStock_Value as a calculated measureChoosing detail versus aggregated objectsLección 6Manejo de múltiples tablas de hechos: tipos de join, contextos y aliases para prevenir trampas de fan y chasmManeja múltiples tablas de hechos de forma segura dentro de un universo. Aprende estrategias de joins, contextos y aliases para evitar trampas de fan y chasm, asegurando que reportes combinados de ventas e inventario devuelvan resultados precisos sin duplicados.
Identifying fan and chasm trap patternsJoin strategies for multiple fact tablesUsing contexts to isolate fact combinationsAliases to separate incompatible joinsTesting combined sales and stock queriesLección 7Objetos de dimensión: Product_ID, SKU, Product_Category, Product_Subcategory, BrandDiseña objetos de dimensión de producto robustos para análisis. Aprende a exponer IDs, SKUs, categorías, subcategorías y marcas, maneja atributos de cambio lento y asegura rollups consistentes de producto a través de todas las tablas de hechos.
Product_ID as primary business keySKU granularity and uniquenessProduct_Category hierarchy designProduct_Subcategory relationshipsBrand attributes and reporting useLección 8Evitando conteo doble: definiendo grano claro, uso de contextos conscientes de agregados y explicación de medidas semi-aditivasEntiende cómo prevenir conteo doble en reportes agregados. Aprende a definir grano de hecho claro, usar objetos y contextos conscientes de agregados, y manejar correctamente medidas semi-aditivas como stock y balances a lo largo del tiempo.
Defining a clear and consistent fact grainAggregate-aware measures and objectsDesigning and using universe contextsSemi-additive measures across timeTesting reports for hidden double countingLección 9Objetos de tiempo: Calendar_Date, Fiscal_Year, Fiscal_Period, Week, Month_To_Date_FlagDiseña objetos de dimensión de tiempo para análisis flexible de períodos. Aprende a exponer fechas de calendario, años fiscales, períodos fiscales, semanas y banderas como mes-a-la-fecha, habilitando filtros y comparaciones basadas en tiempo consistentes.
Calendar_Date as the base time keyFiscal_Year and Fiscal_Period mappingWeek and month attributes for groupingMonth_To_Date_Flag logic and usageHandling holidays and special periodsLección 10Grano de hecho y modelado: definiendo hecho de ventas a nivel transacción vs hecho snapshot de stock, implicaciones de granoDefine y documenta grano de hecho para cada tabla. Aprende la diferencia entre hechos de ventas a nivel transacción y hechos de snapshot de stock, y cómo las elecciones de grano afectan agregaciones, caminos de perforación y desempeño de reportes.
Transaction-level sales fact definitionStock snapshot fact grain and timingGrain alignment across related factsImpact of grain on aggregationsDocumenting grain for report designersLección 11Identificar áreas temáticas: Sales fact, Stock fact, Product master, Store master, Calendar dimensionDefine las áreas temáticas de negocio que impulsan el diseño del universo. Aprende cómo datos de ventas, stock, producto, tienda y calendario se mapean a tablas de hechos y dimensiones, y cómo esta separación soporta reportes flexibles y consistentes.
Sales fact subject area definitionStock fact subject area definitionProduct master as a conformed dimensionStore master and location coverageCalendar dimension business requirementsLección 12Campos de auditoría y linaje: Data_Source, Load_Timestamp, Record_Status para troubleshooting y reconciliaciónIntroduce campos de auditoría y linaje en el universo. Aprende cómo Data_Source, Load_Timestamp y Record_Status soportan troubleshooting, reconciliación y confianza del usuario, y cómo exponerlos sin confundir a usuarios finales.
Purpose of Data_Source in reportingUsing Load_Timestamp for recency checksRecord_Status for active or deleted rowsDesigning audit objects for power usersReconciliation techniques using audit data
