Blog

En ocasiones necesitamos categorizar nuestros datos en rangos. Por ejemplo: clientes por rango de edad, las ventas según su volumen, o agrupar bajo un mismo concepto un rango de cuentas contables. En esta entrada de blog explicaremos como crear y usar funciones para agrupar valores numéricos en categorías en Power Query.

En esta entrada veremos los archivos KML y como desde Power BI Desktop podemos conectarnos a ellos usando el conector de XML, transformarlos y crear visualizaciones con mapas.

En la demostración Elecciones Generales de abril 2019 utilizamos una página de Wikipedia como fuente de datos y queríamos que no transcurriera mucho tiempo desde que se actualizara está página hasta que lo hiciera el conjunto de datos. Una forma de hacerlo es con una Azure Logic App que utilice la API REST de Power BI.

En una entrada anterior se estudiaron los distintos orígenes de datos a los que es posible conectarse desde Power Query y las categorías en que se agrupaban: Archivo, Base de datos, Power BI, Azure, Servicios en línea y Otros. La categoría Base de datos proporciona conexión a un amplio conjunto de bases de datos, entre las que se encuentran Oracle, MySQL, Access, SQL Server, etc. En esa misma entrada se vieron ejemplos de como conectarse a las bases de datos MySQL y Microsoft Access. En la entrada de hoy se analizará como conectarse a SQL Server desde Power BI Desktop y Excel 2016.

En la entrada Transformar datos con Power Query vimos que la mayoría de las transformaciones que llevamos a cabo en el editor de consulta las podemos realizar de forma asistida, usando la interfaz gráfica, pero en ocasiones necesitamos crear funciones personalizadas en Power Query para realizar algunas transformaciones que de otra forma no serían posibles.

Para crear funciones personalizadas en Power Query debemos conocer el lenguaje que está por debajo del editor de consultas, informalmente conocido como M.

Las funciones DAX SUM y SUMX calculan la suma de valores numéricos y cuando pensamos en crear una medida de este tipo pueden surgir dudas entre cuál de las dos utilizar. En esta entrada de blog las compararemos desde varios puntos de vista como la descripción, la sintaxis, la forma en que operan y los resultados que devuelven, además de mostrar algunos ejemplos de su uso. Esperamos que cuando tengas necesidad de realizar este cálculo te resulte más sencilla la elección.

Dentro de las transformaciones para la preparación de los datos en Power Query está Combinar datos. Es una transformación muy útil cuando queremos integrar datos que provienen de distintos orígenes. En la actualización de Power BI Desktop de octubre de 2018 se adicionó la opción de combinar consultas con coincidencias aproximadas (fuzzy matching). En esta entrada explicaremos un caso de uso donde se ha utilizado esta nueva opción.

DAX (Data Analysis Expressions) es un lenguaje específico para análisis de datos creado por Microsoft en el año 2010 para ser usado con un modelo de datos tabular y que se puede usar en Excel, Analysis Services y Power BI.

Al desarrollar un proyecto de BI con Microsoft Excel o Microsoft Power BI Desktop, debemos comenzar con los siguientes pasos:

1. conectarnos a los orígenes de datos
2. transformar los datos
3. cargar los datos en el modelo.

Leer más

Antes de crear un modelo de datos debemos hacer un análisis de la información que se quiere mostrar para determinar qué datos nos hacen falta, donde se encuentran, en qué tipo de soporte están almacenados y como conectarnos a ellos.