Saltar al contenido
Henry Rincón
CV (PDF)

Métodos · Tema T7

Cómo se debe diseñar una solución de BI que la gente sí use

Se imprime completa desde el navegador, en A4 o en carta.

Bloque 1

El problema

Diseñar un modelo semántico y los tableros que se apoyan en él para que quien decide los use de verdad: que vuelva a ellos en cada ciclo de decisión, confíe en cada cifra y no tenga que preguntar cómo se calculó.

Síntesis en tres líneas

  1. Se empieza por la decisión, no por los datos disponibles: quién decide, con qué frecuencia y qué acción sigue a una cifra. La adopción se formula como hipótesis de diseño desde el comienzo y se valida en la operación; a veces la respuesta no es un tablero, sino una alerta, una aplicación o un modelo.
  2. El significado vive en el modelo semántico de Power BI: un esquema en estrella con el grano declarado, toda la preparación en Power Query y cada indicador como una sola medida DAX, con su definición acordada y su responsable. La seguridad por fila y el modo de almacenamiento se deciden al diseñar, no al publicar.
  3. Ninguna cifra se publica sin un control que pueda fallar —una línea base independiente, identidades que cierran, una conciliación externa—, y después de publicar la adopción se mide con señales de uso real, no con visitas; lo que perdió su función se retira.
Bloque 2

El mapa

De la decisión al modelo semántico, y del tablero publicado a la adopción medida

Desliza para ver el mapa completo.

De la decisión al modelo semántico, y del tablero publicado a la adopción medidaTodo empieza en una decisión y en quien la toma: esa decisión pide fuentes cuya procedencia se conserva. Power Query las prepara antes de la primera medida, y una línea base independiente lee los archivos crudos para predecir lo que el modelo tiene que cargar. El modelo en estrella, con su grano declarado, sostiene una medida DAX por indicador; esas medidas alimentan un tablero escrito como código y también las leen aplicaciones y agentes, en vez de reinterpretar la tabla. Quien usa el tablero lo ve filtrado por la seguridad por fila y aprende a leerlo con una formación sobre sus propios productos. El uso real deja señales de adopción; esa evidencia decide si el producto se mejora, se integra o se retira, y lo que se aprende vuelve a la decisión.La decisión yquien la toma1Fuentes conprocedencia2Preparación enPower Query3Estrella y sugrano4Medidas DAXacordadas5Tablero comocódigo6Línea baseindependiente7Aplicaciones yagentes8Seguridad porfila9Quien usa eltablero10Mejorar, integraro retirar11Señales deadopción12Formación sobresus productos13

Leyenda de formas y colores

  • Actor — quien hace el trabajo
  • Dato — lo que se guarda y se lee
  • Control — una regla que se comprueba
  • Persona — una persona decide
  • Externo — lo que viene de afuera

Lectura del mapa, nodo por nodo

Todo empieza en una decisión y en quien la toma: esa decisión pide fuentes cuya procedencia se conserva. Power Query las prepara antes de la primera medida, y una línea base independiente lee los archivos crudos para predecir lo que el modelo tiene que cargar. El modelo en estrella, con su grano declarado, sostiene una medida DAX por indicador; esas medidas alimentan un tablero escrito como código y también las leen aplicaciones y agentes, en vez de reinterpretar la tabla. Quien usa el tablero lo ve filtrado por la seguridad por fila y aprende a leerlo con una formación sobre sus propios productos. El uso real deja señales de adopción; esa evidencia decide si el producto se mejora, se integra o se retira, y lo que se aprende vuelve a la decisión.

  1. Nodo 1 La decisión y quien la toma (Persona) — Quién decide, con qué frecuencia y qué acción sigue a la cifra: el punto de partida del diseño.
  2. Nodo 2 Fuentes con procedencia (Externo) — Cada archivo con su organismo, su periodo y su fecha de descarga, para reconstruir el recorrido de cada cifra.
  3. Nodo 3 Preparación en Power Query (Control) — Toda la transformación antes de la primera medida: tipos, duplicados, faltantes y desacumulados, a la vista y versionados.
  4. Nodo 4 Estrella y su grano (Dato) — Dimensiones para filtrar y agrupar, hechos para resumir, y el grano de cada tabla de hechos escrito antes de la primera medida.
  5. Nodo 5 Medidas DAX acordadas (Dato) — Cada indicador con una definición acordada, un responsable y una regla de cálculo que todos los reportes reutilizan.
  6. Nodo 6 Tablero como código (Dato) — Páginas y visuales generados desde un solo juego de medidas, versionados y revisables como cualquier cambio.
  7. Nodo 7 Línea base independiente (Control) — Un script aparte predice conteos y cifras de control desde los archivos crudos, antes de que el modelo se refresque.
  8. Nodo 8 Aplicaciones y agentes (Actor) — Consumidores nuevos: leen la medida gobernada en vez de reconstruir la métrica por su cuenta.
  9. Nodo 9 Seguridad por fila (Control) — Filtros sobre las dimensiones, probados suplantando cada rol antes de publicar.
  10. Nodo 10 Quien usa el tablero (Persona) — Cada audiencia lee la misma cifra con la profundidad que pide su responsabilidad.
  11. Nodo 11 Mejorar, integrar o retirar (Control) — Cada cambio pedido se evalúa contra el propósito del producto; lo que perdió su función se retira.
  12. Nodo 12 Señales de adopción (Control) — Recurrencia, profundidad de uso, sustitución, conversación, acción y resultado: uso real, no visitas.
  13. Nodo 13 Formación sobre sus productos (Persona) — Quien usa el tablero aprende a leer la medida, a cuestionarla y a hacer la siguiente pregunta.

Conexiones

  • de La decisión y quien la toma a Fuentes con procedencia (pide)
  • de Fuentes con procedencia a Preparación en Power Query
  • de Fuentes con procedencia a Línea base independiente (crudo)
  • de Preparación en Power Query a Estrella y su grano (carga)
  • de Línea base independiente a Estrella y su grano (predice)
  • de Estrella y su grano a Medidas DAX acordadas
  • de Medidas DAX acordadas a Tablero como código (alimenta)
  • de Medidas DAX acordadas a Aplicaciones y agentes (la leen)
  • de Tablero como código a Quien usa el tablero (presenta)
  • de Seguridad por fila a Quien usa el tablero (filtra)
  • de Formación sobre sus productos a Quien usa el tablero (forma)
  • de Quien usa el tablero a Señales de adopción (uso real)
  • de Señales de adopción a Mejorar, integrar o retirar (evidencia)
  • de Mejorar, integrar o retirar a La decisión y quien la toma (vuelve a la decisión)
Bloque 3

Las fases

  1. Fase 1

    Partir de la decisión y de quien la toma

    Entradas

    • El proceso y las decisiones que el dato debe sostener.
    • Las audiencias y lo que cada una ya usa para decidir.

    Actividades

    • Identificar quién decide, con qué frecuencia, qué información usa hoy y cuánto tiempo conserva valor esa información.
    • Elegir el instrumento: un tablero para explorar y comparar; una alerta, una aplicación o un modelo cuando la decisión pide otra cosa.
    • Escribir la adopción esperada como hipótesis: quién la usará, para qué decisión y cada cuánto.

    Artefactos

    • La ficha de la decisión: audiencia, frecuencia y acción.
    • La hipótesis de adopción.
    Quién decide
    El responsable del proceso.
    Control que cierra la fase
    Si nadie puede nombrar la decisión que el tablero respalda, el tablero no se construye.
    Evidencia

    En la Fundación CTIC cada uno de los más de 25 productos analíticos nace de la pregunta de un líder de proceso y no de una tabla disponible; por eso se puede afirmar que los usan unos 20 líderes de unos 15 procesos, y no solo que están publicados.

  2. Fase 2

    Preparar los datos en Power Query, con su procedencia

    Entradas

    • Las fuentes y su documentación.
    • Las trampas conocidas de cada origen.

    Actividades

    • Conservar el archivo, el periodo, el organismo y la fecha de descarga de cada fuente.
    • Separar la conexión, la preparación y la construcción de las tablas del modelo, y resolver tipos, duplicados, faltantes y acumulados antes de la primera medida.
    • Correr una línea base independiente que prediga desde los archivos crudos los conteos y las cifras de control que el modelo tiene que cargar.

    Artefactos

    • Las consultas de Power Query, versionadas.
    • La línea base con sus predicciones.
    Quién decide
    Quien responde por el modelo.
    Control que cierra la fase
    El conteo que carga el modelo coincide con el que predijo la línea base; una diferencia sin explicación detiene el refresco.
    Evidencia

    En el tablero del gasto público, la línea base en Python sobre los archivos crudos detectó por aritmética un desacumulado que perdía dos de cada tres pesos —19 filas por serie donde solo caben 12 meses— antes de que llegara a Power BI.

  3. Fase 3

    Diseñar el modelo semántico en Power BI: estrella, grano y medidas DAX

    Entradas

    • Las tablas preparadas.
    • Las definiciones acordadas con el negocio.

    Actividades

    • Fijar la unidad de análisis y el grano de cada tabla de hechos antes de escribir una medida.
    • Separar las dimensiones, que filtran y agrupan, de los hechos, que se resumen, con relaciones de uno a muchos.
    • Escribir cada indicador como una medida DAX explícita, sin columnas calculadas, con su definición y su responsable.
    • No relacionar dos tablas de hechos cuyos perímetros o claves no cruzan: se conforman solo por las dimensiones que comparten.

    Artefactos

    • El modelo en estrella.
    • El catálogo de medidas, cada una con su definición y su responsable.
    Quién decide
    El negocio acuerda la definición; el modelo la convierte en regla.
    Control que cierra la fase
    Las identidades que garantiza el origen cierran sobre el universo completo, no sobre una muestra.
    Estado del campo

    Microsoft pide que cada tabla del modelo sea de dimensión o de hechos, sin mezclarlas, y que cada tabla de hechos cargue siempre con un grano consistente: las dimensiones filtran y agrupan, los hechos resumen.[1]

  4. Fase 4

    Proteger, verificar y medir el rendimiento antes de publicar

    Entradas

    • El modelo semántico con sus medidas.
    • Quién puede ver qué.

    Actividades

    • Definir la seguridad por fila sobre las dimensiones y probar cada rol suplantándolo.
    • Elegir el modo de almacenamiento por la frescura, el volumen y el costo que pide cada uso.
    • Medir las consultas y las medidas costosas con DAX Studio antes y después de cada ajuste, y ordenar el modelo con Tabular Editor.
    • Conciliar la cifra de control con una fuente externa, cuando existe.

    Artefactos

    • Los roles probados.
    • Las mediciones de antes y después.
    Quién decide
    Quien responde por el modelo.
    Control que cierra la fase
    Un rol que no se probó suplantándolo no se publica, y una medida lenta se corrige antes de que la audiencia la sufra.
    Evidencia

    En Banco Pichincha, en 2023, DAX Studio sirvió para identificar cálculos costosos y comparar antes y después de cada ajuste, y Tabular Editor para ordenar los modelos semánticos que usaban más de 50 usuarios.

  5. Fase 5

    Escribir el tablero como código y versionarlo

    Entradas

    • El modelo verificado.
    • La paleta, los textos y la jerarquía de la decisión.

    Actividades

    • Generar las páginas y los visuales desde un solo juego de medidas, con la jerarquía visual de la decisión.
    • Validar antes de abrir Power BI: referencias de campo, colores de la paleta y textos que caben en su caja.
    • Versionar el modelo y el reporte en Git, y dejar la revisión humana del render como última capa.

    Artefactos

    • El proyecto versionado, con el reporte y el modelo como texto.
    • El validador y su resultado.
    Quién decide
    Quien aprueba el render.
    Control que cierra la fase
    Ningún tablero se publica con una referencia rota entre reporte y modelo ni sin revisión humana del render.
    Evidencia

    En los seis tableros de datos abiertos, el reporte en PBIR se escribe con Python desde un solo juego de medidas, con un script que falla ante un color huérfano, un enlace roto o un texto sin traducir; en energía y clima quedaron 0 de 354 referencias rotas entre reporte y modelo.

  6. Fase 6

    Formar, observar el uso y retirar lo que perdió su función

    Entradas

    • El tablero publicado y su audiencia.
    • La hipótesis de adopción.

    Actividades

    • Formar sobre los productos propios de cada audiencia, con la profundidad que pide su responsabilidad.
    • Observar quién usa el producto, qué preguntas aparecen y dónde hay fricción.
    • Evaluar cada cambio pedido contra el propósito del producto y retirar lo que dejó de aportar valor, avisando a sus usuarios.

    Artefactos

    • El programa de formación.
    • La lectura de las señales de adopción y la decisión de mejorar, integrar o retirar.
    Quién decide
    El responsable del proceso, con quien responde por el portafolio analítico.
    Control que cierra la fase
    Antes de un producto nuevo se pregunta si cabe sobre un modelo que ya existe.
    Evidencia

    En Banco Pichincha la formación se diseñó junto con los tableros, para 12 profesionales y sobre sus propios productos, y contribuyó a mejorar un 20 % la productividad en la preparación y el uso de la información.

Bloque 4

Las decisiones de diseño

  1. Cómo se diseña el modelo semántico en Power BI: estrella y grano declarado

    Cuándo sí
    Siempre que haya hechos que resumir y entidades que filtrar: el modelo semántico de Power BI lleva las dimensiones de un lado, los hechos del otro y cada tabla de hechos con un grano consistente.
    Cuándo no
    Una tabla plana copiada del sistema de origen, o dos hechos relacionados entre sí cuando sus perímetros o sus claves no cruzan: ahí la relación honesta es ninguna.

    Por qué

    Evidencia

    Los seis tableros de datos abiertos son modelos en estrella —16 tablas en banca, 25 en la Fórmula 1—, y en banca los cuatro hechos no se relacionan entre sí porque tienen perímetros distintos.

    Criterio

    En el diseño del modelo semántico, el grano se escribe antes que la primera medida: una relación entre granos distintos duplica cifras que siguen pareciendo plausibles.

  2. Medidas DAX explícitas y preparación en Power Query, sin columnas calculadas

    Cuándo sí
    Toda transformación de filas va a Power Query, donde se ve, se versiona y se prueba; en DAX queda lo que depende del contexto de filtro: las medidas.
    Cuándo no
    Una columna calculada solo cuando la fórmula necesita evaluar medidas o una función que solo existe en DAX, como las de jerarquías padre-hijo.

    Por qué

    Evidencia

    Ninguno de los seis tableros de datos abiertos tiene una columna calculada: suman 329 medidas DAX, y la preparación —24 consultas en el ciclo monetario, 33 en la Fórmula 1— vive en Power Query.

    Estado del campo

    Microsoft explica que una columna calculada en DAX suele comprimirse peor y se construye después de cargar todas las tablas, y por eso prefiere la columna personalizada de Power Query.[2]

  3. Importación, Direct Lake o DirectQuery, y la trampa de la seguridad por fila

    Cuándo sí
    Importación cuando el volumen cabe en memoria y la cifra debe ser estable; Direct Lake sobre OneLake cuando el dato ya vive en tablas Delta y debe verse al momento.
    Cuándo no
    Direct Lake sobre el punto de conexión SQL cuando ese punto aplica seguridad por fila: la consulta deja de leer en memoria y se vuelve más lenta.

    Por qué

    Evidencia

    En Vesting los modelos combinaban Direct Lake, importación y DirectQuery según el uso; los seis tableros de datos abiertos usan importación, que con 6,4 millones de filas de hechos en el mayor lo sostiene sin dificultad.

    Estado del campo

    Con Direct Lake sobre el punto de conexión SQL, una tabla con seguridad por fila definida en SQL hace caer la consulta a DirectQuery, o la hace fallar si esa caída está desactivada; Direct Lake sobre OneLake no aplica esa seguridad de SQL, y para la seguridad por fila del modelo Microsoft recomienda una conexión con identidad fija.[3][4]

  4. Seguridad por fila en un solo modelo o un modelo por audiencia

    Cuándo sí
    Un solo modelo con seguridad por fila cuando las audiencias comparten las definiciones y solo cambia lo que cada una puede ver.
    Cuándo no
    Solo un filtro cuando el límite no puede depender de que el filtro esté bien escrito: entonces se separan las áreas de trabajo.

    Por qué

    Evidencia

    En Vesting la seguridad por fila se definía como filtros DAX sobre las dimensiones y se probaba suplantando roles antes de publicar; entre los 12 clientes, además, el aislamiento iba por áreas de trabajo separadas.

    Estado del campo

    Microsoft aconseja aplicar los filtros sobre las dimensiones y no sobre los hechos, probar cada rol con «Ver como» —con reglas dinámicas, también ante valores inesperados— y advierte que la seguridad por fila solo restringe a quien tiene el rol de Visor en el área de trabajo.[5][6]

  5. El tablero escrito como código o construido a mano

    Cuándo sí
    Como código cuando hay varias páginas, dos idiomas o tableros que se repiten: el diseño queda en archivos que se leen, se comparan y se regeneran.
    Cuándo no
    A mano cuando es una pieza única y exploratoria que todavía busca su pregunta.

    Por qué

    Evidencia

    Las doce páginas de cada tablero de datos abiertos —seis en español y seis en inglés— salen del mismo modelo y del mismo juego de medidas, y los visuales —142 en empresas, 112 en energía, 78 en la Fórmula 1— se generan con Python.

    Evidencia

    El Constructor de Tableros Power BI lleva el mismo principio a un agente: crea cada medida por el servidor MCP de modelado, probándola en DAX antes de seguir, y escribe el reporte en el JSON nativo de Power BI.

  6. Cómo se mide la adopción de un tablero: uso real o visitas

    Cuándo sí
    La adopción de un tablero se mide con señales de uso real —recurrencia, profundidad de uso, sustitución de archivos y conciliaciones, conversación, acción y resultado—, con cada cifra en su escalón: acceso, uso, adopción o impacto.
    Cuándo no
    Contar visitas o accesos como adopción: una visita puede ser curiosidad, una validación puntual o una instrucción recibida.

    Por qué

    Evidencia

    En Banco Pichincha «más de 50 usuarios» es adopción y el +25 % en la toma de decisiones es impacto; en la Fundación CTIC, «unos 20 líderes de unos 15 procesos» es adopción contada y el «cerca de 60 %» es una estimación, y por eso lleva el «cerca de».

    Estado del campo

    La hoja de ruta de adopción de Microsoft advierte que las estadísticas de uso por sí solas no indican una adopción exitosa, y el informe de métricas de uso de Power BI, en versión preliminar, cuenta vistas, espectadores únicos y tiempos de apertura.[17][19]

Bloque 5

Lo innovador en 2026

  • Estado del campo

    Copilot y los agentes de datos de Fabric leen el modelo semántico

    Qué cambia frente a la práctica común

    Copilot en Power BI usa lo que se guarda en el modelo semántico con la función «Prep data for AI» (en versión preliminar) —un esquema de datos, respuestas verificadas e instrucciones, guardados en el modelo y no en el reporte— y pide un área de trabajo en una capacidad de Fabric de pago (F2 o superior), en una Premium (P1 o superior) o en una capacidad de Copilot de Fabric; un agente de datos de Fabric consulta modelos semánticos generando DAX, solo de lectura y con los permisos de quien pregunta.[14][15][16]

    Criterio

    Lo que responde un asistente depende de la medida que lee: un indicador con dos definiciones también le da dos respuestas.

  • Estado del campo

    Q&A, la herramienta heredada de lenguaje natural, queda en desuso en diciembre de 2026

    Qué cambia frente a la práctica común

    En su actualización de enero de 2026, Microsoft anunció que Q&A queda en desuso en diciembre de 2026 y orientó a usar Copilot para consultar los datos en lenguaje natural.[20]

    Criterio

    Un retiro anunciado es una fecha de trabajo: los tableros que dependen de lo que se retira se inventarían antes, no después.

  • Estado del campo

    PBIR y PBIP: el reporte y el modelo como texto versionable

    Qué cambia frente a la práctica común

    Un proyecto de Power BI guarda el reporte y el modelo semántico como archivos de texto listos para Git y para generarse por programa; el formato de reporte PBIR ya es el predeterminado, guarda cada página y cada visual en un archivo JSON con esquema público, y Power BI convierte un reporte heredado al editarlo y guardarlo.[10][11]

    Evidencia

    Los seis tableros de datos abiertos se publican como proyecto versionado, con el reporte en PBIR escrito por Python: la revisión de una página es la revisión de un cambio.

  • Estado del campo

    Un servidor MCP para escribir el modelo semántico

    Qué cambia frente a la práctica común

    El servidor MCP de autoría de Power BI —local, con disponibilidad general, y alojado, en versión preliminar— le permite a un agente crear tablas, medidas, relaciones, grupos de cálculo y roles de seguridad, y ejecutar DAX para validar el modelo mientras lo construye; Microsoft aconseja trabajar sobre archivos PBIP en Git para revisar cada cambio del agente antes de confirmarlo y poder revertirlo.[12][13]

    Evidencia

    El Constructor de Tableros Power BI propone la lista de medidas, columnas y relaciones para que una persona la apruebe, las crea por el servidor MCP de modelado probando cada medida en DAX y entrega un proyecto local versionado.

  • Estado del campo

    Menos medidas repetidas: grupos de cálculo, funciones definidas por el usuario y cálculos visuales

    Qué cambia frente a la práctica común

    Los grupos de cálculo aplican un mismo patrón —el año anterior, el acumulado— a cualquier medida explícita; las funciones DAX definidas por el usuario, con disponibilidad general desde la versión de junio de 2026, empaquetan lógica con parámetros que se reutiliza en medidas, columnas y cálculos visuales; y los cálculos visuales operan sobre lo que ya está en el visual, con plantillas como la suma acumulada o la comparación con el valor anterior.[7][8][9]

    Evidencia

    En Banco Pichincha cada medida nueva pasaba por una pregunta: si ya existía una que hiciera lo mismo con otro nombre.

  • Estado del campo

    La adopción en tres niveles: organización, usuario y solución

    Qué cambia frente a la práctica común

    La hoja de ruta de adopción de Fabric separa la adopción de la organización, la de cada usuario —de la conciencia a la competencia— y la de una solución, que llega a «esencial» cuando sus usuarios la usan de forma activa y rutinaria para decidir; la planeación de Power BI pide definir los objetivos, las conductas que los sostienen y los indicadores que las miden, revisados con una cadencia fija.[17][18]

    Evidencia

    En la Fundación CTIC la observación después de publicar tiene forma: una decena de planes de análisis en seguimiento sobre los más de 25 productos.

Bloque 6

Modos de falla y cómo anticiparlos

  • Qué se rompe
    Un tablero correcto que nadie vuelve a abrir
    Cómo se ve venir
    Solo lo consultan quienes lo construyeron, y las reuniones siguen empezando con un archivo aparte.
    Control que la atrapa
    Diseño desde la decisión y adopción escrita como hipótesis desde el comienzo, validada en la operación.
  • Qué se rompe
    Dos cifras para el mismo indicador
    Cómo se ve venir
    Cada reunión empieza discutiendo cuál número es el correcto.
    Control que la atrapa
    Una sola medida por indicador en el modelo semántico, con su definición acordada y su responsable.
  • Qué se rompe
    Una relación entre granos distintos duplica totales
    Cómo se ve venir
    Totales plausibles que no cierran contra el origen, en un tablero que sigue funcionando.
    Control que la atrapa
    El grano escrito por tabla de hechos y las identidades del origen corridas sobre el universo completo.
  • Qué se rompe
    Una transformación escondida en una columna calculada
    Cómo se ve venir
    Una cifra cambia y nadie encuentra dónde se transformó.
    Control que la atrapa
    Toda la preparación en Power Query, versionada; ninguna columna calculada sin una razón que solo DAX resuelva.
  • Qué se rompe
    La seguridad por fila no alcanza a quien edita
    Cómo se ve venir
    Quien tiene un rol de miembro o de colaborador en el área de trabajo ve filas que su rol de seguridad no le daría.
    Control que la atrapa
    Quien consume, con el rol de Visor; cada rol, probado suplantándolo antes de publicar.
  • Qué se rompe
    Direct Lake cae a DirectQuery cuando la seguridad por fila está en el punto de conexión SQL
    Cómo se ve venir
    El tablero se vuelve lento justo en las tablas con seguridad por fila definida en el punto de conexión SQL.
    Control que la atrapa
    Direct Lake sobre OneLake para modelos nuevos, o la seguridad en el modelo con identidad fija, y la caída vigilada.
  • Qué se rompe
    Una medida lenta aleja a la audiencia
    Cómo se ve venir
    Segundos de espera multiplicados por cada persona que abre el tablero.
    Control que la atrapa
    Las medidas costosas se miden con DAX Studio antes y después de cada ajuste y antes de publicar.
  • Qué se rompe
    El portafolio crece y fragmenta la atención
    Cómo se ve venir
    Tableros que repiten indicadores y compiten por la misma pregunta.
    Control que la atrapa
    Antes de un producto nuevo: ampliar un modelo existente, simplificar o retirar.
Bloque 7

Métricas y controles

  • Qué se mide
    Adopción por audiencia
    Umbral
    Cada audiencia objetivo vuelve al tablero en cada ciclo de decisión que lo justifica; se cuenta por función, no por accesos.
    Quién aprueba el paso a producción
    El responsable del proceso.
  • Qué se mide
    Indicadores con una definición y un responsable
    Umbral
    Todos los que usa más de un reporte.
    Quién aprueba el paso a producción
    El responsable del negocio.
  • Qué se mide
    Conteos y cifras de control frente a la línea base
    Umbral
    Coinciden todos antes del refresco; una diferencia sin explicación detiene la publicación.
    Quién aprueba el paso a producción
    Quien responde por el modelo.
  • Qué se mide
    Identidades del origen
    Umbral
    Cierran sobre el universo completo; la que no cierra se explica o se publica como límite.
    Quién aprueba el paso a producción
    Quien responde por el modelo.
  • Qué se mide
    Roles de seguridad probados
    Umbral
    Todos, suplantando cada rol antes de publicar.
    Quién aprueba el paso a producción
    Quien responde por los datos.
  • Qué se mide
    Tiempo de respuesta de las medidas críticas
    Umbral
    Medido antes y después de cada cambio; ninguna regresión sin explicación.
    Quién aprueba el paso a producción
    Quien responde por el modelo.
  • Qué se mide
    Referencias entre reporte y modelo
    Umbral
    Ninguna rota antes de abrir Power BI.
    Quién aprueba el paso a producción
    Quien construye el tablero.
  • Qué se mide
    Productos sin uso
    Umbral
    Revisados en cada ciclo: o recuperan su función o se retiran.
    Quién aprueba el paso a producción
    Quien responde por el portafolio analítico.

Los umbrales son ejemplos del método, no cifras de un proyecto concreto.

Bloque 8

Evidencia en proyectos

  • EvidenciaNivel: Uso real

    Banco Pichincha: tableros que el negocio sí usó

    Entre marzo y julio de 2023, un equipo de inteligencia de negocios de 5 personas desarrolló y fortaleció tableros en Power BI que usaron más de 50 usuarios del negocio, con una mejora reportada del 25 % en la toma de decisiones; el ETL en Power Query redujo un 35 % los tiempos de análisis y los modelos semánticos se optimizaron con DAX Studio y Tabular Editor.

    Ver dónde
  • EvidenciaNivel: Uso real

    Banco Pichincha: la formación como parte del producto

    Un programa diseñado junto con los tableros, para 12 profesionales y sobre sus propios productos —Power Query, modelado semántico, DAX y comunicación ejecutiva—, contribuyó a mejorar un 20 % la productividad en la preparación y el uso de la información.

    Ver dónde
  • EvidenciaNivel: Uso real

    TransMilenio: Power BI en el análisis post-operacional

    Entre julio de 2021 y mayo de 2022, en C&M Consultores, Power BI fue adoptado por más de 25 usuarios clave —responsables de programación, seguimiento y decisión, no solo personas con acceso— y contribuyó a mejorar un 35 % la eficiencia de los procesos analíticos; cada cifra podía recorrerse hasta la fuente que la produjo.

    Ver dónde
  • EvidenciaNivel: Uso real

    Cafam: un BI de control adoptado por cargo

    Entre octubre de 2020 y junio de 2021, el BI de control de la implementación de Oracle WMS Cloud en un centro de distribución de medicamentos lo adoptaron más de 15 usuarios con cargo —direcciones, coordinadores y jefes— y mejoró un 50 % la precisión del seguimiento de las pruebas.

    Ver dónde
  • EvidenciaNivel: Uso real

    Fundación CTIC: productos analíticos por procesos

    Desde marzo de 2025, más de 25 productos analíticos en Power BI —tableros de control entre ellos— los usan unos 20 líderes de unos 15 procesos y unos 75 usuarios, administrativos y asistenciales; cada indicador conserva una definición institucional y cada audiencia lo lee con la profundidad de su responsabilidad. El efecto se declara como estimación: cerca de un 60 % menos de esfuerzo de preparación.

    Ver dónde
  • EvidenciaNivel: Uso real

    Los seis tableros de datos abiertos

    Seis tableros sobre fuentes públicas, sellados en septiembre de 2026 tras siete fases de construcción cada uno: modelos en estrella, 329 medidas DAX y ninguna columna calculada; una línea base independiente en Python antes de cada refresco y la cobertura publicada como cifra, como el 84,9 % del ranking de las diez mil empresas más grandes.

    Ver dónde
  • EvidenciaNivel: Uso real

    Las empresas de Colombia en cifras: el sesgo de composición, corregido

    El agregado decía que 2020 cayó 2,2 %; sobre las mismas 23.321 empresas presentes en los dos años, la contracción fue del 7,4 %. Por eso el tablero nunca presenta el crecimiento agregado solo: al lado va el de las mismas empresas, en el mismo eje.

    Ver dónde
  • EvidenciaNivel: Uso real

    Constructor de Tableros Power BI

    Un agente construido y probado que, a partir de un texto de requerimientos y un proyecto con las tablas, produce el proyecto .pbip completo —modelo semántico, Power Query M, medidas DAX y visuales en el JSON nativo del reporte—; una corrida se acepta contra 20 criterios binarios, atraviesa 5 gates de aprobación humana y no cierra sin el render aprobado por una persona en Power BI Desktop.

    Ver dónde
  • EvidenciaNivel: Uso real

    Vesting: modos de almacenamiento y seguridad por fila sobre Fabric

    Sobre Microsoft Fabric, los modelos combinaban Direct Lake para el monitoreo operativo, importación para el histórico y DirectQuery para bajar a los eventos de una sesión; la seguridad por fila se definía con filtros DAX sobre las dimensiones y se probaba suplantando roles antes de publicar.

    Ver dónde
Bloque 9

Límites y alcance

  • Evidencia

    Los seis tableros de datos abiertos no usan Microsoft Fabric: son piezas de escritorio en modo import, publicadas como proyecto versionado, y sus datos son una foto fechada que no se actualiza sola.

  • Evidencia

    En el perfil del autor, Shiny, Tableau y Looker Studio no ocupan el mismo nivel que Power BI y Microsoft Fabric.

  • Evidencia

    Copilot en Power BI y los agentes de datos de Fabric aparecen aquí como estado del campo: la evidencia de un agente que trabaja sobre un modelo semántico es el Constructor de Tableros Power BI, que lo hace sin el ecosistema Fabric, construye desde cero, entrega un proyecto local versionado y no publica al servicio en la nube.

  • Evidencia

    En el Constructor de Tableros Power BI, el ahorro de horas que justifica su existencia es una estimación declarada como tal: ninguna corrida está cronometrada todavía contra la línea base de un tablero hecho a mano.

  • Evidencia

    En la Fundación CTIC las cifras se publican agregadas y aproximadas, y el cerca de 60 % menos de esfuerzo es una estimación sobre el trabajo propio, no una medición institucional.

  • Criterio

    Lo que conviene hacer distinto hoy: preparar el modelo para Copilot —esquema, respuestas verificadas e instrucciones— como parte del diseño del modelo, no como un añadido posterior.

  • Criterio

    Un tablero que nadie abre no se corrige con otra visualización: se vuelve a la decisión que debía respaldar.

Bloque 10

Fuentes y fecha de revisión

  1. [1]
    Understand star schema and the importance for Power BI

    Microsoft Learn ·

    https://learn.microsoft.com/en-us/power-bi/guidance/star-schema

  2. [2]
    Data reduction techniques for Import modeling

    Microsoft Learn ·

    https://learn.microsoft.com/en-us/power-bi/guidance/import-modeling-data-reduction

  3. [3]
    Direct Lake overview

    Microsoft Learn ·

    https://learn.microsoft.com/en-us/fabric/fundamentals/direct-lake-overview

  4. [4]
    Integrate Direct Lake security

    Microsoft Learn ·

    https://learn.microsoft.com/en-us/fabric/fundamentals/direct-lake-security-integration

  5. [5]
    Row-level security (RLS) guidance in Power BI Desktop

    Microsoft Learn ·

    https://learn.microsoft.com/en-us/power-bi/guidance/rls-guidance

  6. [6]
    Row-level security (RLS) with Power BI

    Microsoft Learn ·

    https://learn.microsoft.com/en-us/fabric/security/service-admin-row-level-security

  7. [7]
    Create calculation groups

    Microsoft Learn ·

    https://learn.microsoft.com/en-us/power-bi/transform-model/calculation-groups

  8. [8]
    Visual calculations

    Microsoft Learn ·

    https://learn.microsoft.com/en-us/power-bi/transform-model/desktop-visual-calculations-overview

  9. [9]
    DAX user-defined functions

    Microsoft Learn ·

    https://learn.microsoft.com/en-us/power-bi/transform-model/desktop-user-defined-functions-overview

  10. [10]
    Power BI Desktop projects

    Microsoft Learn ·

    https://learn.microsoft.com/en-us/power-bi/developer/projects/projects-overview

  11. [11]
    Power BI Desktop project report folder

    Microsoft Learn ·

    https://learn.microsoft.com/en-us/power-bi/developer/projects/projects-report

  12. [12]
    Power BI MCP servers overview

    Microsoft Learn ·

    https://learn.microsoft.com/en-us/power-bi/developer/mcp/mcp-servers-overview

  13. [13]
    Power BI Authoring MCP server

    Microsoft Learn ·

    https://learn.microsoft.com/en-us/power-bi/developer/mcp/power-bi-authoring-mcp

  14. [14]
    Prepare your data for AI to improve Copilot results (preview)

    Microsoft Learn ·

    https://learn.microsoft.com/en-us/power-bi/create-reports/copilot-prepare-data-ai

  15. [15]
    Copilot in Power BI tutorial: Get started

    Microsoft Learn ·

    https://learn.microsoft.com/en-us/power-bi/create-reports/tutorial-copilot-power-bi-get-started

  16. [16]
    Fabric data agent concepts

    Microsoft Learn ·

    https://learn.microsoft.com/en-us/fabric/data-science/concept-data-agent

  17. [17]
    Microsoft Fabric adoption roadmap maturity levels

    Microsoft Learn ·

    https://learn.microsoft.com/en-us/power-bi/guidance/fabric-adoption-roadmap-maturity-levels

  18. [18]
    Power BI implementation planning: Adoption tracking

    Microsoft Learn ·

    https://learn.microsoft.com/en-us/power-bi/guidance/powerbi-implementation-planning-adoption-tracking

  19. [19]
    Monitor usage metrics in Power BI workspaces (preview)

    Microsoft Learn ·

    https://learn.microsoft.com/en-us/power-bi/collaborate-share/service-modern-usage-metrics

  20. [20]
    Previous monthly updates to Power BI Desktop and the Power BI service

    Microsoft Learn ·

    https://learn.microsoft.com/en-us/power-bi/fundamentals/desktop-latest-update-archive