Cuando diseñas un modelo de datos para Business Intelligence, una decisión aparece pronto: ¿organizar las tablas como star schema (esquema en estrella) o snowflake (copo de nieve)? La elección afecta al rendimiento, la simplicidad y la facilidad de uso de tus informes. Vamos a aclararlo.
El punto de partida: hechos y dimensiones
Ambos modelos se apoyan en la misma base: una tabla de hechos (las métricas — ventas, cantidades, importes) rodeada de tablas de dimensiones (el contexto — cliente, producto, tiempo, región). La diferencia está en cómo se organizan esas dimensiones.
Star schema: dimensiones planas alrededor del hecho
En el esquema en estrella, cada dimensión es una única tabla ligada directamente al hecho. Es simple de entender (parece una estrella), rápido de consultar porque exige menos uniones, y es el formato que herramientas como Power BI prefieren. A cambio, acepta algo de redundancia en los datos de las dimensiones.
Snowflake: dimensiones normalizadas en varios niveles
En el copo de nieve, las dimensiones se dividen en varias tablas relacionadas (por ejemplo, Producto → Categoría → Departamento). Reduce la redundancia y ahorra espacio, pero crea más uniones, hace las consultas más lentas y el modelo más difícil de navegar para quien construye informes.
¿Cuál elegir?
- Star schema: mejor rendimiento, más simple, ideal para informes y para Power BI. Es la recomendación por defecto.
- Snowflake: útil cuando las dimensiones son enormes o muy compartidas y el ahorro de espacio/consistencia compensa la complejidad.
La regla práctica
Para la mayoría de proyectos de BI, empieza por un star schema. Es más rápido, más legible y se alinea con el motor de Power BI, optimizado para este diseño. Solo normaliza (snowflake) cuando tengas un motivo concreto — dimensiones gigantescas o requisitos de consistencia que lo justifiquen. Simplicidad primero; complejidad solo cuando compensa. ¿Cómo está diseñado tu modelo actual?
