DP-600: optimizar medidas con Aggregations y Storage Modes

João Barros 02 de September de 2026 6 min de lectura

Te enseñaré la competencia de optimizar medidas usando Aggregations y Storage Modes en modelos semánticos (Power BI/Fabric). Esta es una habilidad práctica y valorada en el examen DP-600 y, sobre todo, en la operación de soluciones analytics con grandes volúmenes de datos donde el rendimiento y el coste importan. La idea central es reducir el trabajo del motor de consultas mediante pre-cálculos y decisiones de almacenamiento que equilibren memoria, latencia y carga en la fuente de datos.

Qué necesitas saber

Aggregations son tablas o cálculos precomputados que resumen datos detallados. Por ejemplo, en vez de sumar cinco millones de filas de ventas en tiempo real para obtener el total mensual, creas una tabla agregada con TotalSales por mes. Los Storage Modes determinan cómo se acceden y almacenan las tablas en el modelo: Import (datos cargados al modelo y mantenidos en memoria), DirectQuery (todas las consultas consultan la fuente en tiempo real) y Dual (comportamiento híbrido que permite que una tabla se use como Import o DirectQuery según el contexto).

Ejemplo concreto: tienes una tabla Sales con 120 millones de filas cubriendo 5 años, y una tabla Calendar con 1 825 días. En vez de consultar siempre la Sales detallada para informes mensuales, creas una tabla agregada Sales_Monthly con 60 meses × 10 regiones = 600 filas (o 60 × 500 productos = 30 000 filas si tienes agregación por producto). En la práctica esto puede reducir el volumen de datos a leer en un 99% para consultas agregadas, llevando tiempos de respuesta de 6–8 segundos a valores del orden de cientos de milisegundos.

Cómo funciona en la práctica

Pasos principales para implementar optimizaciones con Aggregations y Storage Modes:

Identificar patrones de consulta: analiza los informes y los logs de telemetría (Query Diagnostics, Performance Analyzer) para saber qué dimensiones y niveles de detalle se usan más (p. ej.: mes, región, producto). Si el 80% de las consultas piden datos por mes y región, céntrate en esa agregación.
Crear tablas agregadas: resume la tabla de detalle a los niveles más consultados. Por ejemplo, YEAR, MONTH, REGION → SUM(SalesAmount) y COUNTROWS para volúmenes. Si la tabla detalle tiene 120M de filas, la agregación puede tener pocas centenas o miles de filas, dependiendo del nivel de granularidad.
Definir Storage Modes apropiados: típicamente, las tablas agregadas permanecen en Import para respuesta rápida; la tabla detalle puede estar en Import o DirectQuery según el volumen y la latencia aceptable. Por ejemplo, mantienes la agregación en Import (2 GB) y el detalle en DirectQuery para evitar cargar 120 GB de datos en el modelo.
Configurar relaciones y jerarquías: asegura que las claves y relaciones permiten que el motor del modelo reemplace automáticamente consultas para usar las agregaciones. Mantén columnas de clave consistentes (p. ej.: Year, MonthNumber, RegionID) y jerarquías de tiempo en el Calendar para que el engine haga el mapping.
Validar cobertura de las agregaciones: garantiza que las agregaciones cubren las combinaciones de filtros frecuentes; cuando no cubren, el motor hará fallback a la tabla detalle y la consulta será más lenta. Crea pruebas que simulen el 90–95% de los escenarios de usuario antes de promover la agregación a producción.

Ejemplo práctico (DAX / pasos conceptuales):

// 1. Crear una tabla agregada en Power BI Desktop (si ya tienes la tabla Sales en Import)
Sales_Monthly =
SUMMARIZE(
  Sales,
  Calendar[Year],
  Calendar[MonthNumber],
  "TotalSales", SUM(Sales[SalesAmount])
)

// 2. Marcar Sales_Monthly como tabla de agregaciones y definir columnas-clave (en el modelo) — esto se hace desde la interfaz de Power BI/Fabric.

Después de crear la tabla, usa el Performance Analyzer para comparar tiempos de renderizado: por ejemplo, un gráfico que antes tardaba 7s puede pasar a 250–400ms cuando el motor utiliza la agregación apropiada.

Notas sobre Storage Modes:

Import: rápido, depende de memoria y de almacenamiento (OneLake cuando usas Fabric). Bueno para agregaciones y datos que no cambian con frecuencia. Ej.: importar 30 000 filas ocupa pocos MB y permite respuestas instantáneas.
DirectQuery: consulta la fuente en vivo. Ideal para datos altamente volátiles o muy grandes que no caben en Import. Tiene típicamente latencias de cientos de ms a segundos, y afecta al rendimiento de la fuente.
Dual: permite que la misma tabla se comporte como Import o DirectQuery según el contexto de la consulta — útil para tablas dimensionales pequeñas (p. ej.: Product o Region) que se usan tanto en filtros como en joins con tablas en DirectQuery.

Errores comunes

1) Asumir que una sola agregación cubre todos los escenarios: diferentes informes pueden usar dimensiones distintas. Si solo creas una agregación por mes/región y los usuarios también filtran por producto, el motor hace fallback a la tabla detalle, anulando las ganancias esperadas. Analiza patrones antes de diseñar las agregaciones.

2) Almacenar demasiadas agregaciones en Import sin controlar refrescos y tamaño: cada agregación se importa y aumenta memoria y tiempo de refresh. Si tienes 20 agregaciones que suman 10 GB, los refreshes completos pueden tardar horas. Usa incremental refresh y prioriza las agregaciones con mayor ROI.

3) Usar DirectQuery indiscriminadamente: aunque evita importar datos, DirectQuery puede generar latencias altas y carga elevada en la fuente. Una buena estrategia híbrida es tener agregaciones en Import para escenarios comunes y DirectQuery para drill-through o reporting en tiempo real.

Cómo practicar

Practica estos pasos en un entorno controlado: crea un informe con una tabla Sales grande (simula 50–120M de filas con datos generados) y un Calendar. Implementa agregaciones mensuales y por región y compara tiempos de respuesta para visualizaciones con y sin aggregations. Prueba diferentes Storage Modes (por ejemplo, Sales detalle en DirectQuery y agregaciones en Import) y observa el comportamiento de fallback y uso de recursos. Mide memoria, tiempo de refresh y latencia del informe.

Para alinearte con el examen DP-600, consulta el Practice Assessment oficial y la study guide gratuitos de Microsoft — son recursos oficiales recomendados para práctica y verificación de las skills measured. Usa también la documentación de Performance Analyzer y Query Diagnostics para validar ganancias reales.

En resumen

Aggregations resumen datos para mejorar rendimiento en queries agregadas; reducciones de volumen del 90–99% son comunes.
Los Storage Modes (Import, DirectQuery, Dual) determinan dónde y cómo se acceden los datos; elegir correctamente equilibra rendimiento, coste y carga en la fuente.
Analiza patrones de consulta antes de crear agregaciones; evita oversizing y cobertura insuficiente e implementa incremental refresh cuando sea necesario.
Practica en entornos reales, mide antes/después y usa los recursos oficiales de Microsoft (Practice Assessment y study guide) para preparar el examen y validar tus skills.