Cómo crear un Dataflow Gen2 en Microsoft Fabric

João Barros 09 de July de 2026 4 min de lectura

El Dataflow Gen2 es la forma más sencilla de preparar datos en Microsoft Fabric sin escribir código: usa el editor visual de Power Query para conectarse a un origen, limpiar los datos y guardarlos en un destino como un Lakehouse. A diferencia de un notebook Spark, no requiere programación, y a diferencia de una canalización simple, incluye transformaciones enriquecidas de apuntar y hacer clic. Es ideal para construir una ingesta reutilizable y programable en pocos minutos.

Requisitos previos

Una capacidad Fabric activa (una versión de prueba gratuita sirve) y permisos para crear elementos.
Un workspace asociado a esa capacidad.
Un Lakehouse ya creado en el workspace para recibir los datos.
Un origen de datos accesible — en este ejemplo, un archivo CSV público disponible mediante URL.

Paso 1: Crear el Dataflow Gen2 en el workspace

Abra su workspace en Fabric. Haga clic en + New item y elija Dataflow Gen2. Al abrirse, verá el editor de Power Query, con una cinta de opciones en la parte superior y el panel Queries a la izquierda. Dé un nombre claro al dataflow, por ejemplo df_ventas_bronze, para encontrarlo con facilidad más tarde. Un buen nombre ahorra mucho tiempo cuando el workspace crece.

Paso 2: Conectarse al origen de datos

En el editor, haga clic en Get data y elija el tipo de origen. Para un CSV alojado en una URL, seleccione Web y pegue la dirección del archivo. Power Query muestra una vista previa de las primeras filas, lo que permite confirmar que la conexión es correcta antes de continuar. Si la primera fila contiene los nombres de las columnas pero aparece como datos, aplique Use first row as headers para promover el encabezado.

Paso 3: Transformar los datos en Power Query

Ahora limpie los datos con las transformaciones visuales. Cada acción que realiza queda registrada como un applied step, en el panel de la derecha, por lo que siempre puede retroceder o reordenar pasos. Operaciones habituales:

Eliminar columnas innecesarias con Remove columns.
Corregir el tipo de cada columna (fecha, número, texto) en el encabezado.
Filtrar filas inválidas, duplicadas o vacías.
Renombrar columnas con nombres coherentes y legibles.

Si necesita algo más específico, el botón Advanced editor muestra el código M generado detrás de cada paso. Por ejemplo, para conservar solo las ventas con valor positivo:

= Table.SelectRows(Origen, each [Total] > 0)

Paso 4: Definir el Lakehouse como destino

Este es el paso que distingue al Dataflow Gen2 de una simple consulta: el data destination. En la esquina inferior derecha de la query, haga clic en el icono + junto a Data destination y elija Lakehouse. Seleccione el workspace, el Lakehouse de destino y el nombre de la tabla — por ejemplo ventas.

Elija también el método de actualización: Replace sustituye la tabla en cada ejecución, mientras que Append añade filas a las existentes. Para una tabla de preparación bronze, Replace suele ser lo más predecible, porque garantiza un resultado idéntico al origen en cada ejecución.

Consejo: reserve las transformaciones pesadas para capas posteriores (silver/gold). En la capa bronze, el objetivo es simplemente traer los datos de forma fiable.

Paso 5: Publicar y ejecutar el dataflow

Haga clic en Publish. Fabric guarda el dataflow e inicia la primera ejecución (refresh). El progreso aparece en la lista de elementos del workspace, con un indicador de estado. Cuando el estado pase a completado correctamente, los datos ya se habrán escrito en la tabla del Lakehouse.

Verificar el resultado

Abra el Lakehouse en el workspace y expanda la carpeta Tables. Debería ver la tabla ventas creada por el dataflow. Haga clic en ella para previsualizar las filas. Para una confirmación adicional, use el SQL analytics endpoint del Lakehouse y ejecute una consulta rápida:

SELECT COUNT(*) AS total_filas FROM ventas;

Si el número de filas coincide con lo esperado, la canalización funciona correctamente.

Conclusión

Ha construido una canalización de ingesta low-code que se conecta a un origen, transforma los datos y los carga en un Lakehouse — todo sin salir de Fabric. El siguiente paso natural es programar la actualización del dataflow (en la configuración del elemento, en Schedule) para mantener la tabla siempre fresca, y conectar un informe de Power BI encima, aprovechando Direct Lake. ¿Qué origen de datos de su empresa tendría más sentido automatizar primero?