Curso de Microsoft Fabric para tu equipo de negocio

¿Qué es OneLake y por qué Microsoft lo presenta como el lago de datos lógico unificado de Fabric?

Una única capa lógica de almacenamiento disponible para diferentes motores y experiencias de la plataforma.

Diferencia conceptual entre OneLake, Lakehouse, Warehouse, base de datos, modelo semántico e informe.

Datos estructurados, semiestructurados y no estructurados desde una perspectiva empresarial.

Cómo varias áreas pueden reutilizar los mismos datos sin mantener copias independientes innecesarias.

Concepto de zero-copy y ventajas para consistencia, gobierno y reducción de duplicidades.

Shortcuts como mecanismo para acceder a información sin trasladarla físicamente cuando la arquitectura lo permite.

Formatos abiertos Delta e Iceberg dentro del ecosistema OneLake y por qué favorecen interoperabilidad.

Diferencia entre ubicación física del dato y forma en que el usuario lo descubre o consume.

Lakehouse como combinación de características de data lake y estructuras analíticas.

Warehouse como modelo orientado a información estructurada y consumo analítico empresarial.

Mirrored Databases y acceso a datos operacionales desde Fabric sin exigir al usuario de negocio comprender los detalles de replicación.

Importancia de identificar la fuente autorizada antes de crear análisis paralelos.

Relación entre OneLake y Power BI mediante modelos semánticos.

Lectura de una arquitectura Fabric desde la perspectiva de quién utiliza el dato y no de quién la implementa.

Workspace como contenedor colaborativo de elementos de Fabric y Power BI.

Diferencia entre My workspace y espacios compartidos de equipos, proyectos, departamentos o dominios.

Roles de workspace y diferencias entre Admin, Member, Contributor y Viewer.

Principio de conceder únicamente el acceso necesario según la responsabilidad de cada persona.

Diferencia entre permiso sobre un workspace, un elemento y los datos contenidos en ese elemento.

Qué significa tener permisos de lectura, compartición, edición o administración.

Separación entre capacidad Fabric y licencia individual de usuario.

Capacidades F como modelo actual recomendado para habilitar cargas de trabajo completas de Fabric.

Power BI Pro como requisito habitual para crear y compartir elementos Power BI en espacios colaborativos.

Visualización con licencia Fabric Free cuando el contenido se encuentra en capacidades que cumplen los requisitos de consumo correspondientes.

Diferencia entre Power BI Pro, Premium Per User y capacidad Fabric.

Por qué Power BI Premium Per User no aprovisiona por sí mismo una capacidad para cargas de trabajo Fabric distintas de Power BI.

Buenas prácticas para separar espacios de trabajo personales, departamentales, certificados y productivos.

Responsabilidad del usuario al compartir información o conceder nuevos accesos.

Lectura de un escenario de licenciamiento desde la necesidad empresarial y no únicamente desde el nombre del producto.

OneLake Catalog como punto central para descubrir, explorar, utilizar y gobernar elementos de Fabric.

Diferencias entre buscar un archivo conocido y descubrir activos de datos corporativos.

Explore, Govern y Secure como principales perspectivas actuales del catálogo.

Búsqueda de contenido por nombre, tipo, propietario, workspace, dominio y otros metadatos.

Filtros para reducir grandes catálogos y localizar los activos adecuados.

Información del propietario como referencia para resolver dudas sobre significado, calidad o permisos.

Fecha de actualización como señal para valorar vigencia antes de utilizar un activo.

Sensitivity label como indicador del nivel de protección aplicado.

Endorsement como mecanismo para distinguir activos promovidos, certificados o designados como master data.

Tags para clasificar y facilitar el descubrimiento de elementos.

Descripciones de elementos como parte esencial de un catálogo realmente utilizable.

Solicitud de acceso cuando se descubre información relevante que todavía no se puede abrir.

Vista de detalle de un elemento antes de utilizarlo en un nuevo análisis.

Linaje, permisos y actividad como información complementaria para evaluar confianza.

Reutilización de activos existentes como alternativa a crear nuevos datasets o análisis redundantes.

Papel de Data Factory dentro de Fabric y relación entre integración de datos y analítica de negocio.

Dataflow Gen2 como herramienta cloud de preparación y transformación con experiencia low-code basada en Power Query.

Situaciones en las que un usuario avanzado de negocio puede preparar datos sin depender de código.

Conexión con archivos, bases de datos, servicios online y elementos existentes de Fabric.

Uso del OneLake Catalog para localizar fuentes disponibles desde Dataflow Gen2.

Perfilado inicial para comprender columnas, tipos, valores nulos y calidad general.

Filtrado de información irrelevante antes de utilizarla en análisis.

Cambio de tipos de datos y normalización de formatos.

Limpieza de valores inconsistentes, duplicados y datos incompletos.

División, combinación y transformación de columnas con Power Query.

Combinación de diferentes fuentes mediante merge y append.

Importancia de documentar el significado de las transformaciones aplicadas.

Destinos de los datos preparados y coordinación con quienes administran Lakehouse o Warehouse.

Actualización programada para mantener la información disponible sin repetir operaciones manuales.

Límites del autoservicio y señales que indican que la preparación debe trasladarse a un equipo de ingeniería de datos.

¿Qué es un modelo semántico y por qué representa una capa entre los datos técnicos y el análisis empresarial?

Tablas de hechos y dimensiones explicadas desde procesos, eventos y atributos de negocio.

Relaciones entre clientes, productos, fechas, centros, ventas, costes y otras entidades empresariales.

Métricas y medidas como definiciones compartidas que evitan que cada usuario calcule un KPI de manera diferente.

Jerarquías y niveles de análisis para navegar desde información agregada hasta mayor detalle.

Formatos, nombres y terminología comprensibles para usuarios no técnicos.

Diferencia entre columna, medida, dimensión, atributo y KPI.

Modelos semánticos reutilizables frente a lógica recreada en cada informe.

Importancia de trabajar sobre modelos certificados y correctamente documentados.

Relación entre modelo semántico, Power BI, Excel y Copilot.

Direct Lake como modo de almacenamiento que permite analizar datos de OneLake sin el ciclo tradicional de importación de Power BI.

Import, DirectQuery y Direct Lake explicados desde frescura, rendimiento y arquitectura.

Los modelos semánticos ya no deben suponerse creados automáticamente junto a cada Lakehouse o Warehouse; se gestionan como elementos independientes.

Row-Level Security desde la perspectiva del usuario que recibe diferentes resultados según su ámbito autorizado.

Calidad del modelo semántico como requisito para obtener análisis fiables y mejores resultados con Copilot.

Diferencia entre informe, dashboard, app, modelo semántico y visual.

Power BI Service como entorno principal de consumo para usuarios de negocio.

Reading View frente a Editing View y permisos necesarios para cada experiencia.

Navegación por páginas y estructura de informes.

Interacción con gráficos, tablas, matrices, tarjetas, mapas y otros objetos visuales.

Slicers y filtros a nivel de visual, página e informe.

Cross-filtering y cross-highlighting entre diferentes visualizaciones.

Drill down, drill up y jerarquías.

Drillthrough para desplazarse hacia páginas de detalle relacionadas.

Tooltips y contexto adicional sin abandonar la visualización.

Focus Mode para analizar un objeto visual con mayor detalle.

Personal bookmarks para conservar estados útiles de análisis cuando la funcionalidad está disponible.

Reset para volver al estado definido por el diseñador.

Interacciones personales que no modifican el modelo semántico ni el informe original compartido.

Lectura crítica de una visualización para evitar conclusiones basadas únicamente en la apariencia gráfica.

Diferencia entre consultar un informe existente y explorar activamente la información.

Formulación de preguntas de negocio antes de seleccionar métricas o visualizaciones.

Análisis de tendencias temporales.

Comparación entre periodos.

Variación absoluta frente a variación porcentual.

Segmentación por cliente, producto, territorio, canal o cualquier dimensión disponible.

Detección de outliers y resultados que requieren investigación adicional.

Diferencia entre correlación observada y causalidad demostrada.

Desagregación de un KPI para identificar qué factores explican una variación.

Exploraciones de Power BI como alternativa sencilla para investigar modelos semánticos.

Analyze in Excel para utilizar modelos semánticos de Power BI mediante PivotTables y tablas conectadas.

Exportación de datos y necesidad de respetar permisos, sensibilidad y políticas de la organización.

Comprobación de fecha de actualización antes de tomar decisiones.

Relación entre insight, evidencia y recomendación empresarial.

Elaboración de conclusiones que separen claramente datos observados, interpretación y acciones propuestas.

Datos como objeto de colaboración y no únicamente como producto final del departamento de BI.

Power BI integrado con Microsoft Teams para visualizar, compartir y colaborar sin abandonar el flujo de trabajo habitual.

Incorporación de informes, scorecards y dashboards en canales, chats o reuniones.

Diferencia entre compartir un enlace y conceder realmente permisos sobre el contenido.

Rich cards y referencias a informes dentro de conversaciones de Teams.

Excel conectado a modelos semánticos de Power BI para análisis familiar mediante PivotTables.

PowerPoint conectado con contenido Power BI para presentaciones que mantienen acceso a información actualizada.

SharePoint como superficie donde puede consumirse contenido Power BI según la configuración de la organización.

Distribución mediante Power BI Apps para ofrecer contenido preparado a grandes colectivos.

Suscripciones para recibir periódicamente snapshots de informes o dashboards por correo.

Comentarios y conversaciones contextualizadas alrededor de un mismo insight.

Uso de enlaces compartidos evitando copias locales que pierden actualización y gobierno.

Colaboración entre analistas y usuarios de negocio sobre una única definición de métricas.

Ciclo insight → conversación → decisión → seguimiento.

Power BI como parte del ecosistema Microsoft 365 y no como aplicación aislada.

Diferencia entre datos históricos, actualización frecuente y verdadera información en tiempo real.

Real-Time Intelligence como experiencia de Fabric para escenarios basados en eventos, streaming y logs.

Real-Time Hub como punto de descubrimiento de streams y eventos disponibles.

Ejemplos de negocio: operaciones, ventas digitales, logística, IoT, fraude, atención al cliente y monitorización de servicios.

Eventstream como mecanismo que canaliza eventos dentro de Fabric.

Eventhouse y datos temporales vistos desde la perspectiva del consumidor, sin profundizar en administración técnica.

Paneles que reflejan información operativa mientras los acontecimientos están ocurriendo.

Diferencia entre un indicador diario y un indicador cuyo valor requiere reacción inmediata.

Alertas basadas en condiciones empresariales relevantes.

Activator como componente orientado a detectar condiciones y desencadenar acciones.

Notificaciones cuando un KPI cruza un umbral.

Reducción de la necesidad de revisar manualmente un dashboard para detectar un problema.

Diseño de señales útiles evitando un exceso de alertas sin prioridad.

Responsabilidad del negocio en definir umbrales, destinatarios y respuesta esperada.

Integración de analítica histórica y tiempo real para comprender situación, tendencia y contexto.

Copilot como asistente generativo para mejorar interacción con datos y contenido de Fabric.

Diferencia entre preguntar a un modelo general y preguntar sobre un modelo semántico empresarial.

Preguntas en lenguaje natural sobre métricas y dimensiones disponibles.

Copilot en informes Power BI para formular preguntas sobre el modelo semántico conectado.

Generación y explicación de insights con apoyo de IA.

Resúmenes narrativos y apoyo a la interpretación de información.

Copilot como acelerador de análisis y no como autoridad final sobre el dato.

Importancia de preparar correctamente datos, modelo semántico y usuarios para reducir respuestas incorrectas o engañosas.

Verificación de cualquier conclusión relevante contra visualizaciones, métricas y definiciones corporativas.

Prompting orientado a preguntas concretas, periodos, segmentos y métricas claramente identificables.

Diferencia entre falta de datos y falta de evidencia para responder.

Copilot en Dataflow Gen2 para apoyar determinadas tareas de transformación mediante lenguaje natural.

Fabric Data Agents como vía para que usuarios autorizados consulten conocimiento empresarial almacenado en Fabric en escenarios compatibles.

Requisitos de capacidad, configuración y región que condicionan la disponibilidad de Copilot.

Uso responsable de IA respetando privacidad, permisos, calidad y políticas de la organización.

Gobierno del dato como conjunto de responsabilidades, reglas y procesos que permiten utilizar información fiable y controlada.

Diferencia entre gobierno, administración técnica, seguridad y calidad.

Data Owner, Data Steward, productor y consumidor del dato.

Domains y subdomains para organizar información según unidades de negocio o áreas funcionales.

Asignación de workspaces a dominios para mejorar contexto, propiedad y descubrimiento.

Descripciones, propietarios, tags y metadatos como componentes de una correcta curación del catálogo.

Promoted como señal de que el propietario considera un elemento preparado para reutilización.

Certified como validación organizativa de que un activo cumple los estándares definidos.

Master data como identificación de información central que actúa como referencia autorizada.

Linaje para comprender cómo viajan los datos desde su origen hasta informes y otros elementos.

Impact Analysis para anticipar qué activos pueden verse afectados por un cambio.

Govern en OneLake Catalog para revisar el estado de gobierno y recomendaciones sobre los activos propios.

Detección de elementos sin descripción, propietario claro, sensibilidad o endorsement apropiado.

Reutilización de información certificada como principio básico del Self-Service BI gobernado.

Gobierno como facilitador de confianza y escalabilidad, no como bloqueo del análisis.

Principio de mínimo privilegio aplicado a usuarios, workspaces, elementos y datos.

Diferencia entre tener acceso a un informe y tener acceso a toda la información subyacente.

Roles del workspace y consecuencias de asignar permisos superiores a los necesarios.

Compartición a nivel de elemento como alternativa a incorporar a un usuario a todo el workspace.

OneLake Security como modelo granular de seguridad sobre los datos almacenados en OneLake.

Seguridad por tablas y carpetas.

Row-Level Security para limitar las filas que puede consultar un usuario.

Column-Level Security para proteger columnas específicas.

Combinación de controles según sensibilidad y necesidad empresarial.

Sensitivity labels para clasificar información según políticas corporativas.

Herencia de etiquetas en determinados flujos y fuentes compatibles.

Data Loss Prevention como mecanismo para detectar y gestionar situaciones de riesgo.

Microsoft Purview y Fabric como componentes complementarios para gobierno, protección, riesgo y cumplimiento.

Govern y Secure en OneLake Catalog como superficies para revisar postura y accesos según permisos.

Responsabilidad del usuario al exportar, compartir, copiar o reutilizar información empresarial.

Data Culture como capacidad organizativa y no únicamente como despliegue de una plataforma.

Diferencia entre acceso al dato y capacidad real para interpretarlo correctamente.

Alfabetización del dato para comprender indicadores, granularidad, filtros, periodos y unidades.

Definición compartida de KPIs y términos empresariales.

Catálogo de métricas para reducir interpretaciones incompatibles entre departamentos.

Data ownership y responsabilidad sobre significado, actualización y calidad.

Dimensiones de calidad: exactitud, completitud, consistencia, actualidad, unicidad y validez.

Detección de valores sospechosos antes de utilizarlos en decisiones.

Escalado de problemas de calidad al propietario correcto.

Evitación de Excel paralelos y copias locales que se convierten en nuevas fuentes de verdad.

Certificación y endorsement para favorecer reutilización de activos confiables.

Diseño de workspaces y dominios que reflejen responsabilidades reales.

Formación diferenciada para consumidores, creadores de autoservicio, propietarios y administradores.

Indicadores de adopción basados en uso útil y decisiones mejoradas, no únicamente en número de informes.

Modelo de madurez desde reporting fragmentado hasta analítica colaborativa gobernada y orientada a decisiones.

Definición de un escenario empresarial con necesidades de información, usuarios, objetivos y decisiones asociadas.

Identificación de las fuentes y activos Fabric relevantes para responder a las necesidades del escenario.

Selección de dominio y workspace adecuados para localizar información.

Uso de OneLake Catalog para identificar elementos existentes y evitar duplicidades.

Análisis de propietario, última actualización, sensibilidad, endorsement y descripción de cada fuente.

Identificación del modelo semántico que contiene las métricas corporativas requeridas.

Definición de los principales KPIs, dimensiones y criterios de interpretación.

Selección de informes Power BI adecuados para consumo y seguimiento.

Diseño conceptual de una vista ejecutiva orientada a las decisiones que debe tomar el colectivo destinatario.

Estrategia de análisis ad hoc mediante Power BI, exploraciones o Excel conectado.

Modelo de colaboración mediante Teams, Power BI Apps, suscripciones y enlaces compartidos.

Identificación de necesidades de información en tiempo real y condiciones que podrían justificar alertas.

Definición de consultas útiles para Copilot y criterios de validación de sus respuestas.

Revisión de linaje y dependencias para comprender procedencia e impacto de los activos seleccionados.

Matriz final de gobierno con ownership, certificación, sensibilidad, acceso, calidad, uso permitido y responsabilidades.