Buenas. comparto una duda que me ha surgido en un modelo que estoy desarrollando. Quiero hacer un análisis de datos de una correduría de seguros (pólizas, recibos, comisiones, objetivos y siniestros) tengo definido el modelo "casi de estrella" de datos (es mas copo de nieve ya que hay algunas tablas que filtran en las tablas de dimensiones por ejemplo la tipologia del ramo filtra la tabla de ramos que es de dimensiones). La principal duda que tengo y no acabo de conseguir que funcione como quiero es con los segmentadores. tengo las dimensiones de compañias (id, nombre), ramos (id, nombre) y producto (id, nombre, id_cia, id_ramo). quiero aplicar segmentadores que se autofiltren. es decir si pulso una cia me filtre los productos de esa cia y los ramos de ese producto. si filtro producto me filtre las dimensiones cias y ramos del producto seleccionado. finalmente estas tres dimensiones filtraran polizas (cia_id, ramo_id) y recibos (cia_id, ramo_id). ¿Se os ocurre cómo puedo filtrar los valores de las dimensiones segun otras tablas de dimensiones? Gracias

Cuando empiezas, crees que el problema es: – Aprender DAX – Entender las relaciones – Saber hacer gráficos “bonitos” Te obsesionas con la herramienta. Luego pasa algo. Te das cuenta de que el verdadero problema no era técnico. Era otro. – No tener claro qué decisión quieres tomar – No saber qué KPI es realmente relevante – No entender del todo el negocio que estás midiendo – Medir demasiado… y decidir poco Y ahí cambia todo. Power BI deja de ser una herramienta de informesy empieza a ser una herramienta de criterio. Si estás empezando (o llevas poco tiempo), te lanzo una pregunta: 👉 ¿En qué punto estás ahora mismo? ¿Más enfocado en la técnica… o ya peleando con el negocio? Te leo 👇

Llevo tiempo dándole vueltas a una idea dentro de mi framework de trabajo (DCDA v3.1) y me encantaría conocer su opinión y cómo lo abordan ustedes en sus proyectos. He notado que, a veces, nos enfocamos a construir modelos en estrella impecables (siguiendo los grandes consejos de esta comunidad), pero corremos el riesgo de que el cliente final no sepa qué hacer con los datos una vez que están publicados. Lo que intento aplicar ahora es lo que llamo "Fase 0" o Ingeniería de Decisiones: Antes de tocar una sola tabla, trato de definir con el usuario no solo qué quiere ver, sino qué va a decidir. Mi proceso personal es este: 1. Definir el "Umbral de Acción": En lugar de solo graficar la venta, intento que definamos: "Si el margen baja de X%, ¿qué palanca operativa vamos a mover ese mismo día?". 2. Diseñar la "Capa de Respuesta": Intento que el dashboard no solo muestre el problema, sino que sugiera el protocolo de acción (lo que llamo Matriz MEDMA) para que el usuario no técnico tenga una guía clara. 3. Buscar el ROI Analítico: Para mí, el éxito no es que el tablero sea bonito, sino que ayude a reaccionar tan rápido que se recupere dinero o se evite una pérdida. Sinceramente, a veces me cuesta que el cliente se siente a definir estos umbrales antes de ver el primer prototipo. ¿Ustedes pasan por este proceso de definir las acciones antes del modelado? ¿Cómo logran que el negocio se comprometa con estas definiciones antes de ver los datos en pantalla? Me encantaría leer sus experiencias para seguir puliendo esta forma de trabajar. ¡Gracias!

Comparto con vosotros un modelo en estrella construido a partir de tres tablas de hechos (Adopciones, Pipeline y Cuota por Centro) que me está permitiendo analizar la cuota de mercado desde la visión estratégica hasta el detalle por zona, materia y editorial. Incluye KPIs ejecutivos, evolución temporal, heatmap competitivo y ranking de competidores. Me encantaría conocer vuestra opinión sobre el modelado, las relaciones y el enfoque analítico del dashboard

Al diseñar cuadros de mando debemos evitar diseñar simplemente para 'ver qué pasó'. El objetivo es construir para garantizar que el sistema no solo se pague solo, sino que se convierta en un motor de rentabilidad y eficiencia a largo plazo. En mi framework de trabajo, no empezamos por el visual; empezamos por el retorno y el impacto real en la operación Les comparto cómo voy a abordar la optimización logística en una cadena de retail utilizando la Ingeniería Estratégica para transformar un proceso manual en un activo financiero: El Escenario Actual (Donde el valor se escapa): Hoy, el surtido de insumos depende de una cadena de subjetividades: gerentes que piden "a criterio" en un Excel, y un almacén central que decide cuánto enviar basándose en su propia intuición. - El riesgo: Exceso de inventario (merma) o quiebres de stock (ventas perdidas). El camino hacia el ROI Analítico con mi framework: No vamos a "dibujar datos", vamos a rediseñar la decisión a través de estas fases: 1.-Fase 0 (Ingeniería de Decisiones): Sustituiremos el "yo creo" por un algoritmo de reorden. El sistema sugerirá el pedido exacto cruzando consumo histórico, stock de seguridad y existencia física. El objetivo: que el sistema tome la decisión técnica y el humano la decisión estratégica. 2.-Tiempo 1 (Factor Humano): Reduciremos la fricción operativa. El gerente dejará de ser un capturista de Excel para convertirse en un validador en tablet. Si el proceso es ágil, el dato es preciso. Si el dato es preciso, el ROI es real. 3.- Captura de Valor (La meta): El éxito del proyecto no será el dashboard, sino la medición de tres impactos clave: - Eficiencia de Inventario: Reducción de desperdicio en productos perecederos. - Disponibilidad de Servicio: Eliminación de ventas no realizadas por falta de producto. - Productividad Administrativa: Recuperación de horas-hombre invertidas en tareas manuales que no agregan valor. Mi conclusión: El Business Intelligence no debe ser un gasto para la empresa. Cuando implementamos una metodología orientada al ROI Analítico, pasamos de entregar "reportes" a entregar "rentabilidad".