Casi ninguna empresa decide de un día para otro que necesita ayuda con sus datos. El proceso es más lento: los informes empiezan a tardar, cada departamento trae «su» cifra a la reunión, y las decisiones importantes se acaban tomando por intuición porque nadie se fía del todo de los números. Cuando eso se vuelve la norma, el Business Intelligence de la empresa se ha quedado corto —aunque nadie lo haya dicho en voz alta.

El ELT —cargar primero el dato en crudo y transformarlo después, dentro del propio motor de destino— se ha vendido como una característica del cloud, pero es un patrón arquitectónico, no una función de Snowflake o BigQuery. Se puede hacer —y se hace— on-premise, sobre SQL Server, Oracle o PostgreSQL, y para muchas empresas con datos sensibles o restricciones de coste es una opción perfectamente válida. Aquí explico qué es, por qué lo confundimos con la nube, cómo se implementa on-premise y cuándo conviene..

ETL transforma los datos antes de cargarlos en el destino; ELT los carga primero en crudo y los transforma después dentro del propio almacén analítico. La elección no es una cuestión de modernidad sino de tres variables: coste (dónde y cuántas veces se paga el cómputo de transformación), latencia (cuánto tarda el dato en estar disponible y en qué estado) y gobernanza (qué datos sensibles pueden o no aterrizar en crudo en la plataforma analítica). La mayoría de las organizaciones maduras acaban operando un patrón híbrido EtLT: una transformación ligera en vuelo —enmascarado de PII, deduplicación, normalización de formatos— seguida de la transformación pesada en el destino, gobernada como código..

Un Data Warehouse (DWH o almacén de datos) es un sistema de almacenamiento centralizado diseñado para recopilar, integrar y analizar grandes volúmenes de datos de múltiples fuentes heterogéneas. A diferencia de las bases de datos operacionales, está optimizado para consultas analíticas complejas (OLAP) y sirve como la fuente única de verdad para la toma de decisiones empresariales..

La Inteligencia Artificial ha dejado de ser una capa funcional superpuesta a los sistemas tradicionales para convertirse en un principio estructural que redefine cómo deben diseñarse, gobernarse y operar las arquitecturas de datos modernas. Durante décadas, las plataformas empresariales se han construido alrededor de patrones estables: bases de datos relacionales, almacenes centralizados, ETLs recurrentes y modelos de gobernanza que asumían que el dato era fundamentalmente un activo estático. Sin embargo, la irrupción de modelos de machine learning —y, más recientemente, los modelos generativos y LLMs— ha provocado un cambio profundo: ahora el dato es dinámico, contextual, tiempo-dependiente y semánticamente rico..

La decisión entre data lake, data warehouse o lakehouse no es una mera elección tecnológica: define cómo su organización almacenará, procesará y extraerá valor de los datos durante los próximos años. Esta arquitectura condiciona los tiempos de acceso, los costes operativos, la agilidad analítica y, en última instancia, la capacidad competitiva de la empresa.

Puntos clave que vamos a tratar: - Las características fundamentales, ventajas y limitaciones de cada arquitectura - Criterios técnicos y de negocio para seleccionar la estrategia adecuada - Patrones híbridos y arquitecturas convergentes (lakehouse) - Migración y coexistencia de múltiples paradigmas - Errores comunes y antipatrones que debe evitar..

Data warehouse security is vital for organizations that take the huge step of collating all their important data in one place. Unauthorized access to data warehouses can have devastating consequences, ranging from compromised customer information to exposing of high-level business intelligence that gives an enterprise its competitive advantage.

This article introduces warehouse security, discusses some of the challenges involved in securing a data warehouse, and offers some best practices for data warehouse security, including the use of FIPS 140-2 certified software and hardware..

¿Cómo encaja el Big Data con el BI? Hablando de BI yo siempre he visto el visto el Big Data como un origen de datos más para el Data Warehouse, pero con todo el bombo que se le está dando a esta tecnología a veces he llegado a entender que el Big Data iba a sustituir al Business Intelligence.

Incluso una vez tuve que escuchar en una conferencia sobre Big Data, y por boca de una persona que trabajaba con Big Data en una universidad la atrevida frase de 'Las bases de datos relacionales están muertas'..