El diseño de esquemas de datos es la decisión arquitectónica más duradera y costosa de modificar en cualquier plataforma. Este capítulo desmitifica el dilema normalización vs desnormalización, proporcionando criterios cuantitativos basados en patrones de acceso reales, no en dogmas académicos.
Aprenderás cuándo y cómo aplicar particionado, sharding e índices estratégicos para escalar sin re-arquitecturas dolorosas. Incluye un caso real donde el rediseño basado en patrones de acceso redujo la latencia de 2.3s a 180ms (92% de mejora) y los costes de infraestructura en 48%, junto con checklists operativos, antipatrones documentados y frameworks de decisión para CIOs, arquitectos e ingenieros que necesitan que sus sistemas escalen sin colapsar..

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..

Existen algunos tips que permiten mejorar el rendimiento y reducir el tiempo de procesado en nuestras bases de datos de Analysis Services. Hay unas cuantas páginas dedicadas a ello y resúmenes por ahí que marcan unas líneas a seguir (y otras que no!). En este post nombro un ejemplo y de que manera podemos medir esa posible mejora de forma objetiva basándonos en el uso de los contadores de rendimiento del sistema y de Sql Server Profiler.