¿Sus aplicaciones de Qlik crean claves sintéticas una y otra vez?

Las claves sintéticas y las referencias circulares son Qlik asociando exactamente lo que recibe. Aparecen porque los datos llegan sin dimensiones conformadas ni claves reales, así que cada aplicación tiene que inventarlas.

¿Sus aplicaciones de Qlik crean claves sintéticas una y otra vez?

La plataforma de automatización de data warehouse en la que confían equipos de datos de todos los sectores

¿Le suena familiar?

  • El visor del modelo de datos está lleno de tablas $Syn que nadie quería crear.
  • Una recarga avisa de una referencia circular y una tabla acaba débilmente acoplada.
  • Cada script de carga empieza con un bloque de renombrados, sentencias QUALIFY y tablas de enlace.
  • Añadir una tabla nueva a una aplicación rompe asociaciones que ayer funcionaban.

Una clave sintética es Qlik haciendo exactamente lo que debe con las tablas que recibe. Cuando varias tablas comparten varios nombres de campo, el motor tiene que asociarlas de alguna manera.

Qué le están diciendo las claves sintéticas

  • Varias tablas comparten varios campos. Qlik crea una tabla $Syn para cada combinación, y el visor del modelo se llena de ellas.
  • Dos caminos llevan a la misma tabla. Eso es una referencia circular, y Qlik acopla débilmente una tabla para romper el bucle.
  • Las soluciones son estructurales. Tablas de enlace, tablas de hechos concatenadas, QUALIFY, renombrar con AS, claves compuestas construidas con AutoNumber.
  • Cada solución es local. Resuelve esta aplicación, y la siguiente aplicación sobre los mismos orígenes vuelve a empezar.

Cada una es una clave que debería haber existido antes de que los datos llegaran a Qlik.

Por qué le toca a usted

  • Los extracts llegaron con los nombres de campo que cada sistema de origen usaba por casualidad.
  • Nadie antes en la cadena decidió qué CustomerID es el cliente, así que tiene que decidirlo el script de carga.
  • Puede renombrar un campo en Qlik. No puede conformar la dimensión de la que procede.

El trabajo está en el lugar equivocado

  • Decidir cómo se relacionan las tablas es trabajo del data warehouse. En Qlik se rehace en el script de carga de cada aplicación.
  • Debe hacerse en un único lugar central: un data warehouse o un data hub, construido una vez y leído por todas las aplicaciones.
  • Si eso le parece caro, probablemente la estimación parte de pipelines construidos a mano. Una plataforma de automatización especializada los genera a partir de un modelo, lo que cambia tanto el coste como el tiempo necesario.

Qué cambia cuando el modelo llega terminado

Datavault Builder genera el vault y la capa dimensional de forma nativa en la base de datos que ya tiene, ya sea Snowflake, Databricks, SQL Server, Fabric, Oracle o PostgreSQL.

  • Las dimensiones conformadas implican una sola tabla de clientes y una sola clave de cliente, compartidas por todas las tablas de hechos.
  • Las claves subrogadas hacen el join sobre un único campo, así que no queda nada que Qlik tenga que sintetizar.
  • Las tablas de hechos con una granularidad declarada sustituyen a la tabla de enlace que mantenía a mano.
  • El script de carga se convierte en un simple LOAD desde tablas terminadas, sin bloque de renombrados al principio.
  • Una aplicación nueva parte del modelo, no de una copia de la última solución.

Qué pedir

No “Qlik sigue creando claves sintéticas”, sino:

“Nuestras aplicaciones necesitan tablas de enlace y campos renombrados porque pedidos, facturas y envíos llevan cada uno sus propias claves de cliente y de fecha. ¿Puede el warehouse entregar dimensiones conformadas con claves subrogadas, para que todas las aplicaciones carguen el mismo star schema?”

Si la respuesta es que conformar esas dimensiones llevaría un trimestre de trabajo de ingeniería, esa es exactamente la objeción que Datavault Builder elimina.

Véalo funcionando con sus propios datos

Reserve una demo gratuita y traiga el informe que más problemas le da.

Tres pasos hacia cifras que cuadran

  1. Extraer la lógica existente

    Reúna los cálculos, joins y filtros que hoy viven en sus informes.

  2. Centralizarla en un solo lugar

    La lógica pasa una sola vez al modelo del warehouse, y todos los informes leen la misma definición.

  3. Cifras que cuadran

    Todos los informes muestran la misma cifra, y “de dónde sale esta cifra” tiene una respuesta visible.

Cómo Datavault Builder entrega a su informe un modelo terminado

  • El modelo llega terminado

    Datavault Builder genera el vault y el star schema para que se ejecuten de forma nativa en la base de datos que ya tiene: SQL Server, Azure SQL, Synapse, Fabric, Snowflake, Databricks o BigQuery.

  • El trabajo sale del informe

    Sin merge, sin parsing, sin fuzzy match. Ese trabajo desaparece del informe.

  • Las fuentes llegan integradas

    Los clientes del ERP, el CRM y la tienda online se consolidan en un único conjunto de dimensiones conformadas. El join se hace una vez en el warehouse, no de nuevo en cada informe.

  • Historial que puede consultar

    Cada cambio se conserva tal como llega, así que puede analizar tanto cómo era como cómo es, incluso cuando el sistema de origen sobrescribe sus propios registros.

  • Cada cifra tiene lineage

    La lógica gana lineage, así que “de dónde sale esta cifra” tiene una respuesta visible.

  • Cambios gestionados en el origen

    Las dimensiones de cambio lento se gestionan en el origen como satélites del vault, no por aproximación.

Reconocido por BARC en The Data Fabric Survey 26

Hable con nuestro experto

Veinte minutos con nuestro Sales Director y una respuesta honesta sobre si esto encaja con su situación.

Matt Collett

Matt Collett

Sales Director

¿Qué está buscando?

Al enviar acepta nuestra Política de Privacidad.

Otros problemas que cubre esta serie

  • ¿Sus aplicaciones de Qlik y sus informes de Power BI muestran cifras distintas?

    Ni Qlik ni Power BI se equivocan. Cada uno tiene su propia lógica de carga, sus propias definiciones y su propio lineage, así que la misma métrica se calcula dos veces y nadie puede conciliarlas. Las reglas deben estar en un único modelo gobernado del warehouse que lean ambas herramientas.

  • ¿Limpia los mismos datos una y otra vez en cada script de carga de Qlik?

    Los mismos mapping loads, correcciones de cadenas y eliminación de duplicados se escriben de nuevo en cada aplicación y en cada capa de QVD, y las copias acaban divergiendo. La limpieza se repite en cada script porque ninguna capa integrada del warehouse la hace una sola vez.

  • ¿Sus expresiones de Set Analysis en Qlik son demasiado largas y lentas?

    Set Analysis es preciso para comparaciones genuinas. La mayoría de las expresiones largas de su aplicación están ahí porque el modelo nunca entregó historial, indicadores ni una única granularidad, así que el gráfico los reconstruye con cada selección.