top of page

La integración de Databricks con Power BI prioriza las métricas compartidas sobre las definiciones locales

hace 30 minutos
13 min de lectura

Databricks anunció una vista previa privada el 10 de noviembre de 2026 que lleva métricas empresariales definidas de forma centralizada a Power BI, manteniendo los cambios de definición en el origen. La integración de Databricks con Power BI conecta los informes con Unity Catalog, su catálogo de gobernanza de datos, mediante definiciones de métricas publicadas. La promesa es un significado empresarial compartido entre aplicaciones; la limitación es que la publicación sigue siendo direccional.

Esta distinción importa a las organizaciones que quieren informes conocidos sin mantener interpretaciones separadas de ingresos, margen o actividad de clientes. Una capa semántica, que define métricas empresariales y relaciones por encima de los datos sin procesar, determina lo que realmente significan esos números. Databricks quiere que esa autoridad permanezca aguas arriba de cada herramienta de informes.

Microsoft también presenta los modelos semánticos de Power BI, que agrupan cálculos empresariales y relaciones para el análisis, como recursos empresariales autorizados. La decisión inmediata para los clientes gira en torno a la propiedad: ¿qué sistema define una métrica y qué sistemas la consumen? Esta vista previa ofrece una respuesta concreta para equipos centrados en Databricks, aunque deja en sus manos el trabajo de sincronización, seguridad y compatibilidad.

Qué cambia con la integración de Databricks con Power BI

La vista previa cambia el origen de las definiciones de informes, al tiempo que mantiene Power BI como destino para los usuarios de negocio.

Según el anuncio de publicación de métricas, las organizaciones pueden publicar vistas de métricas de Unity Catalog en Power BI. Las vistas de métricas son definiciones reutilizables de mediciones empresariales y dimensiones analíticas. Cada vista publicada se convierte en una tabla de modelo, con las dimensiones representadas como columnas y las medidas aptas traducidas a DAX, el lenguaje de cálculo de Power BI.

El anuncio describe compatibilidad con agregaciones estándar, ratios, recuentos distintos y medidas de ventana seleccionadas, que calculan a través de rangos definidos de tiempo u ordenación. También describe la publicación mediante Catalog Explorer, la interfaz del catálogo, o trabajos automatizados. El acceso sigue estando en vista previa privada a través de un contacto de cuenta de Databricks, en lugar de disponibilidad general.

El cambio práctico es una ruta de publicación entre entornos que, de otro modo, invitan a los equipos a mantener definiciones paralelas. Un especialista en informes puede trabajar con campos y medidas reconocibles sin tener que recrear de forma independiente cada cálculo aprobado. Esto reduce una fuente concreta de desacuerdo: implementaciones mantenidas por separado de la misma regla empresarial.

Consideremos una revisión ilustrativa de ingresos. Finanzas excluye las transacciones canceladas, mientras que un panel de ventas cuenta los pedidos cuando entran en el sistema. Ambos informes pueden consultar correctamente sus datos subyacentes y, aun así, discrepar. El desacuerdo proviene de las definiciones, no de un gráfico defectuoso ni de un error aritmético.

La autoría centralizada ofrece a esos equipos un lugar específico para resolver el desacuerdo. Deben decidir si las mediciones describen el mismo concepto empresarial. Si es así, pueden compartir una definición aprobada. Si no es así, la organización debería darles nombres distintos y explicar sus finalidades separadas.

La publicación no toma esa decisión empresarial. Traslada la decisión a otra aplicación después de que alguien la haya tomado. Ese límite mantiene el anuncio en un terreno concreto: la integración aborda la implementación duplicada, mientras que el acuerdo organizativo sigue siendo un requisito previo.

Para quienes evalúan la integración de Databricks con Power BI, este es el acontecimiento significativo. Databricks ofrece una vía para que los flujos de trabajo de informes existentes consuman definiciones mantenidas en otro lugar. Los clientes pueden evaluar esa vía sin tratar la migración de una interfaz de informes como el proyecto central.

Por lo tanto, la vista previa debe juzgarse por si reduce el trabajo de conciliación en informes reales. Una demostración satisfactoria incluye acuerdo sobre el significado de un número, además de acuerdo sobre su valor mostrado. Las capturas de pantalla coincidentes, por sí solas, aportan una prueba menos sólida.

Las definiciones compartidas trasladan la responsabilidad aguas arriba

Centralizar la autoría de métricas hace que los equipos de datos sean responsables de las consecuencias posteriores de los cambios de definición.

La presión recae más directamente en los equipos que mantienen productos de datos de Databricks mientras dan soporte a informes consolidados de Power BI. Las definiciones compartidas les ofrecen menos implementaciones paralelas que conciliar. A cambio, sus cambios pasan a ser dependencias para colegas cuyos calendarios y prioridades de informes son diferentes.

Un cálculo propiedad de un departamento puede cambiar dentro de un grupo de trabajo relativamente reducido. Una definición de ingresos compartida exige una coordinación más amplia porque varios consumidores dependen de su significado. La capacidad técnica para publicar un cambio no establece quién debería aprobarlo.

Esto crea una cuestión de propiedad antes de crear una cuestión de herramientas. Finanzas podría ser responsable de la interpretación contable, la ingeniería de datos podría implementarla y los equipos de informes podrían gestionar la presentación. Una definición central funciona mejor cuando esas responsabilidades son lo suficientemente explícitas como para resolver desacuerdos.

En un informe ilustrativo de campañas, los analistas podrían comparar el gasto con los ingresos atribuidos. Un cambio en la política de atribución alteraría la interpretación del rendimiento de la campaña incluso si las transacciones subyacentes siguieran sin cambios. Los usuarios de negocio deben comprender ese cambio antes de comparar resultados entre períodos de informes.

Por lo tanto, el propietario del modelo central tendría que distinguir una corrección de una revisión de política. Una corrección repara una implementación que no expresaba la regla existente. Una revisión de política cambia la propia regla aprobada. Estos acontecimientos merecen explicaciones diferentes, incluso cuando ambos llegan como cálculos actualizados.

Los modelos semánticos de Power BI siguen siendo importantes en este esquema porque se sitúan cerca de la experiencia de informes. Sus propietarios comprenden los diseños de los informes, las expectativas de los usuarios y las dependencias que los equipos aguas arriba podrían pasar por alto. La autoría central debería proporcionar a esos propietarios una dependencia más clara que gestionar.

Un equipo aguas arriba que trate la publicación como el final de su responsabilidad pasaría por alto este cambio operativo. Una definición útil incluye un propietario responsable, una explicación y un proceso para atender preguntas. Sin esos elementos, un cálculo compartido puede convertirse en una fuente centralizada de confusión.

La misma cuestión se aplica al análisis asistido por IA. Una respuesta puede utilizar la fórmula aprobada y, aun así, malinterpretar la pregunta empresarial del usuario. La lógica de cálculo compartida reduce una fuente de error, pero no puede decidir si la métrica solicitada es adecuada para la decisión.

Las organizaciones que ya estructuran decisiones técnicas mediante una base de conocimiento de IA con capacidad de búsqueda reconocerán la distinción. Una fórmula y el razonamiento que la sustenta cumplen propósitos relacionados. Mantener accesible ese razonamiento ayuda a los colegas a interpretar cambios sin reconstruir la discusión original.

Para los compradores empresariales, la consecuencia inmediata es organizativa, no especulativa. Un piloto necesita la participación de propietarios de métricas de negocio, especialistas en informes y administradores de plataforma. Evaluarlo únicamente como un ejercicio de conectores dejaría sin respuesta las cuestiones de propiedad más relevantes.

Power BI sigue siendo un modelo, incluso cuando las definiciones comienzan en otro lugar

La integración conserva un modelo posterior, por lo que la compatibilidad depende de la fidelidad con que la publicación represente las definiciones aguas arriba.

Los requisitos de publicación describen condiciones específicas de elegibilidad. Las columnas utilizadas por las medidas deben aparecer como dimensiones y los campos deben tener nombres. Las entradas ausentes pueden hacer que se descarten medidas. La documentación también identifica patrones no compatibles, incluidas las vistas de métricas de múltiples fuentes y ciertos cálculos de ventana.

Estas restricciones cambian lo que significa una publicación satisfactoria. Una operación puede producir un modelo utilizable sin incluir todas las mediciones previstas. Por ello, los equipos deben comparar el inventario de campos resultante con los requisitos empresariales, en lugar de tratar la finalización de la operación como prueba de integridad.

Un informe financiero ilustrativo deja clara la distinción. Un total podría publicarse correctamente mientras que una comparación especializada no. Los usuarios aún podrían abrir el informe y explorar los campos disponibles. La comparación ausente seguiría siendo un problema empresarial, aunque la integración hubiera realizado el trabajo compatible.

Por eso merece atención la forma del modelo posterior. Los autores de informes trabajan con los campos que reciben, y sus interpretaciones dependen de las relaciones y cálculos disponibles. La calidad de la traducción debe evaluarse a través del comportamiento analítico del informe.

La guía de Microsoft sobre compatibilidad de modelos semánticos aporta un contexto competitivo relevante. Advierte que superponer sistemas semánticos puede generar resultados incorrectos cuando entran en conflicto los comportamientos de relaciones y agregaciones. Microsoft también describe los modelos de Power BI como recursos para herramientas externas y consumo por IA mediante interfaces programables.

Esta posición complica cualquier sugerencia de que los clientes se enfrenten a una elección simple entre una capa abierta aguas arriba y una aplicación de informes aislada. Ambos proveedores presentan sus modelos como infraestructura empresarial reutilizable. Su desacuerdo se refiere a dónde debe residir la autoridad y qué patrones de integración preservan la corrección.

En consecuencia, la vista previa debe evaluarse como un mecanismo concreto de publicación. No establece compatibilidad universal entre productos semánticos. Una ruta compatible para definiciones seleccionadas dice poco sobre una disposición de modelos no relacionada o un informe existente con supuestos diferentes.

Para los clientes, la comparación útil es entre enfoques operativos. Mantener las definiciones principalmente dentro de Power BI alinea la autoría con la experiencia existente en informes. Mantenerlas aguas arriba busca servir a una colección más amplia de consumidores. El mejor ajuste depende de dónde necesite viajar realmente la lógica empresarial compartida.

Un equipo que solo atiende informes consolidados podría ver un beneficio limitado en reubicar la autoría. Un equipo que reconstruye repetidamente las mismas mediciones aprobadas en distintas aplicaciones tiene una razón más clara para investigar. Ninguna de las dos situaciones establece un ganador universal.

La evaluación también debe incluir excepciones. Si una medición necesaria queda fuera de la ruta de publicación, la organización necesita una decisión explícita sobre cómo gestionarla. Reconstruir silenciosamente esa medida aguas abajo reintroduciría la propiedad dividida que el proyecto pretendía reducir.

Por lo tanto, las vistas de métricas de Unity Catalog deben ganarse la confianza mediante casos analíticos representativos. Los totales, los resultados filtrados y las comparaciones específicas de negocio deberían coincidir por razones que el equipo pueda explicar. La corrección resulta más convincente cuando resiste las interacciones habituales con los informes.

DirectQuery e Import crean límites de gobernanza distintos

Las definiciones de métricas compartidas no crean controles de acceso idénticos entre los distintos modos de almacenamiento.

DirectQuery, un modo que envía las consultas de los informes a la fuente, mantiene la ejecución de consultas conectada a Databricks. Import, un modo que almacena una copia de los datos en Power BI, crea un límite de acceso independiente. La documentación preliminar indica que las políticas de Unity Catalog se aplican a DirectQuery, mientras que los datos importados siguen los permisos de Power BI.

Esa distinción debe dar forma a la conversación sobre gobernanza desde el principio. Una organización no puede asumir que proteger la fuente protege automáticamente todas las copias posteriores bajo las mismas reglas. Debe identificar el sistema responsable del acceso en el punto en que los usuarios consumen los datos.

Un informe ilustrativo de ventas regionales expone el problema. Un gerente debería ver el ámbito regional autorizado, mientras que otro gerente debería recibir un ámbito diferente. Probar únicamente con un administrador aportaría poca evidencia de que la configuración de informes implementada respeta esos límites previstos.

La pregunta relevante es qué identidad utiliza la conexión y cómo se relaciona esa identidad con la audiencia. Las consideraciones sobre DirectQuery de Microsoft explican que los informes publicados pueden usar credenciales compartidas configuradas. DirectQuery por sí solo no establece seguridad individual por usuario. La autenticación y la configuración del modelo siguen formando parte del resultado.

Esto no contradice el valor de la gobernanza en la fuente. Aclara qué evalúa dicha gobernanza. Un sistema fuente aplica reglas a la identidad que se le presenta. Los equipos aún deben establecer si esa identidad representa a un espectador individual, una conexión compartida o una cuenta de servicio aprobada.

Import requiere un examen independiente porque los usuarios interactúan con datos copiados. Los revisores deben preguntar quién puede acceder a esa copia, qué restricciones se aplican dentro de Power BI y quién las mantiene. Estas preguntas siguen siendo necesarias incluso cuando las mediciones importadas proceden de definiciones aprobadas.

La elección también afecta las expectativas operativas. DirectQuery vincula las interacciones con los informes a la ejecución en la fuente, mientras que los datos importados requieren gestión de actualizaciones. Microsoft señala que el rendimiento de la fuente influye en la capacidad de respuesta de DirectQuery. Ninguno de los dos modos merece una conclusión general sobre el rendimiento sin una carga de trabajo real.

Para un equipo de negocio, la diferencia práctica aparece durante el uso habitual. Los usuarios esperan que los filtros respondan, que los informes se abran de forma predecible y que los permisos reflejen sus responsabilidades. Una definición centralizada solo es útil si el esquema de entrega respalda esas expectativas.

Por ello, la evaluación del rendimiento debe incluir interacciones y patrones de acceso representativos. Una consulta aislada puede revelar el comportamiento de los cálculos, pero no captura un informe que contiene varios elementos visuales dependientes. Las pruebas deben parecerse al trabajo que la organización espera que realicen las personas.

Databricks también analiza futuros beneficios de rendimiento derivados de la materialización, que almacena resultados precalculados para su reutilización. Su anuncio describe como futura la posibilidad de que Power BI se beneficie de esas optimizaciones. Los compradores deben separar esa declaración de hoja de ruta de las capacidades disponibles en la versión preliminar en la que están inscritos.

Esta es la disyuntiva central de la integración de Databricks con Power BI. La autoría centralizada reduce la duplicación de lógica de negocio, mientras que las decisiones de ejecución y almacenamiento siguen determinando límites operativos importantes. Un piloto creíble hace visibles ambos aspectos para las personas responsables de aprobar el despliegue.

La sincronización sigue necesitando un proceso de publicación gestionado

Una definición compartida solo sigue siendo útil cuando los consumidores posteriores reciben sus cambios aprobados mediante un proceso fiable.

Databricks indica que la publicación se ejecuta desde Unity Catalog hacia Power BI. Las modificaciones realizadas en medidas publicadas en Power BI no regresan aguas arriba. Los cambios en las definiciones requieren una nueva publicación, ya sea manualmente o mediante automatización. Esa dirección establece una fuente de autoridad, pero no elimina la gestión de actualizaciones.

La distinción entre datos actuales y definiciones actuales es especialmente importante. Un informe podría consultar registros actualizados recientemente y, al mismo tiempo, conservar un cálculo publicado más antiguo. A la inversa, su modelo podría reflejar una definición recién publicada mientras una copia de datos importados espera una actualización.

Lakeflow Jobs, el programador de flujos de trabajo de Databricks, ofrece una forma de coordinar estas operaciones. La documentación de la tarea de Power BI describe opciones automatizadas de publicación y actualización de modelos. También distingue las actualizaciones de metadatos de la actualización de datos importados, e identifica las credenciales y los permisos de ejecución de tareas como requisitos.

Para los operadores, la implicación es directa: la sincronización se convierte en un flujo de trabajo que debe mantenerse. Alguien necesita responsabilizarse de las ejecuciones fallidas, las credenciales caducadas y los cambios que requieren atención. Trasladar la publicación a un trabajo programado hace más visibles esas responsabilidades; no las elimina.

Imagine un cambio ilustrativo en la definición de un cliente activo. La medición aprobada empieza a excluir las cuentas en revisión. Antes de publicar, el propietario debe considerar qué informes dependen del campo y cómo deberían interpretar los usuarios las diferencias respecto a resultados anteriores.

Después de publicar, el equipo necesita evidencia de que el modelo previsto recibió el cambio. También debe confirmar que los informes afectados siguen expresando la pregunta de negocio aprobada. Una ejecución de tarea correcta aborda la ejecución; la aceptación empresarial aborda si el informe resultante sigue siendo adecuado.

La publicación unidireccional introduce otro asunto práctico: la experimentación local. Los analistas suelen necesitar investigar cálculos alternativos antes de proponer una métrica aprobada. Las organizaciones deben distinguir el trabajo exploratorio de las definiciones publicadas para que los usuarios comprendan qué mediciones cuentan con aprobación organizativa.

Sin esa distinción, una edición posterior atractiva puede convertirse en un reemplazo no oficial. Sus resultados podrían circular mientras el propietario aguas arriba sigue sin conocer la nueva interpretación. La ausencia de escritura automática de vuelta hace más importante un proceso explícito de propuesta y aprobación.

La planificación de recuperación también merece atención. Si una definición produce resultados inesperados, el equipo necesita saber cómo restaurará un estado aprobado. Esto incluye la explicación de negocio además de la operación sobre el modelo. Restaurar un cálculo sin explicar el impacto en los informes deja a los usuarios con incertidumbre.

Ninguna de estas preguntas exige considerar la versión preliminar como inadecuada. Ofrecen una descripción realista de lo que implica la autoría centralizada. El valor procede de reemplazar implementaciones dispersas por una dependencia controlada que los equipos pueden comprender, operar y revisar.

El argumento más sólido a favor de las vistas métricas de Unity Catalog surge cuando ese proceso ya encaja con las prácticas de trabajo de la organización. Los equipos acostumbrados a productos de datos revisados cuentan con una base para gestionar definiciones compartidas. Los equipos sin una propiedad clara de las métricas deberán establecerla junto con la evaluación técnica.

Vigile la disponibilidad, la cobertura del modelo y los resultados reproducibles

La siguiente evidencia debe mostrar un acceso más amplio, mejor cobertura y un comportamiento fiable en cargas de trabajo de informes representativas.

La primera señal es la disponibilidad. En los próximos meses, observe un cambio documentado desde la vista previa privada y condiciones de acceso más claras. Un acceso más amplio reforzaría el argumento para una evaluación rutinaria. Una inscripción restringida continua mantendría la adopción dependiente de un proceso de vista previa dirigido por cuentas.

La disponibilidad por sí sola no resolvería la idoneidad técnica. Sin embargo, facilitaría que las organizaciones compararan experiencias y evaluaran los requisitos de despliegue. Los compradores deben distinguir una versión ampliada de una declaración de intenciones, especialmente al planificar trabajo fuera de un acuerdo de vista previa existente.

La segunda señal es la cobertura de los requisitos reales de elaboración de informes. Observe las limitaciones documentadas y los patrones compatibles, en particular cuando las restricciones actuales afectan a las mediciones empresariales existentes. Un soporte más amplio reforzaría el argumento a favor de la autoría aguas arriba. Las excepciones persistentes aumentarían la cantidad de tratamiento especial que los clientes deben mantener.

La unidad útil de progreso es una necesidad completa de elaboración de informes. Añadir un patrón de cálculo importa cuando elimina un obstáculo específico del modelo de una organización. Una lista de funciones más larga ofrece evidencia más débil si los informes necesarios siguen dependiendo de comportamientos no compatibles.

La tercera señal es evidencia operativa reproducible. Busque evaluaciones que conecten la concordancia de cálculos, los permisos, el comportamiento de publicación y la capacidad de respuesta de los informes. Los resultados de cargas de trabajo representativas reforzarían el caso práctico de la integración. Las discrepancias persistentes o los procesos de actualización frágiles lo debilitarían, incluso si la publicación inicial parecía sencilla.

Estas señales deben evaluarse conjuntamente. Una disponibilidad más amplia con compatibilidad limitada crea una oportunidad distinta del acceso limitado con una cobertura técnica sólida. La decisión de un cliente también depende de si su entorno de informes se parece a las cargas de trabajo que se están demostrando.

La integración de Databricks con Power BI ofrece una propuesta concreta: mantener aguas arriba la autoría de métricas aprobadas mientras se sigue atendiendo a los usuarios de Power BI. Su valor depende de cuánta lógica duplicada elimina ese esquema y de qué tan bien encajan las responsabilidades operativas restantes en la organización.

Comience con un informe cuyas definiciones de métricas ya causen trabajo de conciliación. Identifique al propietario de negocio, el cálculo aprobado, la audiencia de informes y el comportamiento de actualización esperado antes de evaluar la ruta de publicación. Compare los resultados con filtros relevantes y, después, examine los permisos y la gestión de un cambio de definición. Incluya al equipo de elaboración de informes en esa revisión para que el éxito refleje necesidades analíticas reales. Mantenga un registro de las excepciones en lugar de ocultarlas en cálculos posteriores. La pregunta útil es si la autoría compartida hace que el informe sea más fácil de confiar y mantener. ¿Qué informe existente proporcionaría la evidencia más clara de que su organización puede gestionar esa responsabilidad?

 
 

Empieza gratis

Un asistente de IA local-first con gestión del conocimiento personal

Para ofrecer una mejor experiencia con la IA,

actualmente remio solo es compatible con Windows 10+ (x64) y M-Chip Macs.

Tu aliado de IA para el trabajo
Haz más con remio

Planifica. Crea. Entrega.
Todo en un solo lugar.

bottom of page