Esquema en estrella frente a esquema en Snowflake: Diferencias y casos de uso

¿Qué es un esquema Snowflake?

Un esquemaen forma de Snowflake es otra forma de organizar los datos. En este esquema, las tablas de dimensiones se dividen en subdimensiones más pequeñas para mantener los datos más organizados y detallados, como copos de nieve en un gran lago. 

Diseño del esquema Snowflake. Imagen del autor.

Veamos las características clave del esquema Snowflake que lo diferencian de otros esquemas:

• Tablas de dimensiones multinivel: Podemos dividir nuestras tablas de dimensiones en tablas más pequeñas y específicas. Por ejemplo, si quieres realizar un seguimiento de las ubicaciones de las tiendas, en lugar de poner todos los detalles de ubicación en una gran tabla, puedes dividirlos en tablas separadas para países, estados y ciudades. De esta manera, cada tabla contendría solo la información que necesitas para reducir la redundancia y mejorar la organización.
• Normalización para una mayor eficiencia de almacenamiento: A diferencia del esquema en estrella, el esquema Snowflake parapermite un diseño normalizado, clo que evita la duplicación de datos. Por ejemplo, en lugar de repetir una categoría de producto como Electronics para cada producto, puedo almacenar la categoría en una tabla separada y vincularla a productos individuales.
• Idoneidad para entornos de datos complejos: El esquema de Snowflake funciona mejor en entornos de datos complejos, ya que utiliza tablas multinivel para gestionar relaciones intrincadas y estructuras de datos jerárquicas.

Entendamos esto con un sencillo diagrama esquemático de un Snowflake. En el centro se encuentra la tabla de hechos, que contiene datos medibles. Se conecta a tablas de dimensiones que describen los hechos, y estas tablas de dimensiones se ramifican a su vez en tablas de subdimensiones, formando una estructura similar a un Snowflake. 

Por ejemplo, aquí he dividido la tabla Product enlas tablas Manufacturer y Category , y latabla Customer enlas tablas Transaction y Location :

Ejemplo de esquema Snowflake. Imagen del autor.

Aquí tienes un ejemplo SQL que ilustra un esquema Snowflake en el que la Product tabla se normaliza aún más en Category y Manufacturer tablas:

-- Fact table remains the same
CREATE TABLE Sales (
    Sales_ID INT PRIMARY KEY,
    Product_ID INT,
    Customer_ID INT,
    Date_ID INT,
    Sales_Amount DECIMAL(10, 2),
    FOREIGN KEY (Product_ID) REFERENCES Products(Product_ID),
    FOREIGN KEY (Customer_ID) REFERENCES Customers(Customer_ID),
    FOREIGN KEY (Date_ID) REFERENCES Dates(Date_ID)
);

-- Dimension table: Product
CREATE TABLE Product (
    Product_ID INT PRIMARY KEY,
    Product_Name VARCHAR(100),
    Category_ID INT,
    Manufacturer_ID INT,
    FOREIGN KEY (Category_ID) REFERENCES Category(Category_ID),
    FOREIGN KEY (Manufacturer_ID) REFERENCES Manufacturer(Manufacturer_ID)
);

-- Sub-dimension table: Category
CREATE TABLE Category (
    Category_ID INT PRIMARY KEY,
    Category_Name VARCHAR(50)
);

-- Sub-dimension table: Manufacturer
CREATE TABLE Manufacturer (
    Manufacturer_ID INT PRIMARY KEY,
    Manufacturer_Name VARCHAR(100)
);

La siguiente consulta calcula las ventas totales por categoría de producto. Aunque implica más uniones que el esquema en estrella, es más eficiente en cuanto al almacenamiento:

SELECT cat.Category_Name, SUM(s.Sales_Amount) AS TotalSales
FROM Sales s
JOIN Product p ON s.Product_ID = p.Product_ID
JOIN Category cat ON p.Category_ID = cat.Category_ID
GROUP BY cat.Category_Name;

Ventajas y limitaciones de un esquema en forma de Snowflake

Al igual que el esquema en estrella, el esquema Snowflake también tiene sus propias ventajas. Veamos cuáles son:

• Menos redundancia de datos: La normalización garantiza que los mismos datos no se almacenen varias veces, lo que reduce la duplicación.
• Almacenamiento eficiente para grandes conjuntos de datos: Este esquema ahorra espacio de almacenamiento al evitar la repetición de datos, lo que lo hace ideal para gestionar grandes conjuntos de datos.

Sin embargo, a pesar de sus ventajas, también existen algunas limitaciones. Por ejemplo,las consultas pueden ser más lentas que porque hay más uniones entre tablas. Aparte de esto, la estructura multinivel es más difícil de diseñar y mantener que esquemas más simples como el esquema en estrella. Por lo tanto, hazlo solo si cuentas con un equipo de administradores de bases de datos con experiencia.

Te recomiendo que eches un vistazo al curso Diseño de bases de datos si deseas aprender más sobre cómo estructurar datos de forma eficiente para su análisis. 

Uso de un enfoque híbrido

En proyectos reales, es habitual utilizar ambos patrones en diferentes capas para combinar las ventajas de ambos enfoques:

• Mantén estructuras más normalizadas (en forma de Snowflake) en la capa del almacén para garantizar la coherencia y facilitar el mantenimiento.
• Publica marts en forma de estrella o vistas desnormalizadas para BI y generación de informes.

Esto permite a los equipos equilibrar la integridad y la gestión de los datos con un consumo rápido y sencillo de los análisis.

Esquema en estrella frente a esquema en Snowflake

Tanto los esquemas en estrella como los esquemas Snowflake se utilizan ampliamente en el almacenamiento de datos, pero sus características únicas los hacen adecuados para diferentes necesidades. Veamos en qué se diferencian estos esquemas en cuanto a estructura, rendimiento, requisitos de almacenamiento y casos de uso.

Estructura

Todas las tablas de dimensiones se conectan directamente a una tabla de hechos central en un esquema en estrella. Esto significa que todos tus datos de referencia están a un paso de tus datos principales, lo que facilita su comprensión y manejo.

En comparación, un esquema de Snowflake divide las tablas de dimensiones en tablas de subdimensiones más pequeñas y específicas. Por ejemplo, puedes tener tablas separadas para países, estados y ciudades en lugar de una sola tabla de ubicaciones. Si bien esto crea una estructura más organizada y detallada, también significa que se necesitan más conexiones (o uniones) para acceder a tus datos, lo que constituye una de las principales razones por las que el esquema Snowflake es más complejo que el esquema Star.

Rendimiento

En lo que respecta a la velocidad, los esquemas en estrella suelen ser mejores. Dado que todas las tablas de dimensiones se conectan directamente a la tabla de hechos, las consultas suelen requerir menos uniones, lo que se traduce en un rendimiento más rápido. Supongamos que deseas analizar las ventas por región; en este caso, puedes utilizar el esquema en estrella para recuperar los datos con un procesamiento mínimo.

Por el contrario, los esquemas de Snowflake suelen ser más lentos porque hay que conectarse a través de varias tablas para recuperar los datos. Cada unión añade tiempo de procesamiento, lo que hace que los esquemas Snowflake sean menos eficientes para tareas que requieren resultados de consulta rápidos.

El curso «Unión de datos en SQL» es una excelente introducción para aprender a unir tablas, aplicar la teoría de conjuntos relacionales y trabajar con subconsultas.

Requisitos de almacenamiento

Los esquemas en estrella ocupan más espacio de almacenamiento porque almacenan información redundante en tablas de dimensiones. Por ejemplo, si varios productos pertenecen a la misma categoría, el nombre de la categoría se repetirá para cada producto, lo que aumentará las necesidades de almacenamiento.

Sin embargo, los esquemas de Snowflake normalizan los datos para almacenar toda la información una sola vez. Por ejemplo, en lugar de repetir los nombres de las categorías, estos se almacenan en una tabla separada y se vinculan a la tabla de productos mediante claves externas. Este diseño ahorra espacio de almacenamiento, lo que lo hace ideal para conjuntos de datos de gran tamaño.

Casos de uso

Los esquemas en estrella son ideales para sistemas de procesamiento analítico en línea (OLAP), generación de informes y tareas de inteligencia empresarial. Su simplicidad los hace perfectos para situaciones en las que la velocidad y la facilidad de uso son importantes, como la generación rápida de paneles de control o informes de ventas.

Los esquemas Snowflake se utilizan a menudo para análisis financieros o sistemas de gestión de relaciones con los clientes (CRM). En estos casos, organizar jerarquías detalladas y ahorrar espacio de almacenamiento es más importante que la velocidad de las consultas.

Tabla comparativa

A continuación, se muestra una comparación rápida entre los esquemas de estrella y Snowflake para ayudarte a decidir cuál se adapta mejor a tus necesidades de datos. He resaltado las diferencias clave en esta tabla, centrándome en su estructura, rendimiento, almacenamiento y casos de uso:

Elegir el esquema adecuado

Cuándo utilizar un esquema en estrella

Si lo que quieres principalmente es organizar tus datos de forma sencilla y rápida, el esquema en estrella sería perfecto. Aquí tienes cuándo puedes utilizarlo:

• Si estás creando un modelo semántico para herramientas de BI (por ejemplo, Power BI) y deseas un número reducido de tablas y relaciones. Admite filtrado/agrupación intuitivos y suele funcionar bien con elementos visuales interactivos.
• Si deseas ejecutar consultas sencillas, como buscar las ventas totales por región, utiliza un esquema en estrella. Dado que todas las tablas de dimensiones se conectan directamente a la tabla de hechos, se evita una complejidad innecesaria y se obtienen respuestas más rápidamente.
• Incluso puedes utilizar un esquema en estrella cuando la velocidad es tu prioridad. Minimiza el número de uniones de tablas, por lo que tus consultas se ejecutan más rápido. Lo utilicé una vez para generar varios informes de ventas, lo que me ahorró mucho tiempo en comparación con otros diseños.
• Si tu conjunto de datos es pequeño o mediano, la redundancia del esquema en estrella no supondrá ningún problema. Incluso con datos repetidos, funcionaría bien sin saturar tu almacenamiento.

Cuándo utilizar un esquema en forma de copo de nieve

El esquema Snowflake es más adecuado para representar jerarquías y datos de referencia compartidos, especialmente cuando varios atributos dimensionales se repiten en muchas filas. Aquí tienes cuándo puedes utilizarlo:

• Cuando tus dimensiones tienen jerarquías claras (por ejemplo, País → Estado/Región → Ciudad) y deseas modelar esos niveles de forma clara como tablas separadas.
• Si deseas un mayor control de los datos de referencia compartidos (por ejemplo, listas estándar como categorías, fabricantes o zonas geográficas) para reducir la duplicación y facilitar el mantenimiento de la coherencia de las definiciones en todo el almacén.
• Incluso puedes utilizar el esquema Snowflake si tus datos cambian con frecuencia, como por ejemplo al actualizar los nombres de las regiones. Mantiene actualizaciones coherentes en todos los datos relacionados para minimizar los errores y los esfuerzos de mantenimiento.
• Si tu análisis implica múltiples niveles de datos, el esquema Snowflake puede ayudarte a organizar y representar estas relaciones de una manera sencilla.

Selección de esquemas en almacenes de datos en la nube

En muchos almacenes de datos en la nube modernos, el almacenamiento es relativamente barato en comparación con la computación. Esto significa que el «almacenamiento adicional» de las dimensiones desnormalizadas suele ser menos importante que el coste computacional que supone escanear y unir datos.

A la hora de elegir entre estrella y Snowflake, ten en cuenta el modelo de precios de tu plataforma (computación frente a almacenamiento), la concurrencia de tus consultas y si puedes utilizar el almacenamiento en caché o las vistas materializadas para reducir los costes de las consultas.

Reflexiones finales

En este blog, he abordado las diferencias entre los esquemas estrella y Snowflake, sus puntos fuertes y cuándo utilizar cada uno de ellos. ¡Espero que hayas comprendido bien y hayas obtenido consejos prácticos para tu trabajo! Si deseas obtener más información, consulta estos recursos en DataCamp:

• El curso Introducción al modelado de datos en Snowflake te ayudará a sentar las bases para trabajar con Snowflake. 
• El curso Modelado de datos en Power BI para organizar y gestionar datos en Power BI.
• El ingeniero de datos asociado en el programa de SQL te permitirá llevar tus conocimientos de SQL al siguiente nivel.