Saltar al contenido

Traducción automática — la versión en portugués es la referencia. Ver en portugués

Actualizado el 2026-10-05

Modos de datos — Import, DirectQuery y caché

Cómo lee los datos el panel — extracto de cada tabla (Import), consulta en vivo (DirectQuery) y caché; qué hace Actualizar ahora.

En esta página (5)

Como en Power BI, un dashboard tiene un modo de datos. En ingestia.bi hay dos: Import (extracto de la tabla, costo cero al visualizar) y DirectQuery (consulta en vivo con caché). El tope de costo por consulta vale en toda consulta. Los ejemplos usan el workspace sintético Comércio Aurora Ltda.


Import (extracto de la tabla)#

El modo Import por extractos está disponible para todos los workspaces. Los paneles antiguos, con una consulta por visual, pasan al extracto de forma asistida, panel por panel (ver el aviso abajo).

¿Panel antiguo con una consulta por visual?

Lleva los visuales al extracto de la tabla, uno por uno, comparando los números antes y después: Datos → Modelo Import → Migrar visuales. Consulta Migrar visuales al modelo Import.

  1. Qué es — el panel guarda un extracto de cada tabla que usa (una copia de la tabla del datalake). Los visuales se recortan de ese extracto, sin volver a consultar el datalake.
  2. Cuándo usarlo — paneles del día a día que no necesitan tiempo real; es el caso más común y el más barato.
  3. Cómo funciona —
    • Actualizar ahora (o la agenda del panel) rehace los extractos: una lectura por tabla, sin importar cuántos visuales tenga el panel. También es lo que trae al panel una columna nueva que entró en la tabla.
    • En el editor, cambiar o agregar un campo en un visual aparece al instante: el visual se recorta del extracto que ya está guardado, sin nueva consulta y sin esperar la próxima actualización.
    • Un visual con consulta propia (SQL escrito a mano, de antes del extracto) sigue consultando en la actualización; mígralo al extracto cuando puedas.
  4. Requisitos previos — datalake configurado. Sin datalake, la plataforma funciona en modo demostración.
  5. Cómo validar — haz clic en Actualizar ahora, cambia un campo de un visual en el editor y mira cómo cambia el número sin esperar; el pie del panel muestra la fecha de la última actualización.
  6. Límites y salvedades — el extracto es una fotografía: lo que cambió en la tabla después solo aparece en la próxima actualización. El conteo de distintos no se suma entre partes (p. ej., los usuarios únicos por día no dan los únicos del mes) — usa la medida correcta para el nivel que muestra el visual.
  7. Datos de ejemplo (sintéticos) — "Ingresos por UF" (SP=250, RJ=90, MG=140) recortados del extracto de vendas.
  8. Evidencia — recorte del extracto, plan de extracción por tabla y migración antes/después cubiertos por una suite determinística.

DirectQuery (en vivo)#

  1. Qué es — el panel consulta la base en vivo en cada visualización, con caché para reducir el costo.
  2. Cuándo usarlo — cuando el dato tiene que reflejar el estado actual, aceptando un costo por consulta (en el cache-miss).
  3. Cómo funciona — el motor de DirectQuery consulta en vivo con caché administrada de 10 min; el cobro ocurre en el cache-miss. La falla de un widget se convierte en una tarjeta de error y nunca tumba el panel.
  4. Requisitos previos — datalake configurado; caché administrada para el caché (sin ella, el caché es un no-op).
  5. Cómo validar — configura el modo rt, abre el panel dos veces en menos de 10 min y confirma que la 2.ª lectura viene del caché (sin nuevo costo).
  6. Límites y salvedades — la latencia de cada consulta depende del volumen de la tabla y de si el resultado ya está en caché. No hay timeout explícito ni cancelación de consultas en el datalake — la protección es el maxDuration de la función + un reaper de ejecuciones atascadas.
  7. Datos de ejemplo (sintéticos) — la 1.ª lectura consulta (cache-miss, cobra); la 2.ª lectura en 5 min (cache-hit, costo cero).
  8. Evidencia — consulta en vivo con caché (cobro solo en el cache-miss) y aislamiento de fallas por widget cubiertos por una suite determinística.

Caché de consulta#

  1. Qué es — caché del resultado de la consulta (10 min), de la verificación de acceso (60 s) y del catálogo, con invalidación O(1) por versión.
  2. Cuándo usarlo — automático en DirectQuery y en lecturas repetidas.
  3. Cómo funciona — clave por workspace + versión + hash del SQL; invalidación por incremento de versión; fallback en memoria cuando no hay caché administrada.
  4. Requisitos previos — caché administrada para el caché compartido; sin ella, cae en el fallback local (no-op entre instancias).
  5. Cómo validar — repite la misma consulta dentro de 10 min y confirma el cache-hit; publica una nueva versión y confirma la invalidación (miss en el próximo acceso).
  6. Límites y salvedades — sin la caché administrada, el caché no se comparte entre instancias; la tasa de aciertos y la ganancia de latencia en producción son NO MEDIDO.
  7. Datos de ejemplo (sintéticos) — hash sql:a1b2 servido desde el caché durante 10 min.
  8. Evidencia — caché por workspace + versión + hash del SQL, con invalidación O(1) por versión y fallback en memoria, cubierto por una suite determinística.

Actualización incremental#

  1. Qué es — recalcular solo el período reciente del snapshot en lugar de rehacer todo el historial.
  2. Cuándo usarlo — visuales con años de historial donde solo cambian los días recientes.
  3. Cómo funciona — opt-in por visual; la elegibilidad es restrictiva y garantiza que el resultado incremental sea idéntico al completo (mismas filas, mismo orden) — ante la menor duda, hace la actualización completa. La ventana recentDays se calcula en la zona horaria del panel.
  4. Requisitos previos — consulta particionable por período y ordenada de forma ascendente por la columna de período.
  5. Cómo validar — activa el incremental en un visual de serie temporal y confirma que el número de la actualización incremental coincide con el de la completa.
  6. Límites y salvedades — solo se aplica cuando se cumplen las condiciones de identidad; si no, hace la completa (por la seguridad del número).
  7. Datos de ejemplo (sintéticos) — historial 2024–2026 fijo + recálculo de los últimos 7 días.
  8. Evidencia — elegibilidad restrictiva e identidad incremental==completo cubiertas por una suite determinística.

Control de costo (FinOps)#

  1. Qué es — tope de bytes por consulta y cobro por bytes con un mínimo por consulta, en reales.
  2. Cuándo usarlo — automático en toda consulta y dry-run.
  3. Cómo funciona — un tope de volumen leído (1 GiB por defecto) en toda consulta; maxRows estricto de 50.000 (nunca ilimitado); costo mínimo por consulta/tabla (10 MB) con conversión USD→BRL; débito atómico anticoncurrencia en los créditos.
  4. Requisitos previos — datalake configurado para el cobro real; etiqueta de workspace en el billing export para el prorrateo por cliente.
  5. Cómo validar — ejecuta una consulta y confirma, en la auditoría, el costBrl y el bytesBilled registrados; intenta superar 1 GiB y confirma el bloqueo.
  6. Límites y salvedades — la conciliación por cliente depende de la etiqueta workspace del billing export (todavía en implantación); el costBrl registrado es una estimación — el valor cobrado es el de la factura.
  7. Datos de ejemplo (sintéticos) — consulta de 12 MB → cobrada por el mínimo; costBrl registrado en la auditoría.
  8. Evidencia — tope de volumen leído por consulta, maxRows estricto, costo mínimo por consulta y débito atómico de créditos cubiertos por una suite determinística.

Evidencia: motores de extracto, caché y control de costo cubiertos por una suite determinística. La latencia, el rendimiento y el cobro del DirectQuery en la nube real todavía no se midieron — por eso esta página no promete números de rendimiento. Sin el datalake configurado, la plataforma funciona en modo demostración declarado.

Enlaces relacionados