Saltar a contenido

Trazabilidad Fuente → Modelo → KPI → Dashboard

12. Trazabilidad Fuente → Modelo → KPI → Dashboard

La matriz conecta cada KPI desde la columna de origen en MySQL hasta el visual en Power BI, pasando por cada capa. Permite verificar de dónde proviene exactamente cada cifra.

# KPI Columna OLTP (MySQL) Campo marts (PostgreSQL) Medida DAX Visual Power BI
1 Saldo Vigente Total cartera.saldo_credito fact_cartera.saldo_credito Saldo Vigente Total Tarjeta KPI — pág. Cartera General
2 Capital en Mora cartera.capital_atraso fact_cartera.capital_atraso Capital en Mora Tarjeta KPI — pág. Cartera General
3 Índice de Morosidad % capital_atraso / saldo_credito fact_cartera.tasa_morosidad_pct Índice de Morosidad % Tarjeta + semáforo — pág. Cartera General
4 Provisión Total cartera.provision fact_cartera.provision_cartera Provisión Total Tarjeta KPI — pág. Cartera General
5 Cobertura Provisión % provision / capital_atraso calculado en DAX Cobertura Provisión % Medidor — pág. Cartera General
6 % Cartera en Riesgo cartera.calif IN (PER,DUD,DEF,POT) dim_calificacion + fact_cartera % Cartera en Riesgo Barras apiladas — pág. Cartera General

Valor del producto — Trazabilidad completa: Cualquier cifra del dashboard puede rastrearse hasta la columna exacta de MySQL. La ruta es: cartera.columna → raw.cartera → stg_cartera → fact_cartera → medida DAX → visual Power BI.


Anexo A — Glosario de Negocio

Término Definición
Saldo vigente Monto pendiente de pago del crédito al corte de análisis (31/03/2026)
Capital en mora Parte del capital que ya venció y no fue pagada
Índice de morosidad Capital en mora / Saldo vigente total × 100 (en %)
Provisión Reserva contable para cubrir posibles pérdidas por incobrabilidad
Calificación SBS NOR = Normal, POT = Con Problemas Potenciales, DEF = Deficiente, DUD = Dudoso, PER = Pérdida
Bucket de atraso Segmento de días de mora: Al día / 1-30 / 31-60 / 61-90 / >90 días
CDC Change Data Capture: captura cada cambio en MySQL en tiempo real vía binlog
Grano del DataMart Un crédito por fila, al corte del 31/03/2026

Anexo B — Mapa de Evidencias en el Repositorio

Evidencia Ruta en el repositorio
Loader Excel → MySQL 1_data/load_to_mysql.py + BD MARZO26.xlsx
Tabla OLTP MySQL 2_mysql/01_create_oltp_table.sql
Conector Debezium 3_debezium/connector-config.json
Consumer Kafka → PostgreSQL 4_consumer/consumer.py
Esquemas PostgreSQL 5_postgres/01_create_schemas.sql + 02_create_raw_table.sql
Staging dbt 6_dbt/models/staging/stg_cartera.sql + stg_cartera.yml
Marts dbt (dims + fact) 6_dbt/models/marts/ (6 archivos .sql)
KPIs SQL de validación 7_validacion/04_kpis_analiticos.sql
Medidas DAX 8_powerbi/medidas_dax.md
Guía de ejecución completa COMO_CORRER_TODO.md
Docker Compose docker-compose.yml
Documentación MkDocs docs/ + mkdocs.yml

18. Conclusiones

  • El DataMart soporta los 6 KPIs definidos, calculados directamente desde marts.fact_cartera sin cálculos manuales ni Excel.
  • La separación física entre OLTP (MySQL) y Data Warehouse (PostgreSQL) es real y verificable: contenedores Docker independientes con Debezium+Kafka como único puente CDC.
  • El pipeline captura cambios en tiempo real y se detiene automáticamente ante un error de calidad (dbt test), antes de que lleguen a Power BI.
  • Las medidas DAX coinciden exactamente con el SQL del DataMart (diferencia cero en los 6 KPIs), confirmando la integridad de cada capa.
  • El hallazgo más crítico es la concentración de mora en el bucket 31-60 días: es el punto de intervención más eficiente porque los créditos aún son recuperables con cobranza activa antes de migrar a PER.
  • Los comparativos de año anterior y mes anterior dotan al dashboard de capacidad de seguimiento de tendencia crediticia — exigencia obligatoria de la Unidad 3.