🚧 Proyecto en construcción 🚧

Retail Data Warehouse

¡Bienvenido/a a mi proyecto de Data Warehouse orientado a un escenario de ventas minoristas!
Este repositorio ilustra cómo diseñar un esquema en estrella (dimensiones y hechos), poblarlo con datos de ejemplo y ejecutar consultas analíticas para extraer información clave del negocio.

---

1. Descripción General

La idea central es simular la operación de un minorista que vende productos de distintas categorías a diversos clientes. Las transacciones (ventas) se registran en una tabla de hechos y cada elemento (productos, clientes, fechas) se gestiona en tablas de dimensión.

Objetivo principal:

• Mostrar un ciclo básico de creación de tablas, inserción de datos y consultas de tipo analítico.
• Permitir el análisis de métricas de negocio (productos más vendidos, ingresos por categoría, clientes con mayor gasto, etc.).

---

2. Estructura del Proyecto

 - retail-data-warehouse/

       - README.md   <-- Explicación general del proyecto
       - diagrams/
 - data_model.png    <-- Diagrama del modelo de datos (ER o en estrella)
 - sql/
       - create_tables.sql  <-- Script para crear las tablas (dimensiones y hechos)
       -  insert_data.sql   <-- Script para insertar datos ficticios
       - queries.sql        <-- Consultas analíticas de ejemplo
 -  ...

• README.md: Este archivo que estás leyendo, con la documentación del proyecto.
• diagrams/: Contiene imágenes o diagramas que explican la estructura de la base de datos.
• sql/: Incluye scripts .sql para reproducir la base de datos, cargar datos y ejecutar consultas.

---

3. Modelo de Datos

El modelo de datos se basa en un enfoque en estrella (star schema), con una tabla de hechos que almacena las ventas y varias tablas de dimensión:

3.1. Tabla de Hechos

• fact_sales
  • sales_id (PK)
  • product_id (FK)
  • customers_id (FK)
  • date_id (FK)
  • quantity_sold
  • total_amount

Esta tabla consolida la información de qué producto se vendió, a qué cliente, en qué fecha, la cantidad y el importe total.

3.2. Tablas de Dimensión

• dim_products

  • product_id, product_name, category, price, stock, etc.

• dim_customers

  • customers_id, first_name, last_name, email, city, `country`, etc.

• dim_date

  • date_id, year, month, day, weekday, etc.

Cada tabla dimensión describe en detalle una entidad concreta (productos, clientes, calendario) que se relaciona con la tabla de hechos.

---

4. Pasos para Reproducir el Proyecto

A continuación, un breve instructivo para quienes quieran ejecutar este proyecto en su entorno local:

1. Clonar o descargar el repositorio:

   git clone https://github.com/tu-usuario/retail-data-warehouse.git
   cd retail-data-warehouse/sql
   

2. Crear la base de datos en tu motor preferido (MySQL, por ejemplo):

   CREATE DATABASE mi_datawarehouse;
   USE mi_datawarehouse;
   

3. Ejecutar el script de creación de tablas:

   SOURCE create_tables.sql;
   

   Esto creará las tablas dim_products, dim_customers, dim_date y fact_sales, entre otras que hayas definido.

4. Cargar datos ficticios:

   SOURCE insert_data.sql;
   

   Este script inserta categorías, productos, clientes, fechas, etc., así como registros de ventas.

5. Probar las consultas analíticas (opcional pero recomendado):

   SOURCE queries.sql;
   

   Verás resultados como los top 5 productos más vendidos, ingresos por categoría, clientes con mayor gasto, etc.

---

5. Consultas Analíticas Principales

En el archivo queries.sql hemos incluido ejemplos de consultas típicas en un escenario de retail:

1. Top 5 productos más vendidos

   • Muestra qué productos registran más ventas (quantity_sold).

2. Ingresos totales por categoría

   • Suma los montos de venta según la categoría de producto.

3. Clientes con mayor gasto acumulado

   • Identifica a los mejores clientes en función del total gastado.

4. Ventas agregadas por mes/año

   • Usando la tabla dim_date, se puede agrupar por año, mes o día.

Cada consulta está comentada para explicar su objetivo y los campos involucrados.

---

6. Mejoras Futuras (Roadmap)

• Agregar más dimensiones: Por ejemplo, empleados, proveedores, medios de pago, etc.
• Incluir stored procedures: Para automatizar el cálculo de KPIs.
• Crear vistas (views): Que simplifiquen la consulta de datos agregados.
• Implementar índices: Para optimizar el rendimiento en consultas grandes.
• Dashboard en BI: Conectar Power BI/Tableau y mostrar visualizaciones interactivas.

---

7. Contribuciones

• Este proyecto se hizo con fines educativos, para practicar modelado de datos, SQL y pensamiento analítico.
• Si deseas contribuir con correcciones o mejoras, envía un pull request o crea un issue.

---

8. Autor y Contacto

Autor: [Gabriel Hidalgo / https://github.com/HidoGG]

• Email: gabriel.hid.orl@gmail.com

Si tienes sugerencias o preguntas, ¡no dudes en contactarme!

---

¡Gracias por visitar este proyecto!

Explora el repositorio, ejecuta los scripts y aprende sobre la construcción de un pequeño Data Warehouse para un entorno minorista. Esperamos que te sirva como base para desarrollar tus propias soluciones de análisis de datos.