El viernes pasado empezamos la clase con la cámara rebelde y el micro a su bola. Ironías de la vida: cuando la tecnología se pone en contra, toca volver a lo esencial. Y eso hicimos. Durante la clase pasamos por el hueso del PL‑300: preparar los datos con Power Query de forma que el modelo funcione, rinda y sea defendible. Aquí tienes el relato —sin edulcorantes— de lo que vimos, por qué te importa para el examen y cómo practicarlo de forma realista.
Primero, un aviso que te ahorra nervios: el examen va por detrás de la interfaz. Si activas los temas claro/oscuro, puede desaparecer la pestaña de Archivo en el Editor de Power Query. Para estudiar, es más seguro operar con el modelo heredado (la UI clásica): no confundes “piel” con “concepto” y las capturas del examen te cuadran mejor. Lo que evalúan es si sabes Cerrar y aplicar, habilitar o deshabilitar carga, y encadenar pasos con criterio. La apariencia puede cambiar; la lógica, no.
Combinar no es (solo) “Combinar consultas”
En el PL‑300 el término “Combinar” a veces se usa para referirse a toda la sección (joins y anexar). Si te preguntan “anexar consultas es combinar: ¿sí o no?”, la trampa está en el lenguaje, no en la técnica. Úsalo como marco mental: “Combinar” = joins + anexar. A nivel técnico, lo que de verdad cae es esto: el join exige tipos compatibles (texto con texto, número con número, fecha con fecha) y puedes seleccionar varias columnas como clave para asegurar una única coincidencia antes de expandir. En la práctica de clase, pasamos de tres filas erróneas tras un join ingenuo a una sola coincidencia correcta usando Fecha + Grupo de compras como clave compuesta y expandiendo solo la columna Porcentaje, sin prefijos de tabla. Exacto el tipo de detalle que el examen premia.
Con anexar, recuerda que Power Query empareja por nombre de columna (no por posición). Si anexas tablas con “Valor” en una y “Multiplicación” en otra, obtendrás dos columnas. Solución limpia: renómbralas antes de anexar (por ejemplo, ambas a Presupuesto). No solo es más ordenado; reduce fricción cuando pases a modelo en estrella.
Validar antes de modelar: agrupa, suma y cuenta
No subas nada al modelo sin prueba de consistencia. Un patrón sencillo que usamos: Transformar → Agrupar por para sumar la métrica por Filial y Año, y contar filas para comprobar que cada año tiene 12 meses. Si las cifras y el recuento cuadran con la fuente (por ejemplo, “9 millones en 2019” para una filial), adelante; si no, vuelves atrás hasta encontrar el paso que rompe la coherencia. Este hábito vale puntos en el examen y evita disgustos en producción.
Rendimiento: staging sin carga y dependencias a la vista
Las queries intermedias que solo sirven para construir la final no deben cargarse al modelo. Desmarca Habilitar carga en esas consultas y revisa Dependencias de consulta para verificar el linaje. Es una mejora de rendimiento y de claridad mental: menos tablas en el modelo, menos ambigüedad en relaciones y medidas.
Unpivot (anular dinamización): tres caminos, tres efectos
En español verás tres variantes:
- Anular dinamización de columnas
- Anular dinamización de otras columnas
- Anular dinamización de las seleccionadas únicamente
Las dos primeras hacen lo mismo (internamente fijan lo no marcado y “despivotan” el resto) y siempre generan Atributo y Valor. La tercera es otra cosa: solo “baja” exactamente las columnas que selecciones. ¿Cuándo usarla? Cuando en la hoja aparecen nuevos atributos (p. ej., CódigoEmpleado) que no quieres “despivotar”. Esa sutileza te salva de consultas que se rompen al recibir una columna inesperada. Y sí, Atributo/Valor son los nombres por defecto tras un unpivot: memorizable y preguntable.
Null vs. cero: por qué (y cuándo) desaparecen filas
Esta cayó redonda en la práctica y es oro puro para el PL‑300. Si reemplazas huecos por null antes de anular dinamización, esas combinaciones desaparecen tras el unpivot (los null no se materializan como filas nuevas). Si primero unpivot y después reemplazas “:” o vacíos por null, conservas la fila como “desconocido”. Si, en cambio, optas por cero antes de pivotar, cuidado: mezclar texto y número en un pivot lleva a contar instancias en lugar de sumar. El orden de pasos no es capricho: limpia y tipa → unpivot/pivot → agrega/valida.
Columna dinámica (pivot) sin sustos
Cuando multiplicas columnas en Power Query, si lo haces entre dos columnas distintas, no es Transformar → Columna de número sino Agregar columna → Estándar → Multiplicar (Power Query te “fuerza” a crear una nueva columna). Y cuando aplicas columna dinámica para convertir Series en columnas, señala la columna de valores numéricos (normalmente Valor) y asigna tipos inmediatamente: enteros, decimales, porcentaje, divisa. Si te salen muchos “1”, no es magia: estás contando porque hay mezcla de tipos. Retrocede, limpia, tipa y repite.
Transponer, encabezados y rellenar hacia abajo
Power Query no rellena en horizontal. En tablas cruzadas, el atajo correcto es: bajar encabezados a filas, transponer, rellenar hacia abajo, y volver a usar primera fila como encabezado. Ese “baile” aparece en preguntas del tipo “ordena los pasos”. Ensáyalo hasta que te salga sin pensar.
Cómo entrenarlo (sin perderte en la interfaz)
Mi método —el mismo que usamos en clase— es micro‑ejercicios cronometrados de 10–15 minutos:
- Joins con clave compuesta + validación por Agrupar por.
- Unpivot probando las tres variantes y midiendo el efecto de null vs. cero (cuenta filas antes y después; verás la diferencia).
- Pivot tras limpieza estricta de tipos.
- Transponer + rellenar hacia abajo + encabezados.
Marca el orden exacto de pasos en un papel (o en tu gestor de notas) y repítelo con otros datasets. Ese automatismo es lo que el examen exige: resolver de memoria sin entorno de prueba.
Dónde seguir practicando conmigo (cursos y recursos)
Si quieres una ruta estructurada, en español y alineada al PL‑300, te dejo mis recursos oficiales:
- Curso de certificación PL‑300 (NamasData): enfoque práctico, actualizado y pensado para superar el examen con garantías. → namasdata.com/bundles/paquete-curso-certificacion-pl-300
- Catálogo de cursos de Power BI (NamasData): itinerarios para construir base sólida y ganar velocidad en proyectos reales. → namasdata.com/pages/cursos-de-power-bi
- Academia NamasData (home): formación escalable + consultoría para empresas con estándares de modelado, M y DAX. → namasdata.com
(Si compartes este artículo en LinkedIn, puedes enlazar directamente a tu curso de PL‑300 de NamasData para que quien te lea aterrice donde toca.)
Cierre: del “funciona” al “está bien hecho”
Preparar el PL‑300 no va de memorizar botones, sino de pensar como data analyst: validar antes de modelar, tipar y limpiar antes de pivotar/unpivotar, reducir carga del modelo y explicar por qué el resultado es el que debe ser. La interfaz cambia; el criterio, no. Si te acostumbras a justificar cada paso —igual que hicimos al distinguir Combinar (sección) de Combinar consultas (acción), o al decidir null frente a 0 según el objetivo de análisis—, el examen se convierte en una formalidad.
Mi recomendación: bloquea tres sesiones de práctica (45–60 minutos) repitiendo las cuatro rutinas anteriores, sin material impreso y sin atajos. Verás cómo baja la ansiedad y sube la puntería en preguntas de orden y en casos con datos “sucios”. Cuando ese músculo está entrenado, el PL‑300 deja de ser una barrera y pasa a ser una validación pública de algo que ya haces bien.
Si necesitas una ruta personalizada para equipos o para tu estudio individual, aquí me tienes. En NamasData y en mi web encontrarás opciones de formación, simulacros, revisiones de modelos y mentoría técnica para que el salto de “me defiendo” a “certificado y operativo” sea corto y sin sorpresas. Y si vienes del artículo, dímelo: te orientaré con un plan honesto y realista según tu punto de partida.
Deja un comentario