Snowflake: qué es, cómo funciona y arquitectura de datos
Snowflake es una plataforma de datos en la nube que permite almacenar información, ejecutar consultas, preparar datos y desarrollar soluciones analíticas y de inteligencia artificial. Su arquitectura separa almacenamiento y cómputo para que distintas cargas puedan utilizar recursos de procesamiento propios sobre datos compartidos.
Esta guía explica cómo funcionan sus componentes y qué decisiones necesita un proyecto empresarial: ingesta, transformación, desarrollo, gobierno, compartición, formatos abiertos, IA y control del consumo. El objetivo es evaluar un diseño concreto con datos, permisos y pruebas, antes de extender su uso a toda la organización.
Contenido de la guía
- Qué es Snowflake y cómo funciona
- Carga, Snowpipe y transformación
- Snowpark y desarrollo
- Gobierno, seguridad y compartición
- Iceberg y arquitectura abierta
- Cortex AI y aplicaciones de inteligencia artificial
- Snowflake, Databricks y Microsoft Fabric
- Costes, rendimiento y migración
- Cómo evaluar un primer proyecto
- Preguntas frecuentes
- Recursos descargables
¿Qué es Snowflake y cómo funciona?
La documentación de arquitectura de Snowflake distingue almacenamiento, procesamiento y servicios cloud. Estos últimos coordinan funciones como metadatos y ejecución de consultas. La plataforma gestiona parte de la infraestructura, mientras el equipo configura los datos, los accesos y las cargas que quiere ejecutar.
Una base de datos organiza esquemas y objetos, como tablas y vistas. Un virtual warehouse es un recurso de cómputo para ejecutar consultas y otras operaciones compatibles. Crear otro warehouse no significa crear otra copia completa de la base de datos.
Separar almacenamiento y cómputo
La separación permite asignar recursos diferentes a tareas con necesidades distintas. Por ejemplo, la preparación de datos y las consultas de negocio pueden tener horarios, prioridades y políticas de consumo propias. Esa separación debe diseñarse; no evita por sí sola cualquier espera o conflicto.
El dimensionamiento debe seguir el trabajo que ejecuta cada recurso. Una consulta pesada y muchas consultas pequeñas simultáneas pueden requerir soluciones diferentes. La guía de configuración de warehouses distingue aumentar recursos y ampliar capacidad para concurrencia. La selección debe comprobar las opciones y requisitos de la edición aplicable.
¿Cuándo merece la pena evaluar Snowflake?
Snowflake puede ser un candidato para consolidar información analítica, servir consultas SQL a diferentes equipos o compartir conjuntos de datos con otras organizaciones. También permite trabajar con datos semiestructurados y desarrollar aplicaciones que aprovechan la plataforma.
La evaluación comienza por el problema que necesita resolver la empresa. Si un proceso ya cumple sus requisitos, cambiar de plataforma exige justificar el coste y el trabajo de transición. El artículo sobre las ventajas empresariales de Snowflake aporta una lectura de beneficios potenciales; conviene convertirlos en hipótesis que puedan comprobarse en un piloto.
La guía de arquitectura de datos amplía los patrones generales. Snowflake debe encajar en ese diseño, con responsabilidades claras sobre qué datos conserva, qué procesos ejecuta y cómo se relaciona con el resto del entorno.
La introducción a Snowflake y la gestión de datos en la nube amplía el contexto de la plataforma. La estrategia de datos empresarial establece las prioridades con las que valorar su adopción.
Carga de datos, Snowpipe y transformación
La carga incorpora información a la plataforma; la transformación aplica las reglas que la convierten en datos útiles para el análisis. Elegir una herramienta de ingesta no resuelve automáticamente la limpieza, la reconciliación o la definición de indicadores.

Esquema conceptual de consolidación de fuentes empresariales en un data warehouse.
El diseño debe establecer la fuente, la frecuencia necesaria y el tratamiento de cambios y errores. Un cierre diario puede admitir una carga por lotes; un seguimiento operativo puede necesitar un recorrido incremental. La medición debe cubrir el retraso desde el sistema de origen hasta el consumidor final.
Elegir el mecanismo de carga
Las cargas con COPY INTO permiten incorporar archivos desde ubicaciones compatibles. Snowpipe automatiza la incorporación de archivos con cómputo gestionado. Snowpipe Streaming responde a otro recorrido, orientado al envío de filas o eventos mediante interfaces compatibles.
La elección depende del formato, del mecanismo que ofrece el origen y de la actualización necesaria. Snowpipe no debe plantearse como un motor ETL universal: las operaciones de unión, agregación y lógica empresarial pueden necesitar una etapa posterior. La evaluación debe medir también el consumo del recorrido completo.
El proceso debe registrar qué datos se han recibido y qué filas no han podido cargarse. La detección de entregas incompletas y la repetición de cargas necesitan evitar duplicados. Antes de producción, las pruebas deben cubrir archivos incorrectos, cambios de esquema e interrupciones.
Dynamic Tables y actualización de resultados
Las Dynamic Tables permiten definir resultados mediante consultas y mantenerlos actualizados con mecanismos gestionados por Snowflake. Pueden formar un recorrido de transformación con dependencias entre tablas.
El target lag expresa un objetivo de desfase respecto a los datos de origen del recorrido. No equivale a una garantía de puntualidad absoluta. Deben comprobarse las consultas admitidas, el modo de refresco y el consumo observado. Una actualización completa puede tener consecuencias distintas de una incremental.
Si el proceso requiere otra forma de control, la evaluación debe comparar alternativas de orquestación y transformación compatibles con sus requisitos. La decisión debe incluir diagnóstico de fallos, recuperación y seguimiento. La guía de integración de datos desarrolla estos criterios con independencia de la herramienta.
Publicar datos preparados para el consumo
La entrega de tablas a analistas o aplicaciones necesita un nivel de detalle, unas claves y unas reglas de negocio definidos. Una tabla de movimientos y otra de saldos mensuales responden a preguntas distintas. El consumidor necesita conocer qué representa cada una y hasta qué momento está actualizada.
Los controles deben cubrir duplicados, integridad y reconciliación con las fuentes. El caso descargable de arquitectura Medallion amplía la lectura sobre etapas de preparación. El patrón debe adaptarse al proyecto; sus nombres de capas no acreditan por sí solos la calidad del contenido.
La guía de calidad de datos desarrolla los criterios de aceptación y corrección que deben acompañar a la preparación de información para consumo.
Snowpark y desarrollo sobre Snowflake
Snowpark ofrece bibliotecas para desarrollar con lenguajes como Python, Java y Scala y trabajar con datos en Snowflake. Permite expresar operaciones mediante código y aprovechar la ejecución en la plataforma para las tareas compatibles.
La elección entre SQL y Snowpark depende de la transformación y del equipo que la mantendrá. La solución debe permitir comprender las reglas, probarlas y localizar errores. Añadir código a un proceso sencillo puede aumentar el trabajo de mantenimiento sin aportar una ventaja operativa.
De un desarrollo exploratorio a un proceso estable
Un desarrollo necesita entradas definidas, dependencias controladas y pruebas con resultados esperados. El uso de paquetes, funciones o servicios externos requiere revisar disponibilidad, versión y permisos. La compatibilidad de una biblioteca local no demuestra que cualquier entorno de ejecución admita exactamente el mismo comportamiento.
La exploración debe separarse del proceso que alimenta producción. El código necesita control de versiones, revisión de cambios y una promoción definida entre entornos. Las pruebas deben cubrir conexiones y permisos además de la lógica de transformación.
Aplicaciones que consultan o modifican datos
Una interfaz de aplicación necesita autenticación y autorización para sus operaciones. Poder abrirla no debería implicar acceso ilimitado a todas las tablas. El diseño debe establecer qué funciones se exponen, qué datos devuelven y cómo se registran las acciones relevantes.
Una aplicación que permita escritura necesita validación de entradas y del efecto de los reintentos. La recuperación de operaciones fallidas y el mantenimiento requieren procedimientos y responsables. La plataforma ofrece componentes técnicos, pero el equipo debe concretar las reglas del proceso empresarial.
Gobierno, seguridad y compartición de datos
La seguridad necesita un diseño de identidades, roles y permisos. La documentación de control de acceso de Snowflake explica cómo se asignan privilegios sobre los objetos. El modelo debe corresponderse con las tareas reales de personas y procesos.
Los activos necesitan propietarios y permisos ajustados a la tarea. El diseño debe distinguir la identidad que ejecuta una carga, la que consulta un informe y la que puede modificar una política. Las credenciales y conexiones entre sistemas también requieren revisión.
Comprobar los controles con usuarios reales de consumo
Las pruebas deben cubrir acceso permitido y denegado mediante consultas directas, informes y aplicaciones, según los recorridos existentes. Comprobar un resultado con una cuenta administradora no demuestra lo que verá el usuario de negocio.
El catálogo, la clasificación y la trazabilidad ayudan a gestionar activos, pero necesitan definiciones y responsables. La guía de gobierno del dato amplía ese modelo organizativo. Ninguna función aislada sustituye la revisión de requisitos legales y políticas internas del proyecto.
¿Qué permite Secure Data Sharing?
Secure Data Sharing permite compartir objetos seleccionados con otras cuentas Snowflake. En ese mecanismo, los objetos compartidos son de solo lectura para el consumidor. Compartir una tabla no equivale a permitir que otra organización modifique los datos del proveedor.
La compartición debe establecer qué contenido se expone, quién lo consume y qué condiciones de uso se aplican. Un diseño con varias regiones o nubes requiere verificar el mecanismo específico, los movimientos necesarios y sus costes. Una afirmación general de compartición sin copias no debe extenderse a cualquier arquitectura de distribución.
Las pruebas deben cubrir la experiencia del receptor y el efecto de retirar permisos o cambiar objetos compartidos. El acuerdo debe incluir la información necesaria sobre actualización y calidad. El acceso técnico a datos compartidos necesita acompañarse de responsabilidades y condiciones de uso comprensibles.
Iceberg y arquitectura abierta
Las tablas Apache Iceberg en Snowflake permiten trabajar con un formato de tabla abierto. En las tablas gestionadas por Snowflake, los archivos de datos y metadatos pueden almacenarse en almacenamiento gestionado por Snowflake o en un volumen externo administrado por el cliente, según la configuración y las capacidades disponibles. La elección del catálogo y del almacenamiento determina qué equipo mantiene cada componente y qué operaciones están admitidas. Un data lake compartido por varios motores requiere comprobar estas condiciones para la configuración concreta.
El formato abierto es una parte del diseño. También hay que decidir quién administra el catálogo, dónde residen los archivos y qué herramientas pueden leer o escribir. La compatibilidad debe verificarse para las operaciones y versiones que utilizará el proyecto.
Decidir quién mantiene datos y metadatos
El diseño debe documentar qué sistema controla los cambios en la tabla y cómo los conocen los demás consumidores. Si intervienen varias herramientas, las pruebas deben cubrir cambios de esquema, nuevas particiones y recuperación ante fallos. La posibilidad de leer el mismo formato no garantiza que todas las funciones sean equivalentes entre motores.
El modelo operativo debe incluir los permisos del almacenamiento externo y las tareas de mantenimiento. El coste puede repartirse entre Snowflake y el proveedor de almacenamiento, además de posibles transferencias. Esa gestión debe compararse con el uso de tablas administradas para el mismo caso.
La elección debe mantener una razón práctica: reutilización de datos existentes, interoperabilidad o requisitos de control. Cada catálogo o motor adicional debe resolver una necesidad concreta que justifique sus dependencias.
Cortex AI y aplicaciones de inteligencia artificial
Snowflake ofrece capacidades diferentes para IA generativa y machine learning. La documentación de Snowflake AI y ML distingue funciones de Cortex y herramientas para desarrollar modelos propios. La selección de experiencia debe seguir la tarea y comprobar requisitos, región y estado de disponibilidad.
Una función que clasifica texto, una búsqueda documental y una consulta de indicadores necesitan datos y evaluaciones distintos. La elección del modelo o interfaz requiere definir el resultado esperado y cómo se comprobará su corrección.
Cortex Analyst: semántica y preguntas sobre datos empresariales
Cortex Analyst aborda preguntas en lenguaje natural sobre datos estructurados con contexto semántico. Su función debe distinguirse de la búsqueda documental y de las herramientas que coordinan varias tareas en un agente.
Una pregunta como ventas por cliente necesita acordar qué es una venta, qué fecha se utiliza y cómo se tratan devoluciones. Las definiciones semánticas ayudan a trasladar ese significado a las herramientas analíticas y a las experiencias de IA.
La evaluación necesita preguntas de referencia con respuestas contrastadas, términos ambiguos y cambios de nivel de detalle. Una respuesta comprensible puede contener un cálculo o filtro equivocado; la revisión debe cubrir tanto el dato como su interpretación.
Búsqueda documental y permisos
La documentación de Cortex Search describe su modelo de acceso con derechos del propietario. El diseño de una experiencia de búsqueda debe comprobar qué contenido puede alcanzar quien recibe acceso al servicio y cómo se segmentan documentos sensibles.
Una restricción configurada en otro recorrido no debe darse por aplicada automáticamente a los resultados de búsqueda. Las pruebas necesitan usuarios con permisos diferentes y revisión de los fragmentos devueltos. Los filtros funcionales de una aplicación necesitan una implementación que respete el modelo de autorización acordado.
Evaluación y mantenimiento de modelos y agentes
Un conjunto representativo de pruebas debe registrar preguntas, contexto, resultados y errores. La revisión necesita referencias, exactitud, omisiones y situaciones fuera de alcance. Una experiencia capaz de activar acciones requiere operaciones permitidas y condiciones de intervención humana.
Los modelos predictivos requieren separar entrenamiento y evaluación y comprobar la disponibilidad de las variables al predecir. En ambos casos, los cambios de datos, versiones o configuración necesitan una nueva revisión del resultado. El consumo y la latencia también deben formar parte de la evaluación.
Recurso descargable: la guía para preparar datos para IA permite revisar integración, calidad y gobierno antes de ampliar estas experiencias.
Snowflake, Databricks y Microsoft Fabric
La comparación de plataformas debe partir del mismo trabajo: fuentes, transformaciones, consultas, uso simultáneo, frecuencia de actualización y condiciones de acceso. El catálogo de funciones y el precio inicial no bastan para elegir una arquitectura empresarial.
Comparar el recorrido completo
Un piloto debe medir desde la llegada de los datos hasta su consumo, incluidos calidad, permisos, mantenimiento y recuperación. La comparación económica necesita el mismo horizonte y los mismos requisitos de servicio. Un proceso más rápido que omite información necesaria no representa una mejora equivalente.
La guía de Databricks y la guía de Microsoft Fabric desarrollan los componentes de esas plataformas. Permiten situar una comparación concreta sin convertir cada función en una promesa de superioridad general.
Convivencia, interoperabilidad y responsabilidades
La coexistencia puede aprovechar datos y procesos existentes cuando sus responsabilidades están claras. El diseño debe identificar quién mantiene las tablas y el catálogo, dónde se ejecuta cada transformación y cómo se investiga un fallo entre sistemas.
Los formatos abiertos pueden facilitar determinados usos compartidos, pero las operaciones admitidas, los permisos y los costes de transferencia necesitan validación. Cada motor, catálogo o copia adicional debe tener una función que justifique su operación.
Costes, rendimiento y migración a Snowflake
El coste de Snowflake debe medirse por el recorrido completo del caso de uso. Incluye procesamiento, almacenamiento y servicios o movimientos adicionales aplicables. Los créditos son una medida de consumo de determinados servicios; su traducción económica depende de las condiciones y del escenario contratado.
Controlar el consumo con herramientas adecuadas
La guía de control de costes distingue presupuestos y resource monitors. Los monitores pueden supervisar y suspender warehouses gestionados por el usuario según su configuración. No constituyen un freno universal para todos los servicios serverless.
El consumo necesita responsables y una revisión de los recursos que cubre cada control. Una notificación de presupuesto no debe interpretarse como garantía de parada automática de todo el gasto. El proceso debe establecer quién recibe los avisos y qué decisión debe tomar ante una desviación.
La configuración de horarios, suspensión y reanudación debe seguir el patrón de uso y las opciones disponibles. Suspender con demasiada frecuencia o mantener recursos ociosos puede alterar la relación entre coste y experiencia de usuario. La evaluación debe utilizar medidas del trabajo real en lugar de una regla universal.
Optimizar consultas y uso con Power BI
La documentación del conector Snowflake de Power Query recoge los requisitos y opciones actuales de conexión. La implementación debe verificar autenticación, versión del conector y comportamiento en Desktop y en el servicio publicado.
El artículo de buenas prácticas para utilizar Power BI con Snowflake desarrolla el recorrido de consumo. La comparación de Import y DirectQuery necesita datos representativos, con medición de refresco, consultas y concurrencia. DirectQuery no actualiza por sí mismo el sistema de origen ni garantiza una respuesta instantánea.
Antes de aumentar recursos o conexiones, el diagnóstico debe localizar el tiempo de espera, arranque, lectura, ejecución y presentación. Las pruebas de cambios de diseño necesitan comprobar que los resultados conservan su significado. La guía de Power BI amplía el modelado semántico y la distribución de informes.
El artículo sobre Adaptive Warehouse y la evolución del almacenamiento analítico ofrece contexto sobre automatización. Las prestaciones anunciadas necesitan contraste con la disponibilidad actual y pruebas de las cargas del proyecto.
Migrar con criterios de aceptación
La migración comienza con un inventario de tablas, transformaciones, procedimientos, consumidores e integraciones. La evaluación debe comprobar diferencias de SQL y comportamiento, además del movimiento de datos. La conversión de código necesita pruebas de resultados y permisos antes de sustituir un proceso existente.
La transición por componentes necesita reconciliación, control de actualización y recuperación, junto con criterios de aceptación para cada carga y de retirada del componente anterior. Una convivencia prolongada puede mantener costes y procesos duplicados si no tiene responsables y una fecha de revisión.
¿Cómo interpretar anuncios y versiones?
El resumen de novedades presentadas en Snowflake Summit 2025 conserva valor como contexto de evolución. Sus anuncios deben contrastarse con la documentación actual de cada función antes de utilizarlos para diseñar o presupuestar un proyecto.
Una función anunciada, una preview y una capacidad disponible para producción tienen condiciones distintas. Las piezas utilizadas necesitan un registro de versión, región y requisitos. Los cambios deben probarse con casos representativos antes de extenderse.
¿Cómo evaluar un primer proyecto con Snowflake?
El primer proyecto necesita un proceso con usuarios y resultados verificables. El alcance debe describir cómo se ejecuta hoy y qué debe mejorar: disponibilidad de información, trazabilidad, tiempo de consulta o trabajo de mantenimiento. Esa referencia permite decidir si el piloto cumple su propósito.
- Inventario de fuentes, consumidores, datos sensibles y dependencias.
- Definición de reglas de transformación, actualización y acceso.
- Selección de almacenamiento y recursos de procesamiento para ese recorrido.
- Pruebas de resultados, permisos, concurrencia y recuperación con datos representativos.
- Medición del consumo observado y preparación de operación y soporte antes de ampliar la audiencia.
Ejemplo hipotético. Una empresa quiere combinar ventas de tiendas con pedidos digitales. Carga los registros, normaliza productos y clientes y prepara tablas con una definición acordada de venta neta. Un warehouse atiende las consultas de negocio con permisos definidos por equipo.
El piloto reconcilia totales con las fuentes y comprueba devoluciones y registros tardíos. Después mide el tiempo de actualización y el consumo cuando coinciden cargas e informes. Solo tras validar esos resultados se evalúa añadir una experiencia de consulta mediante IA.
Preguntas frecuentes sobre Snowflake
¿Snowflake es lo mismo que un proveedor de nube?
Snowflake es una plataforma de datos que utiliza infraestructura cloud. Elegir la cuenta y región no sustituye las decisiones sobre fuentes, aplicaciones y otros servicios del entorno.
¿Un warehouse contiene toda la base de datos?
El virtual warehouse es un recurso de procesamiento. La base de datos organiza objetos y el almacenamiento se gestiona como una parte distinta de la arquitectura.
¿Snowpipe realiza todas las transformaciones del proyecto?
No. Resuelve la incorporación de archivos dentro de su alcance. La lógica de negocio y otras transformaciones necesitan herramientas y procesos adecuados.
¿Compartir datos permite modificarlos en el origen?
En Secure Data Sharing, los objetos compartidos son de solo lectura para el consumidor. Un proceso de escritura colaborativa necesita otro diseño y autorización específica.
¿El pago por uso garantiza un coste menor?
No. El resultado depende de las cargas, su configuración, los servicios utilizados y las condiciones económicas. La evaluación debe medir el caso completo y compararlo con una referencia.
¿Snowflake puede utilizarse con Power BI?
Sí. La conexión requiere autenticación, permisos, una versión compatible del conector y un modo de consulta adecuado. Import y DirectQuery deben evaluarse con los volúmenes, consultas y concurrencia del entorno publicado.
¿Qué diferencia hay entre Snowpark y Cortex AI?
Snowpark aporta bibliotecas para desarrollar operaciones con código sobre Snowflake. Cortex agrupa capacidades de IA para distintas tareas. La elección depende de la transformación o experiencia requerida, sus condiciones de acceso y cómo se validará el resultado.
¿Iceberg elimina todas las dependencias entre plataformas?
No. El formato es una parte del diseño. Catálogo, almacenamiento, permisos, operaciones admitidas y mantenimiento siguen necesitando una configuración y una responsabilidad definidas.
Recursos descargables para profundizar en Snowflake
- Ebook de ventajas empresariales de Snowflake para ampliar la evaluación de su propuesta.
- Caso de arquitectura Medallion para profundizar en organización y preparación de datos.
- Guía para preparar datos para IA para revisar los fundamentos de modelos y aplicaciones.
El trabajo de Bismart en plataformas de datos permite evaluar arquitectura, integración y modernización según las cargas y dependencias de un proyecto concreto.