La cuarta parte de la guía de arquitectura de datos recorre el tramo en el que los datos se convierten en decisiones: estrategia de BI y productos de datos, capa semántica, herramientas, dashboards, autoservicio, APIs de datos y analítica embebida. Cierra con… Leer más sobre Parte IV — Business Intelligence y consumo

Cuando dos informes dan dos cifras distintas para la misma métrica, el problema se resuelve una capa antes del dashboard. Este capítulo de la Parte IV explica qué es una capa semántica y cómo convive con los data marts, propone la prueba de la métrica única y… Leer más sobre Capa semántica y data marts: cómo lograr que una métrica signifique lo mismo en todos los equipos

La mayoría de organizaciones no tiene un problema de herramientas de BI, sino de modelo operativo: produce informes que se entregan y se olvidan. Este capítulo, que abre la Parte IV, propone la escalera informe→producto, los cinco atributos de un producto de… Leer más sobre Estrategia de Business Intelligence: del informe al producto de datos, con autoservicio y gobernanza

El metadato se reparte en dos mitades con economías opuestas: la que emiten los sistemas en cada ejecución y se regenera sola, y la que escribe una persona y se degrada con cada cambio. Este capítulo explica cómo automatizar la primera con OpenLineage y por… Leer más sobre Automatización del lineage y el catálogo de datos: qué se extrae solo y qué necesita a una persona

El testing de pipelines de datos es la práctica de verificar la lógica de los pipelines antes de desplegarla, con datos de prueba controlados, igual que se testea cualquier software. Se organiza en tres niveles: tests unitarios, tests de integración y… Leer más sobre Testing de pipelines y datos: qué probar, cuándo y qué no merece la pena

Capítulo 25 de la Guía práctica para diseñar y operar la arquitectura de datos de tu empresa. Llevamos varios capítulos construyendo piezas: pipelines de ingesta resilientes, flujos CDC casi en tiempo real y controles de calidad que vigilan cada carga. Este… Leer más sobre Orquestación de pipelines: DAGs, reintentos y alertas

La calidad de datos en el pipeline consiste en verificar los datos de forma automática y continua mientras se mueven y transforman, en lugar de descubrir los errores cuando ya han contaminado informes y modelos. Se apoya en tres capas complementarias:… Leer más sobre Calidad de datos en el pipeline: validaciones, observabilidad y SLAs

El Change Data Capture (CDC) es la técnica que detecta y propaga los cambios de una base de datos (inserciones, actualizaciones y borrados) a otros sistemas casi en tiempo real. La aproximación log-based —leer el registro de transacciones de la base de datos—… Leer más sobre CDC y replicación: arquitectura para datos casi en tiempo real — Debezium, log-based vs trigger-based

La ingesta de datos a escala es el proceso de capturar, mover y entregar grandes volúmenes de datos —en lotes o en flujo continuo— desde sus orígenes hasta las plataformas de almacenamiento y procesamiento, manteniendo la fiabilidad bajo carga variable y… Leer más sobre Ingesta de datos a escala: cómo construir pipelines resilientes con idempotencia, backpressure y reintentos

El ELT —cargar primero el dato en crudo y transformarlo después, dentro del propio motor de destino— se ha vendido como una característica del cloud, pero es un patrón arquitectónico, no una función de Snowflake o BigQuery. Se puede hacer —y se hace— on… Leer más sobre ELT on-premise: el patrón del que nadie habla (y que quizá ya estás usando)