{"id":9722,"date":"2022-06-15T10:43:12","date_gmt":"2022-06-15T16:43:12","guid":{"rendered":"https:\/\/ugit.siua.ac.cr\/?p=9722"},"modified":"2022-06-17T17:17:40","modified_gmt":"2022-06-17T23:17:40","slug":"dp-900-t04-m01-exploracion-de-los-aspectos-basicos-del-almacenamiento-de-datos-moderno","status":"publish","type":"post","link":"https:\/\/sada.services\/?p=9722","title":{"rendered":"DP-900: T04\/M01: Exploraci\u00f3n de los aspectos b\u00e1sicos del almacenamiento de datos moderno"},"content":{"rendered":"\n

https:\/\/docs.microsoft.com\/es-mx\/learn\/modules\/examine-components-of-modern-data-warehouse\/<\/a><\/p>\n\n\n\n

Unidad 1: Introducci\u00f3n<\/h2>\n\n\n\n

El almacenamiento de datos moderno es un t\u00e9rmino gen\u00e9rico que describe la infraestructura y los procesos que se usan para admitir el an\u00e1lisis de datos a gran escala. Las soluciones modernas de almacenamiento de datos combinan el almacenamiento de datos convencional que se usa para admitir inteligencia empresarial (BI), que normalmente implica copiar datos de almacenes de datos transaccionales en una base de datos relacional con un esquema optimizado para consultar y crear modelos multidimensionales; esto se realiza con t\u00e9cnicas usadas para los denominados an\u00e1lisis de \u00abmacrodatos\u00bb, donde grandes vol\u00famenes de datos en varios formatos se cargan o capturan por lotes en flujos en tiempo real y se almacenan en un\u00a0lago de datos<\/em>\u00a0desde el que se usan motores de procesamiento distribuido como Apache Spark para procesar los datos a escala.<\/p>\n\n\n\n

Unidad 2: Descripci\u00f3n del almacenamiento de datos moderno<\/h2>\n\n\n\n

La arquitectura moderna de almacenamiento de datos puede variar, al igual que las tecnolog\u00edas espec\u00edficas que se usan para implementarla; de todos modos, en general, se incluyen los siguientes elementos:<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n
  1. Ingesta y procesamiento de datos<\/strong>: los datos de uno o varios almacenes de datos transaccionales, archivos, flujos en tiempo real u otros or\u00edgenes se cargan en un lago de datos o en un almacenamiento de datos relacional. Normalmente, la operaci\u00f3n de carga implica un proceso de\u00a0extracci\u00f3n, transformaci\u00f3n y carga<\/em>\u00a0(ETL) o de\u00a0extracci\u00f3n, carga y transformaci\u00f3n<\/em>\u00a0(ELT) en el que los datos se limpian, filtran y reestructuran para su an\u00e1lisis. En los procesos de ETL, los datos se transforman antes de cargarse en un almac\u00e9n anal\u00edtico, mientras que en un proceso de ELT los datos se copian en el almac\u00e9n y, posteriormente, se transforman. En cualquier caso, la estructura de datos resultante est\u00e1 optimizada para las consultas anal\u00edticas. El procesamiento de datos suele realizarse mediante sistemas distribuidos que pueden procesar grandes vol\u00famenes de datos en paralelo mediante cl\u00fasteres de varios nodos. La ingesta de datos incluye el procesamiento por lotes de datos est\u00e1ticos y el procesamiento en tiempo real de los datos de streaming.<\/li>
  2. Almac\u00e9n de datos anal\u00edticos<\/strong>: los almacenes de datos para an\u00e1lisis a gran escala incluyen\u00a0almacenamientos de datos<\/em>\u00a0relacionales,\u00a0lagos de datos<\/em>\u00a0basados en sistema de archivos y arquitecturas h\u00edbridas que combinan caracter\u00edsticas de almacenes de datos y lagos de datos (a veces bajo la denominaci\u00f3n de\u00a0lagos de almacenamiento de datos<\/em>\u00a0o\u00a0bases de datos de lago<\/em>). Los trataremos con m\u00e1s detalle m\u00e1s adelante.<\/li>
  3. Modelo de datos anal\u00edticos<\/strong>: aunque los analistas de datos y los cient\u00edficos de datos pueden trabajar con los datos directamente en el almac\u00e9n de datos anal\u00edticos, es habitual crear uno o varios modelos de datos que agreguen previamente los datos para facilitar la generaci\u00f3n de informes, paneles y visualizaciones interactivas. A menudo, estos modelos de datos se describen como\u00a0cubos<\/em>, en los que los valores de datos num\u00e9ricos se agregan en una o varias dimensiones (por ejemplo, para determinar las ventas totales por producto y regi\u00f3n). El modelo encapsula las relaciones entre los valores de datos y las entidades dimensionales para admitir el an\u00e1lisis de tipo \u00abrastrear agrupando datos\/explorar en profundidad\u00bb.<\/li>
  4. Visualizaci\u00f3n de datos<\/strong>: los analistas de datos consumen datos de modelos anal\u00edticos y directamente de almacenes anal\u00edticos para crear informes, paneles y otras visualizaciones. Adem\u00e1s, los usuarios de una organizaci\u00f3n, que pueden no ser profesionales de la tecnolog\u00eda, pueden realizar informes y an\u00e1lisis de datos de autoservicio. Las visualizaciones de los datos muestran tendencias, comparaciones e indicadores clave de rendimiento (KPI) para una empresa u otra organizaci\u00f3n, y pueden tomar la forma de informes impresos, diagramas y gr\u00e1ficos en documentos o presentaciones de PowerPoint, paneles basados en web y entornos interactivos en los que los usuarios pueden explorar los datos visualmente.<\/li><\/ol>\n\n\n\n

    MCT: Video 4.1.1 Descripci\u00f3n de la arquitectura moderna y los flujos de data warehousing<\/h2>\n\n\n\n
    \n