book

Fundamentos de la Observabilidad de los Datos

by Andy Petrella

September 2024

Intermediate to advanced

266 pages

8h 5m

Spanish

O'Reilly Media, Inc.

Book available

Read now

Unlock full access

Visión general del libroQuién debería leer este libroConvenciones utilizadas en este libroUtilizar ejemplos de códigoAprendizaje en línea O'ReillyCómo contactar con nosotrosAgradecimientos
Ampliación de los equipos de datosRetos de la ampliación de los equipos de datosFunciones y responsabilidades segregadas y complejidad organizativaAnatomía de los problemas y consecuencias de los datosImpacto de los Problemas de Datos en la Dinámica del Equipo de DatosObstáculos para la ampliación de la IARetos de las prácticas actuales de gestión de datosEfectos de la Gobernanza de Datos a EscalaObservabilidad de los datos al rescateLas Áreas de ObservabilidadCómo pueden aprovechar ahora los equipos de datos la observabilidad de los datosDetección de Problemas de Datos de Baja LatenciaSolución eficaz de problemas de datosPrevenir los problemas con los datosGestión descentralizada de la calidad de los datosComplementar las Capacidades Existentes de Gobernanza de DatosEl futuro y más alláConclusión
Canales de Datos Observabilidad InformaciónRegistrosHuellasMétricasObservaciones ModeloEspacio físicoServidorUsuarioEspacio estáticoEspacio dinámicoExpectativasReglasDetección automática de anomalíasEvitar que la basura entre y salgaConclusión
Arquitectura de datos¿Dónde encaja la observabilidad de los datos en una arquitectura de datos?Arquitectura de Datos con Observabilidad de DatosCómo ayuda la observabilidad de los datos a las corrientes subterráneas de la ingeniería de datosSeguridadGestión de datosCompatibilidad con los datos como productos de Data MeshConclusión
En la fuenteGenerar observaciones de datos en la fuenteAPI de bajo nivel en PythonDescripción del conducto de datosDefinición del estado de la canalización de datosObservaciones para la canalización de datosGenerar observaciones de datos contextualesGenerar observaciones relacionadas con los datosGenerar observaciones de datos relacionados con el linajeConclusión: El conducto de datos observablesUtilizar las Observaciones de Datos para Subsanar los Fallos del Canal de DatosConclusión
Estrategias de abstracciónReceptores de eventosProgramación orientada a aspectosAplicaciones de alto nivelAplicaciones sin códigoAplicaciones de bajo códigoDiferencias entre las alternativas de monitoreoConclusión
Presentación de las expectativasCalidad de los datosCasos Esquinados DescubrimientoIndicadores de nivel de servicio de elevaciónUtilizar perfiladores de datosMantener las expectativasPrácticas generalesFalla rápido y falla seguroSimplificar las pruebas y ampliar CI/CDConclusión

Fase de ingestiónEtapa de ingestión de datos Recetas de observabilidadAgente AirbyteTransformaciónRecetas de Observabilidad de los Datos de la Etapa de TransformaciónApache Sparkdbt AgenteSirviendo aRecetasBigQuery en PythonSQL orquestado con AirflowAnalíticaRecetas de aprendizaje automáticoRecetas de Inteligencia de NegocioConclusión
Translucidez de los datosSistemas opacosSaaSNo lo toques; (más o menos) funcionaSistemas heredadosEstrategias para la translucidez de los datosEstrategiasEl Conector de Observabilidad de DatosEjemplo: Construir un Conector de Observabilidad de Datos dbt (SaaS)Conclusión
Unificación del tratamientoHitos GenerativosCreatividad Ampliada ConfiableConclusión

Content preview from Fundamentos de la Observabilidad de los Datos

Capítulo 1. Introducción a la observabilidad de los datos

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: translation-feedback@oreilly.com

Érase una vez un joven analista de datos llamado Alex que sentía una profunda pasión por los datos. A Alex le encantaba la forma en que los datos podían ayudar a las empresas a tomar decisiones informadas, impulsar el crecimiento y alcanzar el éxito. Sin embargo, Alex también era consciente de los peligros de malinterpretar los datos o de no tener suficiente visibilidad de los mismos.

Alex estaba trabajando en un proyecto crítico con una ingeniera de datos llamada Sarah. Sarah era responsable de preparar los datos y asegurarse de que estuvieran listos para el análisis. A medida que profundizaban en el proyecto, Alex y Sarah se dieron cuenta de que había muchas variables en juego, y que los datos con los que trabajaban no eran tan sencillos como habían pensado inicialmente.

Un día, mientras Alex iteraba en su análisis para generar ideas, le pareció que los resultados presentados ese día parecían extraños y difíciles de relacionar con lo que había visto hasta ese momento. Acudió a Sarah para discutir el caso, pero Sarah necesitaba más contexto sobre cuál era su interpretación anterior o cuáles eran sus expectativas, y qué le estaba pidiendo que comprobara.

Tras cuatro días de colaboración, revisión por parejas y varias sesiones de lluvia de ideas, Sarah y Alex descubrieron que los cambios sutiles en la distribución ...