[{"data":1,"prerenderedAt":29},["ShallowReactive",2],{"article-data-curso-gcp-medallion-05":3},{"content":4,"date":5,"image":6,"sideArticles":7},"h1,\r\n    h2,\r\n    h3 {\r\n        color: #333;\r\n    }\r\n\r\n    ul {\r\n        list-style-type: disc;\r\n        margin-left: 20px;\r\n    }\r\n\r\n    code {\r\n        background-color: #f4f4f4;\r\n        padding: 2px 5px;\r\n        border-radius: 3px;\r\n        font-family: monospace;\r\n    }\r\n\u003C/style>\r\n\r\n\u003Cp>\u003Cstrong>Autor:\u003C/strong> \u003Ca href=\"https://www.youtube.com/@EduardoMartinezAgrelo\" target=\"_blank\">Eduardo Martínez\r\n        Agrelo\u003C/a>\u003C/p>\r\n\r\n\u003Cp>Bienvenidos al quinto laboratorio de vuestro camino en la transformación con \u003Cstrong>BigQuery SQL\u003C/strong>. En este módulo,\r\n    sentaremos las bases del procesamiento estructurado. No se trata solo de recopilar datos en bruto en un lago de datos,\r\n    sino de moldear y definir un esquema limpio y estructurado de manera relacional. Utilizaremos \u003Cstrong>Google Cloud\u003C/strong>\r\n    para transitar de cargas crudas a nuestra primera base de datos analítica Silver.\r\n\u003C/p>\r\n\r\n\u003Ch2>La Evolución: De Datos Sin Validar a Esquemas Estrictos\u003C/h2>\r\n\r\n\u003Cp>La persistencia analítica de datos sin tipado ni validación introduce una enorme inconsistencia y degrada la confianza\r\n    de los analistas de negocio. En arquitecturas modernas de datos, la normalización temprana es la respuesta obligatoria:\u003C/p>\r\n\u003Cul>\r\n    \u003Cli>\u003Cstrong>Limitaciones:\u003C/strong> Almacenar cadenas de texto plano mezcladas, espacios accidentales y nulos invisibles\r\n        corrompe los cálculos e impide el análisis.\u003C/li>\r\n    \u003Cli>\u003Cstrong>La Solución:\u003C/strong> Imponer transformaciones explícitas de tipos y limpiezas de valores usando funciones\r\n        nativas garantiza una base analítica impecable.\u003C/li>\r\n\u003C/ul>\r\n\r\n\u003Ch2>La Estructuración Analítica: Extracción, Tipado y Limpieza\u003C/h2>\r\n\r\n\u003Cp>Para asegurar que nuestras tablas Silver almacenen de forma fiel la información de las fuentes, ejecutaremos tres\r\n    lógicas de procesamiento clave:\u003C/p>\r\n\u003Cp>\u003Ccode>Estructura NoSQL (JSON_VALUE) + Conversión de Tipos (CAST) + Estandarización de Cadenas (TRIM/LOWER)\u003C/code>\u003C/p>\r\n\u003Cp>Aprenderemos que un flujo sin validación de reglas puede perpetuar anomalías en los registros; por ello, nos enfocaremos\r\n    en estructurar consultas que eliminen el ruido y descarten registros de prueba inconsistentes.\u003C/p>\r\n\r\n\u003Ch2>Gobernanza y Almacenamiento con BigQuery SQL\u003C/h2>\r\n\r\n\u003Cp>En el paradigma ELT moderno, el motor analítico se encarga del cómputo pesado de forma distribuida. No ejecutamos\r\n    procesamiento fuera del almacén de datos; utilizamos \u003Cstrong>GoogleSQL\u003C/strong> para transformar gigabytes de registros\r\n    directamente sobre la infraestructura serverless de GCP:\u003C/p>\r\n\u003Cul>\r\n    \u003Cli>\u003Cstrong>Clientes:\u003C/strong> Aplanaremos la tabla de \u003Cstrong>Firestore\u003C/strong> extrayendo sus valores anidados y\r\n        ordenándolos en \u003Cstrong>BigQuery\u003C/strong> de forma limpia.\u003C/li>\r\n    \u003Cli>\u003Cstrong>Órdenes:\u003C/strong> Parsearemos las marcas de tiempo de \u003Cstrong>Storage\u003C/strong> para estandarizar los\r\n        registros temporales del CSV.\u003C/li>\r\n\u003C/ul>\r\n\r\n\u003Ch2>Implementación práctica\u003C/h2>\r\n\r\n\u003Cp>En este laboratorio práctico, codificarás los scripts SQL de limpieza para BigQuery. Definiremos los archivos\r\n    `silver_customers.sql` y \u003Ccode>silver_orders.sql\u003C/code> para mapear los datasets de origen, permitiéndote ejecutar el\r\n    procesamiento directo y consolidar las tablas del portafolio.\r\n\u003C/p>\r\n\r\n\u003Ch2>Conclusión: Las primeras tablas analíticas limpias\u003C/h2>\r\n\u003Cp>Has completado con éxito la transformación física de tus tablas analíticas en Silver. Has aprendido a procesar\r\n    estructuras JSON complejas y columnas planas aplicando tipado estricto y limpieza en un entorno ELT serverless en la\r\n    nube. Ya tienes una base analítica impecable estructurada; el siguiente desafío es implementar la de-duplicación y las\r\n    cargas incrementales.\u003C/p>","July 9, 2026","https://storage.googleapis.com/mp-blog/images/curso-gcp-medallion-05.jpg",[8,14,19,24],{"id":9,"title":10,"description":11,"image":12,"date":13},"curso-gcp-ai-ops-01","Fundamentos de AIOps en Google Cloud | Curso AIOps con Vertex AI","Módulo 1: Fundamentos de AIOps en Google Cloud. Aprende la transición de ITOps a operaciones inteligentes y cómo preparar tu infraestructura base con Terraform.","https://storage.googleapis.com/mp-blog/images/curso-gcp-ai-ops-01.jpg","May 28, 2026",{"id":15,"title":16,"description":17,"image":18,"date":13},"curso-gcp-ai-ops-02","Vertex AI para AIOps: AutoML y Despliegue | Curso AIOps","Módulo 2: Gestión de modelos con Vertex AI para AIOps. Aprende a utilizar AutoML, gestionar datasets tabulares y desplegar endpoints de predicción.","https://storage.googleapis.com/mp-blog/images/curso-gcp-ai-ops-02.jpg",{"id":20,"title":21,"description":22,"image":23,"date":13},"curso-gcp-ai-ops-03","Observabilidad Inteligente en GCP | Curso AIOps","Módulo 3: Observabilidad Inteligente en GCP. Configuración de Cloud Monitoring, Cloud Logging y creación de dashboards predictivos correlacionados con BigQuery.","https://storage.googleapis.com/mp-blog/images/curso-gcp-ai-ops-03.jpg",{"id":25,"title":26,"description":27,"image":28,"date":13},"curso-gcp-ai-ops-04","Automatización Operativa y Remediación | Curso AIOps","Módulo 4: Automatización Operativa en AIOps. Aprende a crear arquitecturas dirigidas por eventos con Cloud Functions y Pub/Sub para la remediación automática.","https://storage.googleapis.com/mp-blog/images/curso-gcp-ai-ops-04.jpg",1783609814780]