Latest / M365.FM – Podcast de Microsoft 365, Copilot e IA en español / Microsoft Fabric Data Factory explicado: canalizaciones, Dataflow Gen2, Copy jobs y la diferencia con ADF (Doblaje IA)

Transcript

Microsoft Fabric Data Factory explicado: canalizaciones, Dataflow Gen2, Copy jobs y la diferencia con ADF (Doblaje IA) · M365.FM – Podcast de Microsoft 365, Copilot e IA en español

• 0:00
  Speaker 2: Preparado para 10 días de Microsoft 365 Copilot, EA, Azure
• 0:04
  Speaker 2: y las personas que están dando forma al futuro del trabajo.
• 0:07
  Speaker 2: Este enero, M365 con Regresa y lo hace a lo grande.
• 0:12
  Speaker 2: Acompáñenos en sesiones en vivo. Demostraciones reales y conocimientos prácticos
• 0:16
  Speaker 2: de MVP y expertos del sector de todo el mundo.
• 0:18
  Speaker 2: Sin diapositivas genéricas. Sin palabras de modo interminables. Estamos abordando
• 0:22
  Speaker 2: los desafíos. Reales Copilot Studio, agentes de IA, Fabric Seguridad,
• 0:27
  Speaker 2: Gobernanza y Automatización. Ya seas un profesional de TI, un
• 0:31
  Speaker 2: desarrollador o un líder empresarial, hay sesiones diseñadas para ti.
• 0:35
  Speaker 2: Con 10 días completos, puedes explorar múltiples tecnologías y conectar
• 0:38
  Speaker 2: con una comunidad global. Míralo en vivo y aplica conocimientos
• 0:43
  Speaker 2: prácticos a tu organización. Enero de 2027. 10 días. Una
• 0:48
  Speaker 2: comunidad Microsoft. La inscripción ya está abierta. Visita m365com.net y
• 0:54
  Speaker 2: reserva tu plaza hoy mismo. Eso es m365com.net, net. Únete
• 1:01
  Speaker 2: ahora en m365com.net y nos vemos en directo en enero.¿
• 1:05
  Speaker 2: Qué es exactamente Microsoft Fabric Data Factory?¿ Es solo Azure
• 1:08
  Speaker 2: Data Factory con un nuevo nombre o algo completamente diferente?
• 1:11
  Speaker 2: Si has oído el término y te has preguntado qué
• 1:12
  Speaker 2: significa en realidad, no eres el único. Al final de
• 1:15
  Speaker 2: este episodio sabrás de qué se trata, en qué se
• 1:17
  Speaker 2: diferencia del ADF clásico y los elementos fundamentales que necesitas entender.
• 1:21
  Speaker 2: Si estás lidiando con el movimiento de datos en Fabric,
• 1:23
  Speaker 2: este es el motor que lo hace posible y es
• 1:24
  Speaker 2: más sencillo de lo que crees. Veremos cuatro componentes fundamentales
• 1:28
  Speaker 2: y cómo encajan entre sí. Pero primero, definamos de qué
• 1:31
  Speaker 2: estamos hablando. Es la definición más sencilla. Fabric Data Factory
• 1:35
  Speaker 2: es el motor dentro de Microsoft Fabric que mueve e
• 1:37
  Speaker 2: integra tus datos. Piensa en él como el reemplazo de
• 1:39
  Speaker 2: Azure Data Factory y las canalizaciones de Synapse, todo, en
• 1:42
  Speaker 2: una única plataforma SaaS. Eso es lo primero que debes entender.
• 1:46
  Speaker 2: No es un servicio independiente que administres. Está integrado directamente
• 1:49
  Speaker 2: en Fabric, conectado a OneLake. Usemos una analogía. Si Fabric
• 1:52
  Speaker 2: es un edificio oficina, es Data Factory, es la sala
• 1:54
  Speaker 2: de correo y las cintas transportadoras que mueven los documentos
• 1:56
  Speaker 2: entre plantas. No piensas en la sala de correo todos
• 1:59
  Speaker 2: los días. Pero sin ella nada llega del punto A
• 2:01
  Speaker 2: al punto B. Aquí también. Data Factory gestiona el movimiento
• 2:05
  Speaker 2: entre bastidores. La gran diferencia con el viejo mundo no
• 2:07
  Speaker 2: se requiere configuración de almacenamiento externo. Tus datos llegan directamente
• 2:10
  Speaker 2: a OneLink. En Azure Data Factory tenías que configurar una
• 2:13
  Speaker 2: cuenta de almacenamiento, crear contenedores y configurar servicio vinculado. En
• 2:16
  Speaker 2: Faber todo eso ha desaparecido. OneLink ya está ahí, así
• 2:18
  Speaker 2: que solo tienes que dirigir tu canalización hacia él y listo.
• 2:20
  Speaker 2: Te suena familiar, ¿verdad? Entonces,¿ en qué se diferencia de
• 2:23
  Speaker 2: Azure Data Factory que ya conoces?¿ En qué se diferencia
• 2:26
  Speaker 2: de Azure Data Factory? Mucha gente cree que Fabric Data
• 2:28
  Speaker 2: Factory es simplemente Azure Data Factory con una nueva etiqueta,
• 2:31
  Speaker 2: pero no es así. Vamos a aclarar algunos mitos. El
• 2:33
  Speaker 2: precio es donde realmente cambia la cosa. ADF cobra por ejecución,
• 2:36
  Speaker 2: así que cada actividad de copia, procedimiento almacenado y ejecución
• 2:39
  Speaker 2: de pipeline aumenta tu factura. En cambio, Fabric Data Factory
• 2:42
  Speaker 2: utiliza precios basados en la capacidad. Compras una capacidad de Fabric, F2, F4, F16,
• 2:46
  Speaker 2: lo que sea, y todas tus cargas de trabajo comparten
• 2:49
  Speaker 2: ese grupo de cómputo. Data Factory, Power BI, Lakehouse, toda
• 2:52
  Speaker 2: la plataforma. Si ya tienes capacidad de Fabric, ejecutar canalizaciones
• 2:55
  Speaker 2: cuesta muy poco más, muy poco más. Si no la tienes,
• 2:58
  Speaker 2: debes superar el coste total de Fabric con tu factura
• 3:00
  Speaker 2: actual de ADF. Las conexiones también son más sencillas. En
• 3:03
  Speaker 2: ADF tenías que crear un servicio vinculado para cada origen
• 3:05
  Speaker 2: y destino, luego conjuntos de datos sobre eso y luego
• 3:07
  Speaker 2: configurar el entorno de ejecución e integración. Con Fabric, las
• 3:10
  Speaker 2: conexiones se definen en línea y One Lake es automático.
• 3:13
  Speaker 2: Eliges tu origen, eliges tu destino y la conexión se
• 3:15
  Speaker 2: configura en el momento. Muchos menos clics. También hay nuevas
• 3:19
  Speaker 2: actividades integradas. Puedes enviar correos o mensajes de Teams directamente
• 3:22
  Speaker 2: desde tu canalización sin necesitar Logic Apps ni webhooks personalizados.
• 3:26
  Speaker 2: Solo una actividad de arrastrar y soltar, y eso por
• 3:27
  Speaker 2: sí solo ahorra mucho tiempo. La implementación ahora es mejor.
• 3:30
  Speaker 2: ADF tenía garantizaciones de implementación, pero era engorrosa. Fabric cuenta
• 3:33
  Speaker 2: con canalizaciones de implementación integradas con promoción por espacio de trabajo,
• 3:36
  Speaker 2: permitiendo pasar de desarrollo a prueba de producción en pocos clics.
• 3:38
  Speaker 2: No se necesitan scripts manual. Ahora seamos honestos sobre lo
• 3:41
  Speaker 2: que falta. Soporte SSIs y la red virtual administrada aún
• 3:43
  Speaker 2: no están. Si ha invertido mucho en SQL Server Integration Services,
• 3:47
  Speaker 2: deberá esperar. Para mayores personas, estaré. La gran mayoría del
• 3:51
  Speaker 2: trabajo de integración de datos no necesita SSIs. Por lo tanto,
• 3:54
  Speaker 2: hay que tener una regla simple. Si su factura de
• 3:56
  Speaker 2: ADF es inferior a $ 1, 500 al mes y no está
• 3:58
  Speaker 2: utilizando Fabric, quédese con ADF porque es más barato para
• 4:00
  Speaker 2: cargas de trabajo de bajo volumen. Si ya está en Fabric,
• 4:03
  Speaker 2: Data Factory está incluido, así que utilíceselo. Y si sus
• 4:05
  Speaker 2: costos de ADF son más altos que eso, vale la
• 4:07
  Speaker 2: pena hacer los cálculos sobre la capacidad de Fabric. Bloque
• 4:10
  Speaker 2: de construcción 1. Canalización de datos. Ahora veamos el primer
• 4:13
  Speaker 2: bloque de construcción, las canalizaciones de datos. Las canalizaciones son
• 4:16
  Speaker 2: los orquestados. Deciden qué se ejecuta, cuándo y en qué
• 4:18
  Speaker 2: orden y todo lo demás se conecta a ellas. Piensa
• 4:20
  Speaker 2: en una canalización como si fuera una receta. Tienes pasos,
• 4:23
  Speaker 2: puedes ramificarte y puedes volver atrás. Primero, precalentas el horno,
• 4:26
  Speaker 2: luego mezclas los ingredientes y, si la masa parece demasiado seca,
• 4:29
  Speaker 2: agregas más leche antes de hornear. Mecanización funciona de la manera. Primero,
• 4:32
  Speaker 2: copias datos de una fuente, luego verificas si el archivo
• 4:34
  Speaker 2: existe y, si es así, ejecutas una transformación. Si no
• 4:37
  Speaker 2: es así, envías una alerta. Tú controlas el flujo. Las
• 4:40
  Speaker 2: actividades principales que usarás con más frecuencia son copiar datos
• 4:42
  Speaker 2: para cada uno, condición if, obtener metadatos y buscar. Copiar
• 4:45
  Speaker 2: datos mueve datos del punto A al punto B para
• 4:46
  Speaker 2: que cada uno recorre una lista, digamos 10 archivos en
• 4:49
  Speaker 2: una carpeta. Condición if verifica si algo es verdadero o falso.
• 4:52
  Speaker 2: Obtener metadatos hace preguntas sobre tus datos.¿ Qué tamaño tiene
• 4:55
  Speaker 2: este archivo?¿ Cuándo se modificó por última vez? Buscarle el
• 4:58
  Speaker 2: archivo de configuración y trae los valores de tu canalización.
• 5:01
  Speaker 2: Es el kit de inicio. Todo es de código bajo.
• 5:03
  Speaker 2: Arrastras y sueltas actividades en un lienzo, las conectas con flechas,
• 5:06
  Speaker 2: estableces las propiedades y listo. No hace falta programar casi nada.
• 5:10
  Speaker 2: Parece un diagrama de flujo porque eso es exactamente lo
• 5:11
  Speaker 2: que es. Aquí tienes un ejemplo real. Imagina que extraes
• 5:14
  Speaker 2: datos de ventas de una API todas las mañanas. Tu
• 5:16
  Speaker 2: canal comienza con una actividad de copia de datos que
• 5:18
  Speaker 2: los lleva a un lado. Luego un flujo de datos
• 5:20
  Speaker 2: genera dos pasos que limpian los datos, eliminan los valores
• 5:22
  Speaker 2: nulos y corrigen los formatos de fecha. Un blog de
• 5:24
  Speaker 2: notas los enriquece con segmentos de clientes. Por último, una
• 5:27
  Speaker 2: actividad de Teams envía un mensaje a tu equipo. Datos
• 5:30
  Speaker 2: de ventas actualizan. Es una canalización que realiza el trabajo
• 5:33
  Speaker 2: que solía requerir varias herramientas. También puedes hacer que las
• 5:35
  Speaker 2: canalizaciones sean reutilizadas. Digamos que tienes la misma lógica para
• 5:38
  Speaker 2: 10 fuentes de datos diferentes. En lugar de crear 10 canalizaciones,
• 5:40
  Speaker 2: creas una y usas parámetros, URL de origen, nombre de tabla,
• 5:43
  Speaker 2: carpeta de destino, todo como variables. Una canalización 10 trabajos diferentes.
• 5:47
  Speaker 2: Eso es parametrización. Y aquí tienes algo nuevo. puedes pedirle
• 5:51
  Speaker 2: a Copilot que redacte expresiones de canalización en lenguaje CC.
• 5:54
  Speaker 2: Escribe Añadir dos días a esta fecha y generará la
• 5:57
  Speaker 2: expresión por ti. Ya no hace falta memorizar la sintaxis
• 5:59
  Speaker 2: de funciones ni dibujar en Google formatos de tiempo. Solo
• 6:02
  Speaker 2: di lo que necesites. Bloque de creación número 2. Dataflow
• 6:05
  Speaker 2: Gen 2. Entonces,¿ qué ocurre cuando necesitas limpiar datos pero
• 6:08
  Speaker 2: no quieres escribir código?¿ Es exactamente el problema que resuelve
• 6:10
  Speaker 2: Dataflow Gen 2? Dataflow Gen 2 es la herramienta de
• 6:13
  Speaker 2: transformación de código bajo dentro de Fabric DataFab. Si has
• 6:16
  Speaker 2: usado Power Query en Excel o Power BI antes, esto
• 6:18
  Speaker 2: te resultará muy familiar. Tiene la misma interfaz, las mismas
• 6:21
  Speaker 2: más de 300 transformaciones y el mismo motor, solo que
• 6:24
  Speaker 2: ejecutándose en la nube con un lago como destino. Piénsalo
• 6:27
  Speaker 2: de esta manera. Si las canalizaciones son la línea de
• 6:29
  Speaker 2: montaje que mueve las cajas, Dataflow Gen2 es la cocina
• 6:31
  Speaker 2: donde realmente cortas, sazonas y cocinas los ingredientes crudos. Las
• 6:35
  Speaker 2: conversaciones en grado de logística, Dataflow Gen2 se encarga del
• 6:37
  Speaker 2: trabajo real de hacer que los datos sean útiles.¿ Cuándo
• 6:40
  Speaker 2: deberías recurrir ahí? Cuando necesitas limpiar datos, cambiar tipos, fusionar
• 6:43
  Speaker 2: tablas o filtrar filas, todo ello, sin tocar Spark o SQL.
• 6:47
  Speaker 2: Si tu transformación cabe en una pizarra, probablemente quepa en
• 6:50
  Speaker 2: Dataflow Gen 2. Y tienes un ejemplo rápido. Importas un
• 6:53
  Speaker 2: archivo CSV lleno de pedidos de clientes. Hay filas duplicadas,
• 6:56
  Speaker 2: algunas fechas tienen el formato incorrecto y algunas columnas tienen valores.
• 6:59
  Speaker 2: Abres Dataflow Gen 2, haces clic en algunos botones para
• 7:01
  Speaker 2: eliminar duplicados, cambias el tipo de columna de fecha y
• 7:04
  Speaker 2: rellenas los valores que faltan. Luego lo unes a una
• 7:06
  Speaker 2: tabla de productos de otra fuente. Todo el proceso tarda
• 7:08
  Speaker 2: 10 minutos. El resultado se envía a una tabla de Lakehouse,
• 7:11
  Speaker 2: listo para los informes. También puedes verlo todo visualmente. Hay
• 7:14
  Speaker 2: una vista de diagrama que muestra cada paso como un nodo.
• 7:17
  Speaker 2: La fuente va a uno de filtro. El filtro alimenta
• 7:19
  Speaker 2: un nudo de combinación. La combinación a la salida. Puedes
• 7:21
  Speaker 2: ver todo el flujo de un vistazo. Y eso es
• 7:23
  Speaker 2: realmente útil cuando estás depurando o cuando necesitas explicar la
• 7:26
  Speaker 2: lógica a otra persona. La programación también es flexible. Puedes
• 7:29
  Speaker 2: ejecutar Dataflow y Endos por sí solo. Configúralo para que
• 7:31
  Speaker 2: se actualice cada mañana a las 6 de la mañana.
• 7:33
  Speaker 2: O llámalo desde una canalización principal como parte de un
• 7:35
  Speaker 2: flujo mayor. La mayoría de producciones hacen esto último. La
• 7:38
  Speaker 2: canalización gestiona la orquestación y Dataflow que en dos gestiona
• 7:41
  Speaker 2: el paso de transformación dentro de él. Pero una nota sincera.
• 7:44
  Speaker 2: Para transformaciones muy pesadas, como miles de millones de filas,
• 7:46
  Speaker 2: funciones de ventana o lógica de aprendizaje automático personalizada, quizás
• 7:50
  Speaker 2: sigas usando notebooks con Spark. Dataflow GEN12 no está diseñado
• 7:53
  Speaker 2: para todos los escenarios, pero para la gran mayoría lo
• 7:55
  Speaker 2: que necesitan la mayoría de los equipos, limpieza, configuración, unión
• 7:58
  Speaker 2: y agregación, cubre alrededor del 80% el trabajo. Hay mucho
• 8:02
  Speaker 2: código que no tienes que escribir. Bloque de construcción 3,
• 8:04
  Speaker 2: trabajo de copia. Hablemos del movimiento de datos.¿ Qué pasaría
• 8:08
  Speaker 2: si necesitaras un flujo continuo desde una base de datos?
• 8:10
  Speaker 2: Ahí es donde entran los trabajos de Un trabajo de
• 8:12
  Speaker 2: copia es una forma simplificada de copiar datos de una
• 8:14
  Speaker 2: fuente a un lago con seguimiento integrado. Sin configuraciones complejas
• 8:17
  Speaker 2: de tuberías ni scripts, solo elige el origen, el destino
• 8:19
  Speaker 2: y define con qué frecuencia deseas que se ejecute el proceso.
• 8:22
  Speaker 2: Eso es todo. La función clave es la captura de
• 8:25
  Speaker 2: datos modificados o CDC. Los trabajos de copia rastrean automáticamente
• 8:28
  Speaker 2: las inserciones y actualizaciones en origen. No necesitas crear una
• 8:31
  Speaker 2: lógica de marca de agua manual, esa cosa en la
• 8:33
  Speaker 2: que guardas una marca de tiempo y consultas los registros
• 8:35
  Speaker 2: más nuevos. Las copias lo gestionan en segundo plano. Simplemente
• 8:38
  Speaker 2: funciona sin ningún esfuerzo adicional. Hay más. Los trabajos de
• 8:40
  Speaker 2: copia admiten SSD tipo 2, dimensiones de cambio lento tipo 2.
• 8:43
  Speaker 2: Eso significa que conservan historial completo. Cuando un cliente cambia
• 8:46
  Speaker 2: su dirección, la dirección anterior permanece en la tabla con
• 8:48
  Speaker 2: una fecha de finalización. La nueva dirección obtiene una fecha
• 8:50
  Speaker 2: de inicio. Puedes ver exactamente cómo ha cambiado un registro completo.
• 8:53
  Speaker 2: Es clave para la auditoría y los informes históricos. Entonces,
• 8:55
  Speaker 2: cuando usas trabajos de copia, frente a la actividad de
• 8:57
  Speaker 2: copia estándar, esta es la regla. Las copias son para
• 9:00
  Speaker 2: la ingesta continua de tipo configúralo y olvida. Quieres que
• 9:03
  Speaker 2: los datos fluyan automáticamente, día tras día, con un mantenimiento mínimo.
• 9:07
  Speaker 2: Las actividades de copias son para cargas masivas puntuales o
• 9:09
  Speaker 2: programadas en las que necesitas más control sobre las asignaciones
• 9:11
  Speaker 2: y el manejo de errores. Piénsalo de esta manera, un
• 9:14
  Speaker 2: trabajo de copia es como tener un bibliotecario que detecta
• 9:16
  Speaker 2: automáticamente los libros nuevos que se agregan y los coloca
• 9:18
  Speaker 2: a la estantería. No necesitas consultar el catálogo cada vez
• 9:21
  Speaker 2: porque el bibliotecario se encarga de ello. Una actividad de
• 9:23
  Speaker 2: copia es más como si entraras en la biblioteca, eligieras
• 9:25
  Speaker 2: los libros tú mismo y decidieras exactamente dónde van. Ambas
• 9:28
  Speaker 2: cumplen su función, pero las copias te ahorran el esfuerzo
• 9:31
  Speaker 2: de trabajo rutinario. La configuración es simple, eliges el origen,
• 9:34
  Speaker 2: por ejemplo, de una base de datos de SQL Server.
• 9:36
  Speaker 2: Eliges el destino. Una tabla de Lakehouse. Signas los campos.
• 9:39
  Speaker 2: Indica si quieres una actualización incremental o una actualización completa.
• 9:42
  Speaker 2: Y eso es todo. El trabajo se ejecuta según tu
• 9:44
  Speaker 2: programación y mantiene tu Lakehouse sincronizado a tu material. Bloque
• 9:47
  Speaker 2: de construcción para duplicación.¿ Y qué ocurre si necesitas una
• 9:49
  Speaker 2: replicación en tiempo real? Ahí es donde entra en juego Lakehouse.
• 9:52
  Speaker 2: Esta es la definición más simple. La duplicación es una
• 9:54
  Speaker 2: forma de replicar tu base de datos operativa en One
• 9:56
  Speaker 2: Lake de forma continua sin escribir una sola línea de código.¿
• 9:59
  Speaker 2: Lo configuras una vez? y se ejecuta en segundo plano.
• 10:01
  Speaker 2: Los datos se mantienen actualizados casi en tiempo real. No
• 10:03
  Speaker 2: hay que crear canalizaciones ni mantener flujos de datos. Simplemente funciona.¿
• 10:07
  Speaker 2: Cómo funciona el método? Declaración de reflejo. Lee el registro
• 10:09
  Speaker 2: de transacciones de la base de datos. Cada cambio, cada inserción,
• 10:12
  Speaker 2: actualización y eliminación se recoge y aparece en One Lake
• 10:15
  Speaker 2: en cuestión de minutos. No se trata de procesamiento por lado.
• 10:17
  Speaker 2: Es una replicación contra. Y en el momento en que
• 10:19
  Speaker 2: algo cambia en la base de datos de origen, aparece
• 10:21
  Speaker 2: en fábrica. Hablemos de los orígenes. Ahora mismo puedes crear
• 10:24
  Speaker 2: reflejos de Azure SQL Database, Azure Cosmos DB, Snowflake y otros.
• 10:28
  Speaker 2: Próximamente habrá más, como la creación de reflejos de red
• 10:30
  Speaker 2: privada para bases de cortafuegos que se anunció en 2016.¿
• 10:33
  Speaker 2: Por qué usarías esto?¿ Por qué usarías esto? Porque obtienes
• 10:35
  Speaker 2: una copia activa de tu base de datos en One
• 10:37
  Speaker 2: Lake sin crear ninguna canalización de ETL. No necesitas copia.
• 10:40
  Speaker 2: No necesitas script de cambios. No necesitas lógica de cada incremento.
• 10:43
  Speaker 2: El sistema se encarga de todo soporte. Aquí tienes una
• 10:45
  Speaker 2: analogía para que te quede claro. Piensa en la duplicación
• 10:47
  Speaker 2: como si tuviera un clon en tiempo real de su
• 10:49
  Speaker 2: base de datos dentro de Fabric. Actualice la fuente una
• 10:51
  Speaker 2: vez y el clon se actualizará al instante. No se
• 10:53
  Speaker 2: requiere código para mantenerlo sincronizado. El sistema hace el trabajo pesado.
• 10:56
  Speaker 2: También hay un beneficio en costos que cambian. La duplicación
• 10:58
  Speaker 2: incluye procesamiento y almacenamiento gratuitos hasta cierto límite. Solo paga
• 11:02
  Speaker 2: por la capacidad de Fabric que ya tiene. Para muchas
• 11:04
  Speaker 2: organizaciones eso lo hace más económico que crear y mantener
• 11:06
  Speaker 2: canalizaciones de replicación personalizadas. Y este es un caso de
• 11:09
  Speaker 2: uso práctico. Puede crear informes de Power BI directamente en
• 11:12
  Speaker 2: datos duplicados sin afectar la base de datos de origen.
• 11:14
  Speaker 2: Su sistema operativo sigue funcionando a toda velocidad. Sus analistas
• 11:17
  Speaker 2: obtienen datos nuevos. Todos ganan.¿ Cómo funcionan juntas estas piezas?
• 11:21
  Speaker 2: Entonces tiene canalizaciones, flujos de datos, copias y réplicas.¿ Cómo encajan?
• 11:25
  Speaker 2: La mayoría de implementaciones reales siguen un patrón simple. Ingerir. Limpiar. Enriquecer. Servir.
• 11:32
  Speaker 2: Se llama arquitectura medallón. Bronze, plata, oro. Piensa en ello
• 11:36
  Speaker 2: como tres capas. Bronze conserva los datos sin procesar exactamente
• 11:38
  Speaker 2: cómo llegan. Plata se limpia y se duplica. El oro
• 11:41
  Speaker 2: se enriquece y está listo para reportar. Así es como
• 11:43
  Speaker 2: se ve en la práctica. Un trabajo de duplicación o
• 11:45
  Speaker 2: copia transfiere datos sin procesar una tabla de Browns Lake.
• 11:48
  Speaker 2: Ese es el paso de ingesta. Luego, un flujo de
• 11:50
  Speaker 2: datos 100-2 los limpia y los transforma en silver. Elimina
• 11:52
  Speaker 2: los valores nulos, estandariza los formatos y une las tablas relacionadas.
• 11:56
  Speaker 2: Por último, una canalización organiza todo el proceso. Activa el
• 11:58
  Speaker 2: trabajo de copia, espera que finalice, ejecute el flujo de
• 12:00
  Speaker 2: datos y envía la notificación de Teams cuando finaliza. Ese
• 12:03
  Speaker 2: es el flujo completo. La verdadera magia no está en
• 12:05
  Speaker 2: una sola herramienta. Está en cómo todas se comunican entre
• 12:08
  Speaker 2: sí de un lago. Sus datos duplicados residen en un lago.
• 12:11
  Speaker 2: La salida de su flujo de datos llega a un lago.
• 12:13
  Speaker 2: Su canalización lee de un lago. Todo comparte la misma
• 12:15
  Speaker 2: capa de almacenamiento. También puede compartir datos entre áreas de
• 12:18
  Speaker 2: trabajo usando atajos. No es necesario copiar. Hay una cadena
• 12:21
  Speaker 2: de dependencias que vale la pena comprender. Las canalizaciones pueden
• 12:24
  Speaker 2: invocar a Dataflow Gen 2 como paso intermedio. También puede
• 12:26
  Speaker 2: incluir cuadernos, trabajos de DBT e incluso canalizaciones de Azure
• 12:29
  Speaker 2: Data Factory si está migrando gradualmente. Un solo pipeline puede
• 12:32
  Speaker 2: orquestarlos todos. Aquí está la cuestión. Ya no necesitas unir
• 12:34
  Speaker 2: cinco servicios diferentes, una plataforma, una capa de almacenamiento, un
• 12:38
  Speaker 2: conjunto de permisos. Ese es el objetivo de Fab. Y
• 12:40
  Speaker 2: funciona en mundo real. Distribuidor con sede en los Emiratos
• 12:43
  Speaker 2: Árabes Unidos utilizó este patrón nuestro. Trabajos de copia para
• 12:45
  Speaker 2: datos de SAP, Dataflow Gen2 para limpieza, pipelines para orquestación,
• 12:49
  Speaker 2: produjeron su cierre de mes de 9 días a 2.
• 12:51
  Speaker 2: Eso no es una demostración. Eso es producción, orientación práctica
• 12:54
  Speaker 2: y coste. Entonces,¿ quién debería usar Fabric Data Factory? Si
• 12:57
  Speaker 2: necesitas mover o transformar datos dentro de Fabric, esta es
• 12:59
  Speaker 2: tu herramienta. Cubre ingenieros de datos que crean pipelines, ingenieros
• 13:03
  Speaker 2: analíticos que modelan datos, e incluso analistas de negocios que
• 13:05
  Speaker 2: usan Dataflow Gen2 para transformaciones de autoservicio.¿ Quién debería saltar?
• 13:09
  Speaker 2: Si solo necesitas cargas de archivos únicas, empieza directamente con Lakehouse.
• 13:13
  Speaker 2: Arrastre y suelte un CSOA. Si has invertido mucho en SSI,
• 13:16
  Speaker 2: se espera que llegue ese soporte. Si tu factura de
• 13:18
  Speaker 2: ADF es inferior a $ 1, 500 al mes y no utilizas Fabric,¿
• 13:21
  Speaker 2: por ahora tiene sentido que te quedes donde estás? Hablemos
• 13:23
  Speaker 2: de costes.