En el primer módulo, estudiaremos los desafíos analíticos a los que se enfrentan los analistas de datos y compararemos macrodatos locales con aquellos en la nube. Luego, presentaremos BigQuery, el almacén de datos empresariales de Google Cloud, y revisaremos sus funciones, que hacen de este producto una gran opción para satisfacer tus necesidades de análisis de datos. Finalmente, aprenderemos de casos de uso reales de empresas que se transformaron a través de la analítica en la nube.

En este módulo, se exploran los datos con SQL, el lenguaje de consulta estructurado. Pasamos de sentencias SELECT muy sencillas a consultas más complejas que exploran diversos conjuntos de datos.

En este módulo, hablaremos sobre los principios de la integridad de los datos y, luego, veremos cómo usar SQL para limpiar, preparar y transformar datos. En la última sección de este módulo, también se presentan brevemente otros productos, como Dataprep, Cloud Data Fusion, Dataflow, Dataproc y Dataform, que pueden ayudar en la preparación y transformación de los datos.

En este módulo, se aborda la transferencia y el almacenamiento de datos en el almacén nativo de BigQuery. Analizaremos cuándo usar los enfoques de extracción y carga frente a extracción, carga y transformación, y extracción, transformación y carga para cargar datos en BigQuery. También, hablaremos sobre las fuentes de datos externas en las que se puede ejecutar una consulta en BigQuery, pero con datos alojados fuera de BigQuery.

En este módulo, todo el trabajo de transferencia, limpieza, preparación y transformación de los datos se materializa en la visualización de estadísticas a través de la creación de informes y paneles útiles. Comenzaremos con un poco de teoría de la visualización y algunas prácticas recomendadas y, luego, analizaremos herramientas, como Looker Studio y Hojas conectadas, que pueden vincularse a BigQuery y ayudar a crear visualizaciones significativas para recopilar y transmitir tus estadísticas. Aunque SQL es un lenguaje de consulta potente, los lenguajes de programación como Python, Java o R proporcionan sintaxis y una gran variedad de funciones estadísticas integradas que a los analistas de datos pueden resultarles más expresivas y fáciles de manipular para ciertos tipos de análisis de datos. Estas herramientas incluyen aplicaciones de código abierto basadas en la Web, como Jupyter Notebooks, de las que también hablaremos.

Crear, mantener y controlar versiones de canalizaciones de SQL supone mucho trabajo. A menudo, los analistas de datos tienen que usar varias herramientas para lograr realizar estas tareas. Por eso, en este módulo, presentaremos Dataform, un nuevo producto que ofrece una experiencia unificada de extremo a extremo para desarrollar, controlar versiones y organizar canalizaciones de SQL en BigQuery.

En este módulo, empezaremos hablando sobre qué es BigQuery Studio, y la razón por la que lo creamos. Luego, describiremos con un poco más de detalle todas las excelentes funciones que incluye BigQuery Studio. Por último, concluiremos el módulo con una demostración para que conozcas las funciones más interesantes y aprendas a usarlas.

Este módulo es un resumen de los temas clave abordados en el curso.