---
title: "Datos"
updated: "2026-11-16"
url: "https://www.etheon.com/es/services/data"
---

# Ingeniería de datos y analítica

Ingeniería de datos, de los pipelines al BI. Construimos los pipelines, las plataformas y la gobernanza que sustentan su analítica y su IA.

pedido 1042

### 01 Fuentes

Fuentes.

Cada pedido empieza como una línea en la exportación del sistema que lo recibió.

```
orders export
1042,C-88,49.00,EUR,2026-11-12 09:14
```

- Nombre del cliente enmascarado para los analistas
- Linaje raw.orders → stg\_orders → fct\_orders
- Se conserva 24 meses y luego se elimina

### 02 Ingesta

Ingesta.

La línea llega a la capa bruta tal como llegó, con cada campo nombrado.

```
raw.orders
order_id     1042
customer_id  C-88
amount       49.00
currency     EUR
ordered_at   2026-11-12 09:14
```

- Nombre del cliente enmascarado para los analistas
- Linaje raw.orders → stg\_orders → fct\_orders
- Se conserva 24 meses y luego se elimina

### 03 Limpiar y comprobar

Limpiar y comprobar.

Tipos y zonas horarias corregidos, y cada campo comprobado antes de seguir.

```
stg_orders
order_id     1042                  unique
customer_id  C-88                  not empty
amount       49.00 EUR             positive
ordered_at   2026-11-12 09:14 UTC  in range
```

- Nombre del cliente enmascarado para los analistas
- Linaje raw.orders → stg\_orders → fct\_orders
- Se conserva 24 meses y luego se elimina

### 04 Modelar

Modelar.

Data warehouses y lakehouses configurados para su escala, su costo y sus reglas de acceso.

- La plataforma que encaja con su stack
- Costos que puede ver
- Acceso por rol

```
fct_orders
order_id     1042
customer_id  C-88
amount       49.00 EUR
ordered_at   2026-11-12 09:14 UTC
segment      SMB   from customers
region       EU    from accounts
```

- Nombre del cliente enmascarado para los analistas
- Linaje raw.orders → stg\_orders → fct\_orders
- Se conserva 24 meses y luego se elimina

### 05 Servir

Servir.

El pedido se cuenta en una métrica que usan sus informes y en una variable que leen sus modelos.

```
metrics, features
metric   weekly_active_customers  counted
feature  orders_last_7_days       3
```

- Nombre del cliente enmascarado para los analistas
- Linaje raw.orders → stg\_orders → fct\_orders
- Se conserva 24 meses y luego se elimina

### 06 Decidir

Decidir.

Las personas leen la métrica en un informe; un modelo lee la variable como una entrada entre muchas.

```
report, model
report  Weekly active customers
model   churn risk, one input of many
```

- Nombre del cliente enmascarado para los analistas
- Linaje raw.orders → stg\_orders → fct\_orders
- Se conserva 24 meses y luego se elimina

### Pipelines. Datos trasladados desde sus fuentes, limpiados y comprobados por el camino.

#### Qué es

Un pipeline de datos lleva los datos desde donde se crean hasta donde se usan, y los comprueba por el camino. Conectamos sus fuentes, cargamos los datos de forma programada o en el momento en que se producen, y limpiamos y probamos cada registro antes de que lo lean sus informes y modelos.

#### Qué hacemos

- Fuentes conectadas.
- Datos ingeridos de forma programada o en el momento en que se producen.
- Limpieza y comprobaciones por el camino.

#### Cómo lo hacemos

1. Conectar: Sus fuentes conectadas, cada una con un responsable designado.
2. Cargar y comprobar: Datos cargados de forma programada o en el momento en que se producen, comprobados por el camino.

#### Qué obtiene

- Pipelines en su repositorio
- Comprobaciones de datos que se ejecutan en cada carga
- Un mapa de cada fuente y su responsable

#### Stack y herramientas

- Data integration
- Workflow orchestration
- Data quality checks
- Streaming

#### Relacionado

- [Plataformas de datos](https://www.etheon.com/es/services/data?detail=platforms#platforms)

### Plataformas de datos. Data warehouses y lakehouses configurados para su escala, su costo y sus reglas de acceso.

#### Qué es

Una plataforma de datos es donde se almacenan, modelan y consultan los datos de su empresa. Configuramos data warehouses y lakehouses que encajan con su stack, su escala y sus reglas de acceso, con los costos visibles para que la plataforma siga siendo asequible a medida que crece.

#### Qué hacemos

- La plataforma que encaja con su stack.
- Costos que puede ver.
- Acceso por rol.

#### Cómo lo hacemos

1. Elegir: La plataforma que encaja con su stack, su escala y su costo.
2. Configurar: Almacenamiento, modelos y reglas de acceso, escritos como código.

#### Qué obtiene

- Un data warehouse o lakehouse configurado como código
- Reglas de acceso por rol
- Un informe de costos

#### Stack y herramientas

- Data warehouses
- Lakehouses
- Infrastructure as code
- Cost monitoring

#### Relacionado

- [DevOps y SRE](https://www.etheon.com/es/services/cloud?detail=devops#devops)

### Datos para ML. Los conjuntos de datos de los que aprenden sus modelos, etiquetados y versionados con el modelo.

#### Qué es

Los datos para ML son los datos con los que sus modelos aprenden y se prueban. Etiquetamos conjuntos de datos para la tarea del modelo, anonimizamos los datos personales antes de etiquetar y versionamos cada conjunto de datos con el modelo que entrena, para que cualquier resultado pueda rastrearse hasta sus datos.

#### Qué hacemos

- Conjuntos de datos etiquetados para la tarea del modelo.
- Cada conjunto de datos versionado con su modelo.
- Datos personales anonimizados antes de etiquetar.

#### Cómo lo hacemos

1. Etiquetar: Conjuntos de datos etiquetados para la tarea del modelo, con los datos personales anonimizados primero.
2. Versionar: Cada conjunto de datos versionado con el modelo que entrena.

#### Qué obtiene

- Conjuntos de datos etiquetados
- Versiones vinculadas a cada modelo
- Un registro de cómo se creó cada conjunto

#### Stack y herramientas

- Labelling tools
- Dataset versioning
- Data quality checks
- Redaction tools

#### Relacionado

- [MLOps](https://www.etheon.com/es/services/ai?detail=mlops#mlops)

### Analítica y BI. Cada métrica con una definición, un responsable y sus pruebas.

#### Qué es

La analítica y el BI convierten los datos en cifras en las que sus equipos están de acuerdo. Damos a cada métrica una definición, un responsable y pruebas que se ejecutan con cada actualización, y construimos los informes y paneles que leen sus equipos.

#### Qué hacemos

- Una definición para cada métrica.
- Un responsable para cada métrica.
- Pruebas que se ejecutan con cada actualización.

#### Cómo lo hacemos

1. Definir: Una definición y un responsable para cada métrica.
2. Probar: Pruebas que se ejecutan con cada actualización, antes de que nadie lea una cifra.

#### Qué obtiene

- Las definiciones de las métricas, en el formato que se muestra en esta página.

#### Stack y herramientas

- Data transformation
- BI dashboards
- Metric definitions
- Data quality checks

### Gobernanza. Acceso por rol y datos guardados en la región que usted elija.

#### Qué es

La gobernanza de datos decide quién puede ver qué datos, dónde se guardan y durante cuánto tiempo. Fijamos el acceso por rol, guardamos los datos en la región que usted elija, enmascaramos los datos personales donde no se necesitan, los eliminamos según un calendario y registramos cada acceso.

#### Qué hacemos

- Datos guardados en la región que usted elija.
- Acceso por rol.
- Datos personales enmascarados donde no se necesitan.
- Conservación y eliminación según un calendario.
- Cada acceso, registrado.

#### Cómo lo hacemos

1. Mapear: Cada conjunto de datos, quién lo necesita y dónde debe permanecer.
2. Aplicar: Roles, enmascaramiento y eliminación configurados en la plataforma, con cada acceso registrado.

#### Preguntas

**¿Dónde se almacenan nuestros datos?**

En la región que usted elija. Sus datos y sus copias de seguridad permanecen en esa región.

**¿Quién puede acceder a nuestros datos?**

Solo los roles que usted apruebe. El acceso se concede por rol, limitado a lo que necesita cada rol, y cada acceso queda registrado.

#### Qué obtiene

- Un mapa de accesos por rol
- Reglas de conservación y eliminación
- Registros de acceso que sus auditores pueden leer

#### Relacionado

- [Sus datos en Etheon](https://www.etheon.com/es/company/trust#your-data)
- [Acuerdo de tratamiento de datos](https://www.etheon.com/legal/dpa)

## Lo que conserva.

Cada métrica y cada conjunto de datos vienen con su definición.

### Clientes activos semanales.

Métrica · Analítica y BI

Clientes con al menos un pedido en la semana, contados una sola vez.

- Responsable: Finanzas
- Fuente: fct\_orders
- Actualización: Diaria, antes de la jornada laboral
- Pruebas: No vacía, una fila por semana

Una ilustración del formato, no cifras de un cliente.

### Tickets de soporte, etiquetados.

Conjunto · Datos para ML

El conjunto con el que se entrena y evalúa un asistente, versionado con el modelo.

- Etiquetas: Intención, una etiqueta por ticket
- Versión: v7 · con el modelo v7
- Frescura: Semanal
- Datos personales: Anonimizados antes de etiquetar

Una ilustración del formato, no datos de un cliente.

## Quién ve qué.

Acceso por rol y datos guardados en la región que usted elija.

UE: Los datos y las copias de seguridad permanecen en regiones de la UE.

EE. UU.: Los datos y las copias de seguridad permanecen en regiones de EE. UU.

| Rol | Identidad del cliente | Pedidos | Tickets de soporte | Eventos | Agregados |
| --- | --- | --- | --- | --- | --- |
| Analista | Enmascarado | Completo | Enmascarado | Completo | Completo |
| Ingeniero de datos | Enmascarado | Completo | Completo | Completo | Completo |
| Agente de soporte | Enmascarado | Completo | Completo | Ninguno | Ninguno |
| Modelo de ML | Ninguno | Completo | Enmascarado | Completo | Ninguno |
| Panel de dirección | Ninguno | Ninguno | Ninguno | Ninguno | Completo |

Analistas. Ven pedidos, eventos y agregados completos, con la identidad del cliente y el texto de los tickets enmascarados.

Ingenieros de datos. Ven cada conjunto de datos para construir y corregir los pipelines, con la identidad del cliente enmascarada.

Agentes de soporte. Ven pedidos y tickets para responder a un cliente; los nombres y correos están enmascarados, y cada consulta queda registrada.

Modelos de ML. Leen pedidos y eventos para aprender, con el texto de los tickets enmascarado y sin identidad del cliente.

Paneles de dirección. Muestran solo agregados: totales y tendencias, sin el registro de ningún cliente concreto.

- [IA](https://www.etheon.com/es/services/ai): Agentes, modelos y MLOps
- [Cloud](https://www.etheon.com/es/services/cloud): Cloud, DevOps y SRE