Formato
5 encuentros de 2 h (semanales) +
módulo introductorio asincrónico
Audiencia
Empresas y Estudiantes avanzados de Ingeniería en Sistemas a través de sistema de becas· cupo máximo 7 alumnos becados por TheLab Technology SRL
Objetivo del programa
Que el estudiante construya, de punta a punta, una plataforma analítica moderna sobre Google Cloud: desde la ingesta del dato crudo hasta su explotación, aplicando las prácticas que se usan hoy en la industria — modelado dimensional, transformación versionada en Git, testing de calidad de datos y automatización.
El curso se desarrolla con una parte teórica y una práctica apoyado en un trabajo práctico integrador que cada estudiante desarrolla en su propio repositorio de GitHub y que se corrige al finalizar, de modo que el egresado termina con un proyecto demostrable en su portfolio.
Temario
Clase 1 · Fundamentos y primer contacto con BigQuery 2 h
El rol del ingeniero de datos y el ciclo de vida del dato
OLTP vs. OLAP: por qué existe el data warehouse
ETL vs. ELT y arquitectura por capas (raw → staging → marts)
Panorama de Google Cloud: proyectos, IAM, Cloud Storage
Práctica: consultas sobre datasets públicos de BigQuery, lectura del plan de ejecución y del costo
Clase 2 · BigQuery en profundidad e ingesta de datos 2 h
Arquitectura: separación de storage y compute, modelo columnar, modelo de precios
Particionado y clustering: criterios de diseño e impacto medible en costo
Tipos anidados y desnormalización
Ingesta: carga batch desde Cloud Storage, tablas externas, CLI y cliente Python
Práctica: carga del dataset propio a la capa raw
Clase 3 · Modelado y transformación 2 h
Modelado dimensional: hechos, dimensiones, granularidad, esquema estrella
SQL analítico: CTEs, window functions, deduplicación
Transformación versionada con dbt sobre BigQuery: modelos, referencias, materializaciones
Por qué la lógica de negocio vive en el repositorio y no en la consola
Práctica: construcción de la capa staging y del primer modelo de negocio
Clase 4 · Calidad de datos, orquestación y automatización 2 h
Testing de datos: unicidad, integridad referencial, valores esperados, frescura
Orquestación: consultas programadas, Cloud Scheduler y Cloud Run Jobs
Introducción a la integración continua aplicada a datos
Buenas prácticas de repositorio: ramas, pull requests, revisión entre pares
Práctica: pipeline programado con tests en verde
Clase 5 · Consumo, gobierno de datos y cierre 2 h
Capa de consumo: vistas autorizadas y visualización en Looker Studio
Gobierno: permisos por dataset, políticas de columna, catálogo y linaje
Optimización de costos en BigQuery y anti-patrones frecuentes
Panorama de procesamiento en tiempo real
Presentación de los trabajos prácticos y devolución
Metodología
Modalidad teórica y taller: cada encuentro combina una exposición conceptual breve con construcción en vivo sobre un caso real. Los estudiantes replican el desarrollo sobre su propio dataset y versionan cada avance en GitHub, de forma que el trabajo práctico crece semana a semana y no se concentra al final.
Se entrega un módulo introductorio asincrónico de configuración de entorno, a completar antes del primer encuentro, para que el tiempo de clase se destine íntegramente al contenido.
Prerrequisitos: SQL básico, Python básico y manejo elemental de Git. Todo el curso se desarrolla dentro de la capa gratuita de Google Cloud.
Evaluación
Trabajo práctico integrador entregado como repositorio de GitHub, evaluado sobre: pipeline funcional de punta a punta, calidad del modelado, cobertura de tests, automatización, higiene del repositorio y presentación final.
Incluye devolución escrita por equipo.
Postulate como Alumno Becado de UTN FRRo en: https://lnkd.in/dZ899vBv
Mas información del curso en: https://me-l.co/xnenh6o1
