<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by CarlosCh on Medium]]></title>
        <description><![CDATA[Stories by CarlosCh on Medium]]></description>
        <link>https://medium.com/@carlos.fernando.chicata?source=rss-b08aaa11f581------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/2*o3DP3PgmJSVVhERUFNogpQ.jpeg</url>
            <title>Stories by CarlosCh on Medium</title>
            <link>https://medium.com/@carlos.fernando.chicata?source=rss-b08aaa11f581------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Wed, 18 Nov 2026 05:35:21 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@carlos.fernando.chicata/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Arquitectura de datos: patrones]]></title>
            <link>https://medium.com/data-world-portafolio/arquitectura-de-datos-patrones-7bd538dfec6e?source=rss-b08aaa11f581------2</link>
            <guid isPermaLink="false">https://medium.com/p/7bd538dfec6e</guid>
            <category><![CDATA[spanish]]></category>
            <category><![CDATA[data-engineering]]></category>
            <category><![CDATA[design-patterns]]></category>
            <category><![CDATA[data]]></category>
            <category><![CDATA[data-architecture]]></category>
            <dc:creator><![CDATA[CarlosCh]]></dc:creator>
            <pubDate>Wed, 01 May 2024 07:37:35 GMT</pubDate>
            <atom:updated>2024-05-01T07:37:35.645Z</atom:updated>
            <content:encoded><![CDATA[<h4>Dando una revisión, definición y comentarios sobre que es y cuales son.</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*h45Ju7vw-CBrz5o4rcXAwA.jpeg" /><figcaption>Una conversación filosófica y técnica sobre el tema ☕</figcaption></figure><p>En el mundo de los datos, el diseño de soluciones y el software; es común encontrar problemas comunes en diferentes contexto, por lo que esto nos lleva a encontrar soluciones para afrontarlos lograndose convertir; con popularidad y tiempo; en patrones.</p><p>Pero hay preguntas que se levantan alrededor de esta idea en el mundo de los datos: <em>¿Qué es un patrón?</em>, <em>¿Comó se aplica en la arquitectura de datos?, ¿Como se relaciona con tipos de arquitectura como Kimball o Data vault?, ¿Cuales son patrónes actualmente existen?</em> entre otras preguntas más que parecen no tener fín 😑.</p><p>En este artículo, trato de abordar estas respuestas desde una base reflexiva de lo que se ve como también un criterio de lo que es, no es y lo que involucra esto en el mundo de la arquitectura de datos.</p><blockquote><strong><em>NOTA</em></strong>: Esto esta basado en mi conocimiento y pensamientos sobre el tema; comenta lo que piensas para crecer todos juntos <em>🤗</em></blockquote><h3>Pensando 🤔: ¿Qué significa un “Patrón” en “Arquitectura de datos”?</h3><p>Primero hay que entender que significa un <em>“Patrón”</em>, Martin Fowler da una grandiosa apreciación que podria resumirse en una sola frase[4]: <strong><em>“la aplicación de un grupo de principios de diseño generales frente un problema recurrente a pesar de su contexto para dar una solución”</em></strong>.</p><p>Los patrones de arquitectura son modelos de estructuras en alto nivel que muestran como los componentes se organizan y agrupan para soportar la carga operativa de un equipo[8][6]; lo cual define comportamiento, responsabilidad e interacción de cada componente para lograr ello; por ejemplo el modelo o patrón monolítico, por capas, por eventos o microservicios para el caso de la arquitectura de software[6] cuyo fin es soportar la operación transacional diaria de equipo.</p><blockquote>“El patrón de arquitectura son modelos estructurales de alto nivel que organizan componentes.”</blockquote><p>En el mundo de los datos; donde las necesidades de negocio levantan requerimiento de negocios, infraestructura y desarrollo[1][2] para solucionar el problema de forma integral; hace que la arquitectura frente problemas comunes que se pueden reflejar mejor en sus propiedades, <strong><em>¿Qué tipo de problemas enfrenta la arquitectura de datos?</em></strong> podria preguntase uno; y todos se enfocan en solo uno — desde mi opinión personal — <strong><em>garantizar el grupo de características o propiedades para trabajar</em></strong>, para eso es la arquitectura: dar un entorno para soportar el trabajo de los procesos analíticos de toda la organización😁.</p><p>Para ello podriamos realizar un mapeamiento de elementos de la arquitectura con características, algunas serian por ejemplo:</p><ul><li>Integridad de datos 🡺 Modelos de datos, tuberias de datos y calidad de datos.</li><li>Disponibilidad del servicio 🡺 Almacenamiento, procesamiento y modelos de datos.</li><li>Escalabilidad de demanda del trabajo 🡺 Almacenamiento y procesamiento.</li><li>Seguridad y privacidad del dato 🡺 Gobierno de datos con control de seguridad y privacidad.</li><li>Vigilancia 🡺 Observabilidad de los datos.</li><li>Entendimiento de los datos 🡺 Descubrimiento, catalogos y gobierno de datos.</li><li>Gestión y desarrollo<strong> </strong>🡺 Gestión, estrategia y gobierno de datos.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/500/1*vGm5_8LwLyTDB8ayq-h3xw.jpeg" /><figcaption>En la arquitectura de datos, todos deben colaborar para lograr algo robusto…. incluso la documentación 🙄</figcaption></figure><p>Si bien hay un grupo amplio de temas que abordan varios puntos necesarios que en alguna medida se relacionan con la arquitectura de datos; los componentes que estan relacionados con la arquitectura directamente en un nivel basico son tres: modelos de datos, tuberias de datos y diseño de almacenamientos; las razones del porque son obvias:</p><ul><li><strong><em>Almacenamiento → </em></strong>Definir los componentes de almacenamientos para ser utilizados por todo los procesos y su fin: distribuido, replicación, enfoque, etc.</li><li><strong><em>Modelos de datos →</em></strong> Define como los datos seran organizados para soportar operaciones que el almacenamiento tendra.</li><li><strong><em>Tuberias de datos → </em></strong>Indica como sera el proceso para conectar los almacenamientos con el modelo de datos para garantizar el proceso entre ambos.</li></ul><p>A diferencia de la arquitectura de software; es que hay una variedad de componentes de software y almacenamiento explicito que deben ser coordinados entre ellos, ya que cada par <a href="https://medium.com/data-world-portafolio/arquitectura-de-datos-tipos-de-almacenamiento-y-tuberias-467e2a974944">puede esta asociado a un area diferente</a>; y es deber del arquitecto de datos mantener un ecosistema de trabajo que soporte</p><blockquote>“El patrón de la arquitectura de datos soporta en un grado los requerimientos que el negocio necesita para trabajar y crecer en el tiempo.”</blockquote><h3>Los patrones de arquitectura de datos</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*1Y6LG_sLqG39Q_4VmEYwuQ.jpeg" /><figcaption>Recuerda: Si bien el patrón puede dar una guia, la herramientas que se usen para implementarlo dictarán como soportan realmente las propiedades del negocio.</figcaption></figure><p>En el mundo de la arquitectura, pienso que se debe empezar diseñando a nivel conceptual todos los componentes; ya que al tener una visión generica, completa y suficiente comprensiva de la funcionalidad de un componente este puede evolucionar sin afectar funcionalidades de otros componentes — ¡Este es el trabajo del patrón de arquitectura!</p><blockquote>“Se pueden transicionar entre modelos de arquitectura basado en las nuevas necesidades a soportar — ninguna es una bala de plata.”</blockquote><p>Apartir de una visión conceptual de los componentes dentro del patrón; se puede construir los componentes según el detalle que se requira para soportar su funcionalidad, por esta razón es que un patrón puede tener una instancia especifica cumpliendo el patrón directamente para ello.</p><blockquote><strong>Nota</strong>: los nombre de los patrones son para dar referencia y claridad, no son nombres estandares por la industria; el punto es dar la idea general <em>🧐</em></blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*LfgXqAr2fI7M7Yele14Rpg.png" /><figcaption>El primer patrón de arquitectura: el que engloba la mayoria.</figcaption></figure><p>Se llama asi por el hecho que cada “nivel” es independiente a nivel fisico:<strong><em> en el procesamiento y/o almacenamiento estan en maquinas diferentes tanto para el componente consumidor, transportador como productor</em></strong>; como en la arquitectura de software por niveles[12][6].</p><p>Podriamos poner el enfoque clasico como con la extensión con data lake[1][2] en esta categoria con todos expresiones[9][3][10]:</p><ul><li><strong><em>Descendiente → </em></strong>Kimball / Dimensional</li><li><strong><em>Arriba hacia hacia abajo →</em></strong> Inmon / Cubo y radio / fábrica de información corporativa</li><li><strong><em>Hibridos</em></strong> <strong><em>→ </em></strong>Data vault, anchor, focal o cualquier modelo de datos ensamblado.</li><li><strong><em>Integrador</em></strong>: Textual warehouse o cualquiera que utilice data lake para el landing area de datos no estructurados.</li></ul><p>Gracias a este hecho se dan carácteristicas interesante:</p><ol><li>Tolerancia a fallos y facilidad de mantenimiento individual por la distribución e independencia de los componentes.</li><li>Independecia en las implementaciones de los componentes.</li><li>Hay un tema de latencia por la distribución de componentes.</li><li>Puede recibir datos estructurados o no; pero depende si usamos el componente data lake en la arquitectura.</li><li>Hay trabajos complejos de realizar y mantener por la distribución, por ejemplo seguridad o redes.</li></ol><blockquote>“Tolerancia fallos, un modelo corporativo unificado construido progresivamente distribuido, modularmente arquitectural con un enfoque generador consumidor-productor.”</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*cQl98j2xvGw_NWfE8i1Wdg.jpeg" /><figcaption>o también llamado Data Lakehouse</figcaption></figure><p>Se llama asi porque cada “capa” es independiente lógicamente:<strong><em> el procesamiento o almacenamiento pueden ser componentes separados o estar juntos, pero todos los artefactos de procesamiento y almacenamiento estan en una sola arquitectura de hardware</em></strong>, como lo es la arquitectura de software por capas[12][6].</p><p>Esto se debe a que el almacenamiento esta organizado por capas logicas, para que el procesamiento; ya sea que este incorporado o no con el almacenamiento; pueda utilizarlo.</p><p>El representante por defecto podría ser el modelo data lakehouse[7], tanto el enfoque cerrado como es databricks como también el abierto como lo hacen los proveedores de la nube; pero podria ser tambien una maquina sola — muy poderosa pero sola —que contenga el almacenamiento como el procesamiento juntos.</p><p>Este enfoque entrega características curiosas:</p><ol><li>Alienta el desacoplamiento del procesamiento y almacenamiento.</li><li>Más facíl de entender y mantener los servidores o hardware usado para el almacenamiento o procesamiento.</li><li>Más “fragíl” por ser un punto de botella; pero depende de como se organice el procesamiento y almacenamiento.</li><li>Requiere más conocimiento para organizar el almacenamiento y procesamiento.</li><li>Recibe cualquier tipo de estructura desde los datos.</li><li>Depende fuertemente de los metadatos para gestionar.</li><li>No hay latencia variable porque solo hay componentes desacoplados en el peor caso.</li></ol><blockquote>“Datos como almacenamiento unificado y centralizados, un grupo de herramientas unificadas con un modelo corporativo unificado construido progresivamente monotomo.”</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*MjFJLPwg_noN7dt1yWhUKw.png" /><figcaption>El Data mesh y Data fabric son ejemplos de ello. Los microservicios son formas de gestionar el desarrollo.</figcaption></figure><p>Llamado asi porque cada “servicio” es realmente una area del negocio, ya que en la realidad son bastante autonomos en las actividades y recursos que utilizan con relación entre las otras areas, como en el patrón de architectura de software[6]; <strong><em>por lo que cada servicio tiene sus propios almacenamiento y procesamiento enfocados a un dominio para entregar sus servicios independientes hacia los clientes</em></strong>.</p><p>Los maximos representantes son data mesh[11] con todos su sabores por la forma de comunicación e implementación técnica del dominio; y data fabric[2][3] ya que se basa en una técnica de disponibilidad de datos bajo un enfoque específico.</p><p>Las características que se desprende de esto son las siguientes:</p><ol><li>Autonomia en las areas de negocios para trabajar según sus procesos para construir sus productos.</li><li>Requiere un sistema de comunicación sofisticado para darse soporte entre todas las areas.</li><li>El gobierno de datos es la clave de un producto excelente para todas las areas en temas de calidad, estandarización y harmonización de datos.</li><li>Cada area puede tener su propio sistema de datos independiente para soportar sus necesidades.</li></ol><blockquote>“Una organización con areas complejas, buscando agilidad para sus productos, evolución independiente del area con coordinación entre ambos.”</blockquote><h3>Conclusión</h3><p>Los patrones son formas de abordar problemas para darle solución de forma sostenible, por lo que es bueno siempre aprender patrones para saber como inspirarnos a solucionar un problema basado en los principios que lo rigen.</p><p>En la arquitectura de datos; al igual que el modelamiento; nada esta escrito en piedra, por lo que saber que principios seguir nos ayudará organizar de forma eficiente los componentes;</p><blockquote>“Nuestro hermano; arquitectura de software; nos puede dar inspiración para aprender principios y aplicarlo a nuestro contexto dentro del mundo de los datos.”</blockquote><h3>Referencias</h3><p>[1] <em>“Data Mesh or Mess, Fabric or Fad, Lakehouse or Smokehouse”</em> por <a href="https://www.linkedin.com/in/barrydevlin/">Barry Devlin</a> en linkedin. Enlace: <a href="https://www.linkedin.com/pulse/data-mesh-mess-fabric-fad-lakehouse-smokehouse-barry-devlin/?trackingId=xhMExIC6RAK1Xpt8X0amyw%3D%3D">https://www.linkedin.com/pulse/data-mesh-mess-fabric-fad-lakehouse-smokehouse-barry-devlin/</a></p><p>[2] <em>“Cloud Data Warehousing — Architectural Design Patterns”</em> por <a href="https://www.linkedin.com/in/barrydevlin/">Barry Devlin</a> en linkedin. Enlace: <a href="https://www.linkedin.com/pulse/cloud-data-warehousingarchitectural-design-patterns-barry-devlin/?trackingId=xhMExIC6RAK1Xpt8X0amyw%3D%3D">https://www.linkedin.com/pulse/cloud-data-warehousingarchitectural-design-patterns-barry-devlin/</a></p><p>[3] <em>“What data architecture patterns and models do you recommend?”</em> por LinkedIn community. Enlace; <a href="https://www.linkedin.com/advice/0/what-data-architecture-patterns-models-do-you">https://www.linkedin.com/advice/0/what-data-architecture-patterns-models-do-you</a></p><p>[4] <em>“Writing Software Patterns”</em> por Martin Fowler en Martin Fowler. Enlace: <a href="https://www.martinfowler.com/articles/writingPatterns.html#WhatIsAPattern">https://www.martinfowler.com/articles/writingPatterns.html#WhatIsAPattern</a></p><p>[5] <em>“Design Patterns for Cloud Native Applications”</em> por Kasun Indrasiri y Sriskandarajah Suhothayan. Capitulo 4, Data management patterns. Enlace: <a href="https://www.oreilly.com/library/view/design-patterns-for/9781492090700/ch04.html">https://www.oreilly.com/library/view/design-patterns-for/9781492090700/ch04.html</a></p><p>[6] “<em>Software Architecture Patterns: What Are the Types and Which Is the Best One for Your Project</em>” por Ritvik Gupta, Ankit Sahu en Turing. Enlace: <a href="https://www.turing.com/blog/software-architecture-patterns-types/#vs">https://www.turing.com/blog/software-architecture-patterns-types/#vs</a></p><p>[7] <em>“What Is a Lakehouse?”</em> por Ben Lorica, Michael Armbrust, Reynold Xin, Matei Zaharia y Ali Ghodsi en Databricks. Enlace: <a href="https://www.databricks.com/blog/2020/01/30/what-is-a-data-lakehouse.html">https://www.databricks.com/blog/2020/01/30/what-is-a-data-lakehouse.html</a></p><p>[8] <em>“Architecture Patterns”</em> Capitulo 22 de TOGAF Standard, Version 9.2. Enlace: <a href="https://pubs.opengroup.org/architecture/togaf9-doc/arch/chap22.html">https://pubs.opengroup.org/architecture/togaf9-doc/arch/chap22.html</a></p><p>[9] <em>“Types of Data Warehousing Architecture”</em> de <a href="https://medium.com/@amritha_fernando?source=post_page-----9a656443b510--------------------------------">Amritha Fernando</a>. Enlace: <a href="https://medium.com/@amritha_fernando/types-of-data-warehousing-architecture-9a656443b510">https://medium.com/@amritha_fernando/types-of-data-warehousing-architecture-9a656443b510</a></p><p>[10] <em>“DATA WAREHOUSING IN THE HEALTHCARE ENVIRONMENT”</em> por W. H. Immon. Enlace: <a href="http://lidecc.cs.uns.edu.ar/~nbb/ccm/downloads/Literatura/DATA%20WAREHOUSING%20IN%20THE%20HEALTHCARE%20ENVIRONMENTR1.pdf">http://lidecc.cs.uns.edu.ar/~nbb/ccm/downloads/Literatura/DATA%20WAREHOUSING%20IN%20THE%20HEALTHCARE%20ENVIRONMENTR1.pdf</a></p><p>[11] “<em>Data Mesh: Topologies and domain granularity</em>” por <a href="https://piethein.medium.com/?source=post_page-----65290a4ebb90--------------------------------">Piethein Strengholt</a>. Enlace: <a href="https://towardsdatascience.com/data-mesh-topologies-and-domain-granularity-65290a4ebb90">https://towardsdatascience.com/data-mesh-topologies-and-domain-granularity-65290a4ebb90</a></p><p>[12] <em>“</em><a href="https://stackoverflow.com/questions/120438/whats-the-difference-between-layers-and-tiers"><em>What’s the difference between ‘Layers’ and ‘Tiers’?</em></a><em>”</em>, respuesta de <a href="https://stackoverflow.com/users/459391/sadeq-dousti">Sadeq Dousti</a>, en Stack Overflow. Enlace: <a href="https://stackoverflow.com/questions/120438/whats-the-difference-between-layers-and-tiers">https://stackoverflow.com/questions/120438/whats-the-difference-between-layers-and-tiers</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=7bd538dfec6e" width="1" height="1" alt=""><hr><p><a href="https://medium.com/data-world-portafolio/arquitectura-de-datos-patrones-7bd538dfec6e">Arquitectura de datos: patrones</a> was originally published in <a href="https://medium.com/data-world-portafolio">Data world portafolio</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Modelo Focal Point: Arquitectura e ingesta]]></title>
            <link>https://medium.com/data-world-portafolio/modelo-focal-point-arquitectura-e-ingesta-fd33c5694955?source=rss-b08aaa11f581------2</link>
            <guid isPermaLink="false">https://medium.com/p/fd33c5694955</guid>
            <category><![CDATA[spanish]]></category>
            <category><![CDATA[data-modeling]]></category>
            <category><![CDATA[focal-points]]></category>
            <category><![CDATA[data-engineering]]></category>
            <category><![CDATA[data-architecture]]></category>
            <dc:creator><![CDATA[CarlosCh]]></dc:creator>
            <pubDate>Mon, 01 Apr 2024 09:32:40 GMT</pubDate>
            <atom:updated>2024-04-01T09:32:40.072Z</atom:updated>
            <content:encoded><![CDATA[<h4>Revisando como el modelo de datos “focal point” es abordado por los ingenieros y arquitecto de datos de forma eficiente y rapida.</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*cBnMyyBu8PNMKIDyqXP4Hw.png" /><figcaption>Creo que debo hacer un video demo de esto para cubrir detalles 🤔 ¿Lo hago?</figcaption></figure><p>Al aprender el modelo focal point desde el enfoque logico; una pregunta se levanta alrededor para los ingenieros y arquitectos de datos: <em>¿Comó podemos implementar esto?</em>, porque quisieran saber cuales podrian ser un grupo de buenas practicas que el modelo recomienda para hacer una implementación efectiva sobre ello por parte del equipo de ingenieros de datos, y que el arquitecto debe tener en cuenta para crear una arquitectura de analísis de datos más eficiente para ello.</p><p>En este artículo, voy a dar una guía resumido, practica y puntual sobre como Patrik Lager[1][2]; representante máximo del enfoque; implementa el proceso.</p><blockquote><strong>NOTA #1</strong><em>: recuerda que este tipo de modelos va orientado hacia almacenes de datos; o data warehouse en ingles; por lo que el ejemplo esta orientado a ello🧐. No implica que no puedas tomar lo mejor de esto para implementar tus modelos de datos 😎.</em></blockquote><blockquote><strong>Nota #2<em>:</em></strong><em> Esto esta basado en una recopilación del tema — es muy disperso, escaso y complejo de procesarlo — por lo que tomo tiempo realizarlo. Un par de 👏 para realizar un video con un caso más explicado. Si sabes del tema, comentalo en los comentarios para que todos aprendamos 🙏.</em></blockquote><h3>Revisando la arquitectura y sus componentes</h3><h4><em>General</em></h4><p>Independientemente de como se implemente a nivel técnico; ya sea si utilizas una base de datos o un sistema de almacenamiento en bloque para los componentes; un data warehouse tiene generalmente estos componentes en algun grado — según lo que plantea Patrik[1]:</p><ul><li><strong><em>STG o staging area</em></strong>: Un area no persistente donde se tiene los datos que se extraen de la fuente origén con el fin de cargarlos en un formato común.</li><li><strong><em>DDW o Capa detallada</em></strong>: Un area persistente donde los datos en crudo ya tienen integrado la llave de negocio.</li><li><strong><em>BDW o Capa de negocio</em></strong>: Una area persistente donde se tiene el modelo focal final, ya que los datos estan integrados semanticamente y listos para soportar requerimientos de analísis.</li><li><strong><em>EDM o capa de consumo</em></strong>: done estan los componentes tales como OpsMart o DataMart para ser utilizados para el consumo.</li></ul><p>A los ingenieros y arquitectos les interesa todas las capas de la arquitectura, porque involucran directamente al modelo en su proceso y se requiere en cada capa una tuberia de datos para realizar las transformaciones necesarias para utilizarse en la siguiente capa basado siempre en una automatización definidas por la integración semantica.</p><p>Las primeras 3 capas de la arquitectura se encargan de integrar los datos</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*xlXT9tMs78FaZj-VIGvkKw.jpeg" /><figcaption>El modelo conceptual de una arquitectura de datos analítica.</figcaption></figure><blockquote>“Recuerda: Es un tema de integración, historizidad, no-volatíl y tematico; no aplicamos transformaciones de negocios en los primeros niveles, solo en EDM.”</blockquote><h4>Integración semantica: el nucleo de todo</h4><p>El nucleo de todo el proceso se basa en la capacidad de la integración semantica, que busca reflejar la integración de cualquier dato de las fuentes origén hacia un modelo de datos semantico uniforme para el negocio mismo[1][3].</p><p>Se espera que el modelo semantica; que es el nucleo de la integración semantica; pueda reflejar los datos que se necesitan que el negocio espera uniformizar y la realidad de los datos en su nivel atómico para saber que valor esperar del mismo[1][2].</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2EssV2Yu9MC5UnFN6R2qcQ.png" /><figcaption>Como los metadatos conectan el negocio, el modelo de datos y su implementación automaticamente.</figcaption></figure><p>Gracias al modelo semantico es que podemos crear una relación entre los valores que esperamos del negocios con los que podemos tener de las fuentes de datos dentro del modelo; generando las bases para poder automatizar la generación automatizada de una tabla basado en las relaciones que se definan[5][1].</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*zesQ0d-WpJnkMNT6ZJQaog.png" /><figcaption>Mapa de integración semantica de una columna de fuente origen con estandar del negocio.</figcaption></figure><h4>Automatización: patrón de tablas y código</h4><p>Recordemos que cada descriptor, focal y relación que se generan desde el modelo de negocios tienen un tabla fisica que lo soporta[1]; y como los descriptores — los que son más variables — son genericos, se pueden reutilizar para cualquier focal. Por ejemplo, usaremos siempre el patrón clasificación para crear una instancia de la tabla clasificación para cualquier focal que tenga este atributo[1].</p><blockquote>“La formas focales especifican seran la estructura generica de los patrones de las tablas como su carga: todo gracias al contexto atómico.”</blockquote><p>Por cada contexto atómico podemos definir los atributos que estan bajo un descriptor, es que un patrón de tabla tendra todos los atributos asociados al mismo[1][5]: asi se crea cada atributo de una entidad de negocio 😲.</p><p>Gracias a este hecho se trabaja con instancias de tablas, es que necesitamos patrones de código que se encarguen de generar las instancias basado en lo que el focal necesita[1]. Es posible que un patrón de código genere 2 o más patrones de tablas; por ejemplo el patrón de código “identificador técnico” genera la tabla Focal como también identificador técnico[1]. Para estos trabajos se debe tener en cuenta 3 cosas[1]:</p><ul><li>El formato de la fuente origén de los datos.</li><li>El formato de la fuente destino de los datos.</li><li>Logíca transformadora necesaria para generar los datos y cargarlos.</li></ul><p>Por esta razón es que por cada capa dentro de la arquitectura, hay el mismo numero de patrones de código por cada patrón de tabla existen[1][2], ya que al final estos se utilizarán para crear un modelo de consumo. Una ventaja de esto es que el numero de patrones de código no crece con el numero de focals, sino de acuerdo al numero de descriptores[1].</p><blockquote>“Con los patrones de código, podemos crear integración con bajo esfuerzo e independiente de la cantidad de fuentes origén de datos como area temáticas.”</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*36XtabL-Rn_GLktMZBVjxQ.jpeg" /><figcaption>Como un atributo define las columnas de un patrón de tabla. Lo que esta en negrita es metadatos. Recuerda el descriptor es generico → El patrón de tabla también lo es.</figcaption></figure><h3>Tuberias de datos: conectando capas</h3><p>En nuestras imagenes de esta sección, aplicaremos este conocimiento bajo el contexto de la logística de entrega de paquetes 🛵 para un concepto de negocio <em>“orden”</em> con el descriptor “<em>condición</em>” para el atributo <em>“entrega”</em>.</p><p>No Aplicaremos BDW → EDM porque para construir el modelo de datos de consumo este <a href="https://medium.com/data-world-portafolio/arquitectura-de-datos-tipos-de-almacenamiento-y-tuberias-467e2a974944">depende del tipo de componente de consumo</a>: DataMart, Características para modelos o para métricas.</p><h4>Fuente Origén → STG pasando por Pre-STG</h4><p>Cuando se tratan varias fuentes de datos; cada uno tiene su diferente esquema para los datos por lo que tenemos un problema: <em>crear una funcionalidad que lea los diferentes formas por igual para usarse</em>[1]. Para solucionar este problema podria realizarse una transformación a un <em>formato llave-valor</em>[1] con el fin de generar una estructura completamente flexible ante cualquier esquema de la fuente mientras se proporciona una forma definida de consultar los datos.</p><blockquote>“<strong>Problema #1</strong>: Crear una forma de leer diferentes formatos de esquema de las fuentes origen por el proceso → Formato llave-valor.”</blockquote><p>Esta tabla de formato llave-valor puede ser guardado en una area de pre-staging, con el fin de ser utilizado por los patrones de código para cargar los datos de cualquier fuente origén hacia una tabla staging definida por un patrón de tabla común para todos[1].</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*QGoaI5opa5FJxtu7SIRNew.png" /><figcaption>Procesando un lote de un grupo grande para agilizar el proceso.</figcaption></figure><h4>STG→<strong><em>DDW</em></strong></h4><p>El trabajo de los patrones de código para las tablas consisten en dos transformaciones principales[1]: Aplicar logíca delta y hacer la integración de las llaves de negocios.</p><p>Con “lógica delta”, nos referimos a actualizar; osea insertar, eliminar y cambiar; los registros desde la ultima vez que se realizo una carga. En el caso de la eliminación y actualización, no estoy diciendo que los elimines fisicamente; sino que por medio de una gestión de eliminación suave puedas siempre tener los datos actualizados.</p><p>Con “integración de las llaves de negocios”, poder gestionar los nuevos datos que se tienen recientemente con las llaves asociadas en el modelo. Esto puede ser un desafio por el hecho de que multiples sistemas esten referenciando a una misma instancia.</p><p>Un hecho curioso es que la estructura central no utiliza la llave de negocio proveniente de la fuente, sino una llave técnica asociada a la instancia para realizar los procesos de integración. La lógica de la integración de las llaves de negocio se basa en esta verdad para realizar su proceso, ya que trata tanto con la llave técnica como la de negocio para mantener la instancia de separada y conectada de la infraestructura central.</p><blockquote>“Aqui hacemos las bases para realizar un mejor entoro para la integración semantica.”</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*rozApR4cfOBM-kEBoZpxCw.png" /><figcaption>Recuerda que esta capa se pone la trazabilidad historica para tener un estado de los productos de consumo.</figcaption></figure><h4>DDW → BDW</h4><p>Ahi es donde la integración de los atributos, las entidades y las relaciones se juntan para crear las entidades de negocio necesarias por temas que el data warehouse disponibilizará. Para ello requiere de la integración semantica, el cual mapea los atributos locales hacia los atributos centrales el cual el patrón de código usará para construir todos los tablas asociadas[1].</p><p>Esto permite que se puedan agregar nuevos atributos en una tabla solo definiendolos en la integración semantica, sin la necesidad de cambiar el código[1].</p><blockquote>“Se pueden agregar cambios con ninguno o poco cambio de código.”</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*9gs9ITr71aV4MRxzw8_POw.jpeg" /><figcaption>Recuerda: el patrón de código usa la integración semantica para funcionar.</figcaption></figure><h3>Conclusión</h3><p>Este tema es un dolor de cabeza en algunos puntos: crear los patrones de código y tablas o generar correctamente el modelo y la integración semantica; pero esto lo vale para poder crear un modelo casi automatizado para gestionar el mantenimiento y desarrollo de un data warehouse.</p><p>El enfoque es muy educativo en si mismo para realizar automatizaciones, y nos enseña como realizar los procesos en si mismo casi utilizando solo SQL.</p><p>Si te gusto porfa dale un buen par de 👏 para continuar difundiendo conocimiento de este tipo en español: ¡A ver si me hago un video en español!</p><h3>Referencias</h3><p>[1] <em>“</em><a href="https://topofminds.se/wp/wp-content/uploads/Focal-Introduction-to-Focal-implementation.pdf"><em>Introduction to the focal framework</em></a><em>”</em> de <em>“top of minds”.</em></p><p>[2] <em>“An Introduction to Focal with Patrik Lager”</em> de “Data Modeling Meetup Munich”. Enlace: <a href="https://www.youtube.com/watch?v=C2y92n0sPok">https://www.youtube.com/watch?v=C2y92n0sPok</a></p><p>[3] <a href="https://hanshultgren.wordpress.com/2013/06/16/ensemble-modeling-forms/">https://hanshultgren.wordpress.com/2013/06/16/ensemble-modeling-forms/</a></p><p>[4] <a href="https://topofminds.se/2018/analytical-identifiers/">https://topofminds.se/2018/analytical-identifiers/</a></p><p>[5] “<em>Focal Framework — The Meta Data Layer Part 2</em>” de “Focal Framework”. Enlace: <a href="https://www.youtube.com/watch?v=Yc0iw5ISeYE&amp;t=960s">https://www.youtube.com/watch?v=Yc0iw5ISeYE&amp;t=960s</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=fd33c5694955" width="1" height="1" alt=""><hr><p><a href="https://medium.com/data-world-portafolio/modelo-focal-point-arquitectura-e-ingesta-fd33c5694955">Modelo Focal Point: Arquitectura e ingesta</a> was originally published in <a href="https://medium.com/data-world-portafolio">Data world portafolio</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Modelo de datos: entendiendo Focal point]]></title>
            <link>https://medium.com/data-world-portafolio/modelo-de-datos-entendiendo-focal-point-bdab3f3e199b?source=rss-b08aaa11f581------2</link>
            <guid isPermaLink="false">https://medium.com/p/bdab3f3e199b</guid>
            <category><![CDATA[ensemble-logical-modeling]]></category>
            <category><![CDATA[focal-framework]]></category>
            <category><![CDATA[focal-points]]></category>
            <category><![CDATA[spanish]]></category>
            <category><![CDATA[data-modeling]]></category>
            <dc:creator><![CDATA[CarlosCh]]></dc:creator>
            <pubDate>Mon, 01 Apr 2024 06:36:57 GMT</pubDate>
            <atom:updated>2024-04-01T06:36:57.938Z</atom:updated>
            <content:encoded><![CDATA[<h4>Una guía practica y puntual sobre este enfoque para modelar datos.</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*CEtLCyeEL0gt32So91Ydnw.png" /><figcaption>Hablemos sobre modelos de datos interesante: Focal point primero.</figcaption></figure><p><a href="https://medium.com/data-world-portafolio/descomposici%C3%B3n-unificada-la-base-de-los-modelos-de-datos-ensamblados-f18ea867a5ef">En el mundo de los modelos de datos ensamblados</a>; donde hay variedad de enfoques y muchas similaridades; uno quisiera saber de forma rapida y puntual sobre un modelo en concreto. En este caso busco dar una idea general, practica y funcional sobre lo que es el modelo llamado “Focal point” o “Focal framework”.</p><p>Si bien no es un modelo muy nuevo; esta desde el año 1998[1]; es importante entender para saber 2 cosas: como entender el modelo de datos que se necesita como también como subir los datos atraves de una tuberia de datos o <em>data pipeline</em> por sus siglas en ingles.</p><blockquote><strong><em>Nota</em></strong><em>: Recuerda que los modelos de datos ensamblados generalmente son para almacenes de datos o data warehouse por sus siglas en ingles 😉.</em></blockquote><h3>Introducción y fundamentos</h3><blockquote>“Ayudar a implementar una arquitectura, modelo de datos y código para una solución de integración.”</blockquote><p>Esto se basa en el hecho que el usuario debe hacer preguntas que le ayuden a comprender los datos[1], con el fin de poder construir todos el entorno de análisis muy orientado a lo que el usuario necesita.</p><p>A nivel de arquitectura; esta basado en un enfoque a nivel de capas para romper los problemas con el fin de abordarlos mejor desde una forma modular, además de que puedas ser usado para reporteria y analítica como puntos de consumo[1].</p><p>También alienta a aplicar patrones de carga y aceptación de datos dentro del enfoque[1] para abordar el proceso a nivel técnico.</p><h3>Componentes y filosofía</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*4hMdmD8IM9ysOXnRL0FtGg.png" /></figure><p>Este modelo es representa los datos en 2 grupos: los <strong><em>conceptos nucleo de negocio </em></strong>o concepto del negocio; que son cualquier cosa que tenga relevancia desde la visión del negocio para operar; como los <strong><em>descriptores</em></strong>; que son grupos de atributos que representan una area de información sobre el concepto nucleo de negocio[1].</p><blockquote>“Se espera que los descriptores sean usados por cualquier concepto de negocio.”</blockquote><p>Ya que estan basado en los modelos ensamblados, estos comparten bases en común que son reinterpretados: las entidades son los conceptos nucleo de negocio; a veces llamados “<em>focals” </em>;los atributos son los descriptores y las relaciones se mantiene con el mismo nombre[2].</p><p>Hay un concepto más llamado <strong><em>contexto atomíco</em></strong>, que busca entender el significado que le el negocio significa por medio de la información atomica que el atributo lleva consigo en sus significado[1]. Esto busca responder una pregunta atomica sobre el concepto del negocio, preguntas como: <em>¿Cuando naciste?</em>, <em>¿Cuál es el saldo de su cuenta de depósito?</em> o <em>¿Cuál es tu número de teléfono?</em>.</p><blockquote>“Es importante mantener el generalismo y representar como tal el contexto atomico.”</blockquote><p>Todo estos componentes hace que el modelo trabaje con un nivel fuertemente acoplado al negocio por medio de sus llaves, pero aún mantenga un nivel de abstracción y generalidad por la forma en como se plantea[3].</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*aCzr-LjyEkmlQQCzXWuMXA.png" /><figcaption>Una guía para implementar un contexto atomíco hasta el modelo.</figcaption></figure><h3>Proceso de modelado</h3><h4>Metodología</h4><p>Este modelamiento si sigue un proceso para poder construir los conceptos necesarios que se utilizarán en la implementación del modelo, esto se explican en 5 pasos:</p><p><strong><em>Paso #1 Identificar los conceptos nucleo de negocio</em></strong>; esto se lleva acabo al preguntar al negocio que terminos requiere capturar su información; lo cual puede ser cosas, personas o eventos que tengan significado para el negocio[1].</p><p>Por cada concepto de negocio, se creara una y solo una tabla; y se buscará especificamente el identificador o llave que represente la instancia del concepto de negocio dentro del sistema fuente; pero para lograr integración y singularidad ante los datos[1]</p><p><strong><em>Paso #2 Descubrir y entender la relaciones en el negocio</em></strong>, esto lleva a que entendamos cuales son las relaciones que tienen los conceptos en diferentes escenarios, casos y procesos dentro del negocio con el fin de encontrarlo en los sistemas fuentes[1].</p><p><strong><em>Paso #3 Describe los atributos de los conceptos de negocio</em></strong>, buscando ver los atributos que son necesarios para el negocio para responder sus necesidades[1].</p><p><strong><em>Paso #4 agrupar los atributos en descriptores</em></strong>; al tener una comprensión más profunda de los atributos podemos agruparlos[1], porque que la definición del atributo empareja con la definición del descriptor; lo cual nos permite reutilizarlo cuando se necesiten.</p><p><strong><em>Paso #5 definir el contexto atomico</em></strong>; para entender como responder las preguntas del negocio desde los atributos además verificar el sistema fuente tenga esta información para temás de calidad y disponiblidad de los datos, con el fin de mapearlos hacia los atributos[1].</p><h4>Ejemplo</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*bGempQxM7KX5zwuw5Eonng.png" /><figcaption>Un ejemplo academico sobre los primeros 3 pasos.</figcaption></figure><p>En el caso imagina que tienes la necesidad de guardar las operaciónes financiera de los prestamos; por lo que el negocio te indica las siguientes instrucciones: <em>“Queremos guardar todas las transacciones relacionadas a los diferentes tipos y formas de prestamos hacia nuestros clientes registrados. La operación busca revisar y actualizar los estados de los prestamos y los montos asociados por un periodo de tiempo para un grupo de usuarios.”</em></p><p>Ante la frase anterior; podemos deducir los primeros 2 pasos del modelo: sabemos que hay 2 conceptos; el <em>cliente</em> y el <em>prestamo</em>; como también una relación entre ambos; la <em>transacción.</em> Entonces lo siguiente que preguntamos al negocio es <em>¿Qué atributos a un cliente y un prestamo?; </em>Para lo el negocio nos da un lista:</p><ul><li><strong><em>Cliente</em></strong>: Nombres, Apellidos, Edad, Ubicación de domicilio, Teléfono, Documento de identidad, Lugar de nacimiento.</li><li><strong><em>Prestamo</em></strong>: Cantidad, Fecha de devolución, Fecha de desembolso, Tipo de moneda.</li></ul><p>Para el paso 4 agrupamos los datos por area; en el caso del cliente se define las areas de identidad y ubicación; mientras en el caso de prestamo se define las areas de Condición, Cantidad, Medio de ejecución.</p><p>Para el paso final debemos definir el contexto atomico de cada atributo definido. Por ejemplo, usaremos el atributo <em>“Cantidad”</em> que nos lleva al siguiente definición<em> “</em><strong><em>Determinado numero de unidades acomuladas dentro de un tipo de unidad definido asignado a un objeto para dar valor financiero</em></strong><em>”</em>; lo cual involucra tipo de moneda; esto nos lleva a los elementos atomicos de “<em>numero</em>”y “<em>unidad</em>”.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*hz3KMLjZLbBDw1cXBh87Sg.png" /><figcaption>Los ultimos pasos del ejemplo academico.</figcaption></figure><h4>Requerido para la semantica</h4><p>Ya teniendo el contexto atomíco de todos los atributos para cada concepto nucleo del negocio; entonces podemos construir un modelo semantico para dar una relación 1 a 1 entre los atributos locales que puede tener una fuente de datos origen hacia los atributos integradores que el negocio necesita para realizar sus operaciones[1][2].</p><blockquote>“El modelo semantico mantiene la historizidad del negocio por ser persistente.”</blockquote><p>Lo que se espera es que en este modelo semantico por cada fila que contenga este todas las fuentes de datos origen que se mapearán junto con el modelo de datos para el negocio basado en en los atributos del contexto atomico; para realizar un mapeamiento más exacto entre las fuente en un documento de integración semantica.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*I1XxEoV_H9OS9ovj7nc3Ww.png" /><figcaption>Un ejemplo academico sobre la estructura del modelo semantico del ejemplo anterior ante una fuente de datos hipotetica.</figcaption></figure><h3>Conclusión</h3><p>Cada modelo de datos tiene sus conceptos fundamentales para construir una representación de la realidad que se requiere automatizar. El modelo de datos focal point es una propuesta interesante de conocer para los casos en que se quiera un modelo de datos altamente normalizado, ensambados, con intersección de tablas para las relaciones y agrupamientos de atributos por areas[4].</p><p>En una siguiente artículo veremos como se puede llevar este modelo hacia un contexto de arquitectura e ingesta de los datos; para afrontar detalles de implementación para una solución automatizada y con poco desarrollo como indica el autor[1].</p><blockquote>“Esto es parte de un marco de trabajo automatizado para almacenes de datos.”</blockquote><h3>Referencias</h3><p>[1] <em>“</em><a href="https://topofminds.se/wp/wp-content/uploads/Focal-Introduction-to-Focal-implementation.pdf"><em>Introduction to the focal framework</em></a><em>”</em> de <em>“top of minds”.</em></p><p>[2] <em>“An Introduction to Focal with Patrik Lager”</em> de “Data Modeling Meetup Munich”. Enlace: <a href="https://www.youtube.com/watch?v=C2y92n0sPok">https://www.youtube.com/watch?v=C2y92n0sPok</a></p><p>[3] <a href="https://hanshultgren.wordpress.com/2013/06/16/ensemble-modeling-forms/">https://hanshultgren.wordpress.com/2013/06/16/ensemble-modeling-forms/</a></p><p>[4] Christian Kaul, <em>“Relational vs Ensemble”</em>, 12 agosto 2022. Enlace: <a href="https://modelyourreality.substack.com/p/relational-vs-ensemble?utm_source=profile&amp;utm_medium=reader2">https://modelyourreality.substack.com/p/relational-vs-ensemble?utm_source=profile&amp;utm_medium=reader2</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=bdab3f3e199b" width="1" height="1" alt=""><hr><p><a href="https://medium.com/data-world-portafolio/modelo-de-datos-entendiendo-focal-point-bdab3f3e199b">Modelo de datos: entendiendo Focal point</a> was originally published in <a href="https://medium.com/data-world-portafolio">Data world portafolio</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Solicitudes del usuario sobre acceso a los datos: La arquitectura]]></title>
            <link>https://medium.com/privacimiento/solicitudes-del-usuario-sobre-acceso-a-los-datos-la-arquitectura-cb92e2b02c4d?source=rss-b08aaa11f581------2</link>
            <guid isPermaLink="false">https://medium.com/p/cb92e2b02c4d</guid>
            <category><![CDATA[privacy-engineering]]></category>
            <category><![CDATA[data-subject-rights]]></category>
            <category><![CDATA[architecture-design]]></category>
            <category><![CDATA[dsar]]></category>
            <category><![CDATA[spanish]]></category>
            <dc:creator><![CDATA[CarlosCh]]></dc:creator>
            <pubDate>Mon, 01 Apr 2024 06:16:57 GMT</pubDate>
            <atom:updated>2024-04-01T06:16:57.984Z</atom:updated>
            <content:encoded><![CDATA[<h4>Dando una guía logical del enfoque arquitectural para gestionar las solicitudes.</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*QLxkoB52YvoiMlxMP534ag.jpeg" /></figure><p>Ya teniendo una base sobre lo que se espera de los sistemas de solicitud del usuario sobre acceso a los datos; <em>DSAR </em>por sus siglas en ingles; como alguna consideraciones sobre el tema; la pregunta de oro es: <strong><em>¿Comó es un sistema para soportar los DSAR para el usuario?.</em></strong></p><p>En este artículo se dará una guía arquitectural como de diseño de datos para construir el sistema[1] con el fin de gestionar los DSAR ante el usuario. Esto ayudará tanto a varios equipos relacionados[1]:</p><ul><li><em>Ingenieros de privacidad</em>: quienes construiran los componentes.</li><li><em>Legal y cumplimiento</em>: para entender la complejidad del proceso inherente que se usa para recuperar los datos.</li><li><em>Datos y marketing</em>: dar una nueva apreciación de la extracción y recolección de datos hacia los interesados en los datos.</li></ul><blockquote><strong><em>Nota</em></strong><em>: Este artículo es parte de una serie de artículos que resumen el libro de N. Bhajaria, “Data Privacy: A Runbook for Engineers”. Esta basado en el capítulo 8 del libro.</em></blockquote><p>👀 Recuerda que estos son lineamientos para construir la arquitectura el sistema de DSAR: nada esta en piedra.</p><h3>Visión conceptual de la arquitectura</h3><p>Hay 5 componentes o modulos necesarios para que la arquitectura funcione correctamente[2]:</p><p>✔️ <strong><em>Gestor de plantillas</em></strong>: Crear, eliminar, modificar, agrupar y versionar las plantillas que los usuarios pueden seleccionar y usar para tener una copia de sus datos; ya que hay diferentes plantillas por los temas contextuales y geografia que lo condiciona. Aquí se configura la lista por defecto para el sistema.</p><p>✔️ <strong><em>Solicitud por lotes</em></strong>: Se encarga de la ejecución de las plantillas; ya sea en lote o simple; como todo el proceso involucrado: parar, reanudar e informar el estado.</p><p>✔️<strong>Combinador y recolector</strong>: Se encarga de combinar y recuperar los datos, agruparlos por tablas y usuario por parte del administrador para entregarlos hacia un servidor que se encargará de retenerlo y transferirlo al usuario.</p><p>✔️<strong>Tuberia de datos</strong>: Es la plataforma que se encarga de la recuperación los datos que el modulo “combinador y recolector” usará para trabajar. Esto generalmente es condicionado por 3 variables: tablas, usuario y tiempo de recuperación.</p><p>✔️<strong>Seguimiento de auditoria</strong>: guarda los metadatos con relación a los procesos para cumplir con los DSAR; tales como exactitud o tiempo de ejecución; para garantizar que se crearón y entregarón legitimamente.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*50kzVjFLsxevUZmdyMGD5g.jpeg" /><figcaption>Una guía academica del flujo de la arquitectura en sus componentes.</figcaption></figure><p>En el caso del servidor de entrega debe ser: poder procesar los datos de forma rapida tanto en operaciones de lectura, escritura y eliminación; además de almacenamiento barato[5].</p><h3>Cuboides: alternativa a las plantillas</h3><blockquote>“Puede que todo empieze con cuboide en vez de plantillas.”</blockquote><p>Por la arquitectura anterior podemos ver que 2 realidades: automatizarlo ahorra recursos y tiempo pero tambíen los consume para realizarlo[3]. Si bien una plantilla es util, puede que una base de datos más pequeña ; llamada <em>cuboide</em>; puede ser más util para empezar por alguna interesantes razones:</p><p>📍 Evitar tener plantillas personalizadas en exceso al principio para evitar gastar recursos.</p><p>📍 Comprender patrones de datos antes de invertir en plantillas dentro de un conjunto de datos pequeño.</p><p>📍 No todos los DSAR requiere usar todas las bases de datos: generalmente se pide menos datos de lo habitual.</p><p>Los cuboides dan un subconjunto de tablas todas dentro de un periodo de tiempo definido para un grupo de usuarios, en vez de dar todo las tablas en todo el periodo de actividad del usuario[3]. Estas 3 dimensiones son necesarias para implementar el cuboide si o si.</p><blockquote>“Los cuboides son más eficientes: cercanos la necesidad del cliente y no gravar el rendimiento de almacenamiento.”</blockquote><p>Los cuboides tienen 3 dimensiones: usuarios especificos, subconjunto de tablas asociadas al usuario y un grupo de registros dentro de un periodo de tiempo para todas las tablas[3].</p><p>Algunos beneficios de implementar un cuboide:</p><p>1️⃣ Lograr una eficiencia en extracción de datos ante los datos propios como externos almacenados dentro de multiples tablas a traves de diferentes sistemas de almacenamiento[3].</p><p>2️⃣ Repartir carga de trabajo: un grupo de datos es extraido por en el cuboide y otra en los sistemas fuentes necesarios.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*uFjBlWmpBSCfls4fXbxlwg.jpeg" /><figcaption>El administrador puede pedir al gestor como organizar la carga para repartirla.</figcaption></figure><h3>Analizando las plantillas</h3><p>Las plantillas tienen 2 propositos claros: permite al administrador recuperar los datos completos o parciales además de enviar los datos al usuario según una estructura definida por la plantillas[4].</p><p>Una forma técnica de abordar la implementación de la plantillas puede mostrarse en la imagen de abajo, ✨ <strong><em>donde lo que se quiere es una estructura sea basica, flexible y funcional para capturar las solicitudes del usuario</em></strong>[4][5].</p><p>Un punto a tomar en cuenta sobre esto es el campo <em>“fuente_de_datos”</em> es que puede ser un desafio para almacenarlo por el numero de tablas por fuente además de el grupo de columnas especificas por cada tabla seleccionada[5], por lo que su estructura tiene un impacto importante por que:</p><p>📍 Decide como sera la consulta de extracción.</p><p>📍 Determina la latencia de la consulta.</p><p><strong>📍 </strong>Afecta la carga en la base de datos.</p><p>Unas ideas para estructurar estos datos del DSAR por parte del autor son 2[5]:</p><p>❶<strong><em> Todo en un cadena</em></strong>: se almacena todo; nombre de columnas y tablas; en un cadena. Esto es facíl de implementar pero la longitud de la cadena crece con nuevas tabla además dar un retraso en analizar y extraer el contenido.</p><p>❷ <strong><em>Estructurado por el usuario</em></strong>: Cada tabla es una estructura independiente, donde cada uno tiene flexibilidad en parametros como tiempo y columnas a usar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KU1fUxtpbz0E9rH_2NgmjA.jpeg" /><figcaption>Una forma de como la plantilla del DSAR se plasma en la base de datos del sistema DSAR.</figcaption></figure><h3>Conclusión</h3><p>Aprender a nivel técnico como armar la arquitectura para un sistema critico para soportar los DSAR, es básico para el equipo de privacidad de datos.</p><p>También tips técnicos claves para lograr un entregable funcional acorde a temás de dinero como eficiencia para la construcción del mismo.</p><blockquote>“El equipo de datos debe estar conciente de como funciona el sistema DSAR para darle soporte: ya que son la instancia final para el trabajo.”</blockquote><h3>Referencias</h3><p>[1] N. Bhajaria. Data Privacy: A Runbook for Engineers. Manning, 2022. sección 8.3 <em>“DSAR automation, data structures, and data flows”</em>.</p><p>[2] N. Bhajaria. Data Privacy: A Runbook for Engineers. Manning, 2022. sección 8.3.1 <em>“DSAR components”</em>.</p><p>[3] N. Bhajaria. Data Privacy: A Runbook for Engineers. Manning, 2022. sección 8.3.2 <em>“Cuboids: A subset of DSAR data”</em>.</p><p>[4] N. Bhajaria. Data Privacy: A Runbook for Engineers. Manning, 2022. sección 8.3.3 <em>“DSAR templates”</em>.</p><p>[5] N. Bhajaria. Data Privacy: A Runbook for Engineers. Manning, 2022. sección 8.3.4 <em>“Data sources for DSAR templates”</em>.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=cb92e2b02c4d" width="1" height="1" alt=""><hr><p><a href="https://medium.com/privacimiento/solicitudes-del-usuario-sobre-acceso-a-los-datos-la-arquitectura-cb92e2b02c4d">Solicitudes del usuario sobre acceso a los datos: La arquitectura</a> was originally published in <a href="https://medium.com/privacimiento">Privacimiento</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Solicitudes del usuario sobre acceso a los datos: Consideraciones]]></title>
            <link>https://medium.com/privacimiento/solicitudes-del-usuario-sobre-acceso-a-los-datos-consideraciones-d45a9e955aec?source=rss-b08aaa11f581------2</link>
            <guid isPermaLink="false">https://medium.com/p/d45a9e955aec</guid>
            <category><![CDATA[subject-access-request]]></category>
            <category><![CDATA[dsar]]></category>
            <category><![CDATA[data-subject-rights]]></category>
            <category><![CDATA[spanish]]></category>
            <category><![CDATA[privacy-engineering]]></category>
            <dc:creator><![CDATA[CarlosCh]]></dc:creator>
            <pubDate>Fri, 01 Mar 2024 08:57:33 GMT</pubDate>
            <atom:updated>2024-03-01T08:57:33.550Z</atom:updated>
            <content:encoded><![CDATA[<h4>Revisando algunas recomendaciones necesarias dentro del proceso de respuesta y gestión.</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*s-IH9VbArsOeDyHDdKtQSg.jpeg" /><figcaption>Algunos puntos a tomar en cuenta en el proceso tanto a nivel técnico como estrategíco.</figcaption></figure><p>Ya sabiendo lo que las solicitudes del usuario sobre accceso a los datos; o DSAR por sus siglas en ingles; implica a la organización; hay que aceptar una verdad que refleja la realidad sobrea las empresas sobre este temas[1]:</p><blockquote>“Hay una diversidad unica en como se interactua con los usuarios, como se recolectan sus datos y como los usuarios pueden extraer sus datos del DSAR para cada empresa.”</blockquote><p>Pero esto podria deberse a la diversidad de almacenamiento que se usan; ya que los procesos de extracción son más estandares[1]; entonces veremos que consideraciones claves para construir un sistema de DSAR a detalle como también a nivel estrategico.</p><blockquote><strong><em>Nota</em></strong><em>: Este artículo es parte de una serie de artículos que resumen el libro de N. Bhajaria, “Data Privacy: A Runbook for Engineers”. Esta basado en el capítulo 8 del libro.</em></blockquote><h3>La interacción administrador-sistema</h3><p>Hay un punto importante que hay que tener en cuenta en como los DSAR deben interactuar con un administrador; ya que como cualquier producto de sistema debe tener mecanismos para dar soporte y apoyo a las solicitudes cuando sea necesario. Algunos puntos claves son[2]:</p><p><strong><em>#1 Tener acceso a las herramientas</em></strong>; esto es hacer que el DSAR este disponible tanto para el equipo técnico de privacidad como a personas interesadas en ello[2]. Esto se puede realizar por medio de consultas directas a las bases de datos como también interfaces graficas que se conecten a los datos de los sistema[2].</p><p>Estas herramientas deben incluir en sus procesos mecanismos de acceso por la importancia de los datos; por lo menos debe ingresar con su cuenta del trabajo y tener doble o triple autenticación dependiendo de los casos de sensibilidad de los datos[2].</p><p><strong><em>#2 Tener controles de acceso</em></strong>; Esto con el fin de evitar el abuso de las herramientas de malos actores[2]; entre los mecanismos pueden estar[2]:</p><ul><li>Permitir el accceso hacia las solicitudes para un grupo de personas dentro de una lista de acceso.</li><li>Configurar que usuarios internos esten autorizados por un tiempo limitado de dias u horas.</li><li>Poner medidas de seguridad adicionales como limite de velocidad en los API del DSAR o mantenimiento de los logs para indicar quien accedio a los datos.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/500/1*cY-x1wOP1xWAsj3cfRZkJw.jpeg" /><figcaption>Y asi se evitan muchos problemas entre equipos que quieren usarlo 🤭.</figcaption></figure><p><strong><em>#3 Verifica los datos del usuario en la solicitud,</em></strong> esto es porque el ingeniero o sistema que recupere los datos necesitará un ID del cliente para identificarlo dentro del sistema para tomar lo que se necesita[2]. Esto puede ser usando un identificador global; como correo o numero de seguro social; como internos que el usuario posea dentro del sistema, y que los pase de forma manual dentro de la solicitud[2].</p><blockquote>“En caso de DSAR para multiples usuarios de un cliente, se puede utilizar un formulario por cada cuenta usuario del cliente.”</blockquote><p><strong><em>#4 Configure un rango de fechas</em></strong>, ya que la compañia puede tener acumulado años de datos sobre sus clientes; por lo que para responder a la solicitud mientras no se sobrecarga los sistemas de almacenamiento involucrados, se debe poner el rango de fechas necesarios[2]. Esto puede llevar a 2 opciones que una solicitud puede elegir[2]:</p><ol><li><em>Marco de tiempo del ciclo de vida</em>: Se entrega todos los datos que cubren la duración de la asociación del usuario con la empresa; porque se tienen todos los datos pero requiere que los datos esten etiquetados para este proceso de recuperación.</li><li><em>Agrupadas y en cajas de tiempo</em>: No todos los datos cubrirían toda la duración de la asociación del usuario con su empresa. Aquí se agrupan los datos que se solicitan y se asignan marcos de tiempo por medio de filtros para definir la solicitud. Por ejemplo, sacar el historial de compras de un producto especifico.</li></ol><p><strong><em>#5 Verifica la frecuencia de los DSAR</em></strong>, esto para detectar si un usuario esta tratando de sobrecargar los sistemas por medio de los DSARs al pedirlos recurrentemente[2]. Marcar los DSARs del usuario por etiquetas;como lo harias en un inventario de dats; para entregar la respuesta a esta pregunta[2].</p><p>Estos punto pueden ayudar a diseñar y controlar el uso del sistema ante un rango amplio de situaciones para asi entregar una respuesta al usuario[2].</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*WfHR5K8ji7hNANUgsIPcCQ.jpeg" /><figcaption>Un idea de como podrias implementar los ultimos 3 pasos clave en el sistema de interacción.</figcaption></figure><h3>Un panel de seguimiento y gestión de DSAR</h3><p>Dado que la cantidad de DSAR que una empresa necesita gestionar en el tiempo puede ser grande; se requiere una herramienta que pueda indicar como van los progresos de cada una de estas solicitudes en su flujo de vida[3] entre otras funciones más, por lo que deberia contener algunos de los siguientes componentes[4]:</p><ul><li>Los tramos de DSARs deben compartir un solo ID de solicitud unico como otros ID sociados a especificaciones legales o días; con el fin de agruparlos.</li><li>Indicar la fecha de creación/solicitud del DSAR como su fecha de vencimiento para responder.</li><li>Estado de cada DSAR individual como grupal — de ser posible.</li><li>Tener filtros que ayuden a realizar operaciones y exponer los DSARs.</li><li>Permitir verificaciónes de usuario que solicito antes de ejecutar el proceso de extracción.</li><li>Poder agregar uno o multiples usuarios que solicitarón cada uno su DSAR.</li><li>Crear el proceso de DSARs: definir cuales tablas se usarán para extraer los datos y el rango de tiempo asociado al mismo. También puedes optar por opciones estandarizadas — Por esta razón es importante el inventario de datos.</li><li>Poder crear versiones estandarizadas basadas en tiempo para cada tablas y disponibilizarlas.</li></ul><p>Las motivaciones son simple para tener este tipo de panel[3][4]:</p><ul><li>Los lideres necesitan responder a preguntas tales como <em>¿Cuántas solicitudes empezarón hoy?, ¿Cuántas estan bajo revisión?</em> o <em>¿Cuántas estan listas para responder al usuario?</em>.</li><li>Evidencia por motivos de cumplimiento y auditoria como también que el proceso es disponible para otros proyectos de privacidad haciendolos escalable la gestión de DSARs.</li></ul><blockquote>“La clave esta en como definir el flujo de vida de una solicitud para la empresa.”</blockquote><p>Si bien el flujo depende de la empresa; hay un estandar definido por Nishant Bhajaria para ayudar a automatizar el proceso; pero este requiere que los datos pueden estar etiquetados dentro del proceso de inventario de datos[3].</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*M-m5ABG6bucI-vWGVlX0Eg.jpeg" /><figcaption>En el proceso de los DSAR, el equipo de privacidad ⚙️y legal ⚖️ estan involucrado en todo momento.</figcaption></figure><p>Hay una gran ventaja de esta herramienta es que ayuda a conectarse logicamente la arquitectura del backend con las decisiones de datos en el proceso del usuario para con los usuarios[4]; y esta ventaja es el punto de negociación entre comprar una herramienta o comprarla de un proveedor tercero[4].</p><blockquote>“Comprar o construir: la integración del panel con la arquitectura de backend.”</blockquote><h3>Conclusión</h3><p>Cuando abordamos el tema sobre como solucionar los DSARs, debemos realizar una solución integral para dar al persona asociados; equipo legal, privacidad o ejecutivos; una forma de realizar el proceso y monitoreo.</p><p>Estas consideraciones son puntos claves para poder lograr implementar un producto interno adecuado para cumplir las expectativas del personal, y asi gestionar mejor las solicitudes.</p><h3>Referencias</h3><p>[1] N. Bhajaria. Data Privacy: A Runbook for Engineers. Manning, 2022. sección 8.2 <em>“Setting up the DSAR process”</em>.</p><p>[2] N. Bhajaria. Data Privacy: A Runbook for Engineers. Manning, 2022. sección 8.2.1<em>“The key steps in creating a DSAR syste”</em>.</p><p>[3] N. Bhajaria. Data Privacy: A Runbook for Engineers. Manning, 2022. sección 8.2.2 “<em>Building a DSAR status dashboard</em>”.</p><p>[4] N. Bhajaria. Data Privacy: A Runbook for Engineers. Manning, 2022. sección 8.4 “<em>Internal-facing screens and dashboards</em>”.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d45a9e955aec" width="1" height="1" alt=""><hr><p><a href="https://medium.com/privacimiento/solicitudes-del-usuario-sobre-acceso-a-los-datos-consideraciones-d45a9e955aec">Solicitudes del usuario sobre acceso a los datos: Consideraciones</a> was originally published in <a href="https://medium.com/privacimiento">Privacimiento</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Modelos de datos: Analizando Data Vault]]></title>
            <link>https://medium.com/data-world-portafolio/modelos-de-datos-analizando-data-vault-827ece642d51?source=rss-b08aaa11f581------2</link>
            <guid isPermaLink="false">https://medium.com/p/827ece642d51</guid>
            <category><![CDATA[data-modeling]]></category>
            <category><![CDATA[ensemble-logical-modeling]]></category>
            <category><![CDATA[data]]></category>
            <category><![CDATA[spanish]]></category>
            <category><![CDATA[data-vault]]></category>
            <dc:creator><![CDATA[CarlosCh]]></dc:creator>
            <pubDate>Fri, 01 Mar 2024 06:41:36 GMT</pubDate>
            <atom:updated>2024-03-01T06:41:36.739Z</atom:updated>
            <content:encoded><![CDATA[<h4>Entendiendo y comparando una enfoque de los modelos de datos ensamblado más popular.</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*9c9f0zHVF54kcA4EtTLZeg.png" /><figcaption>A veces creo que ni presentación necesita.</figcaption></figure><p>Ya finalizando con esta serie de analísis de los modelos, ahora vamos con el modelo ensamblado más popular; sino que el más actualmente; que hay en la industria: Data vault.</p><p>No vamos a habla de sus variantes; como Anchor Vault, el clasico o versiones[1][2][3] por ejemplo; sino a la esencia compartida de lo que trata el modelo mismo; con el fin de dar una entendimiento de los principios logicos de este modelo junto a su analísis del modelo ensamblado como también de sus propiedades.</p><h3>Repasemos Data vault</h3><h4>Idea general y filosofía</h4><p>Al igual que todos los demás miembros de la familia de modelos ensamblados; hay un pensamiento detras de este enfoque, que lo resumo en la siguiente frase[7]:</p><blockquote>“Representar al negocio lo más cercano posible desde el modelo”</blockquote><p>En todas las versiones y sabores; siempre el tema de una empresa actualmente es la gestión de cambios para innovar, lo cual el modelo debe abordarlo de forma técnica: extender nuevos elementos de negocio en el modelo, gestionar los datos por medio de capas separando los datos crudos de la reglas de negocio o adaptación a esquemas tanto operacionales normalizados como dimensionales[6][4].</p><p>Esto lleva que halla propiedades interesantes[5][7]:</p><ul><li>Mejora la trazabilidad y auditabilidad completa de toda la información.</li><li>Una baja deuda técnica; desde modelos a flujo de datos; ante necesidades del negocios.</li><li>Escalabilidad de productos par el negocio por tener una estructura; casi ontologica en su esencia; muy cercana al negocio.</li></ul><h4>Componentes</h4><p>Los componentes fundamentales que aparecen en todos las variantes son las siguiente[7]:</p><ol><li><strong><em>Centros o Hubs:</em></strong> es una representación de un concepto de negocio dentro del modelo de datos.</li><li><strong><em>Enlaces o links:</em></strong> es una representación de las relaciones entre los hubs; que no necesariamente debe ser transacional.</li><li><strong><em>Satelites o satellites</em></strong>: es una representación de información contextual.</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*TgjShsip70yMFj4m1R5yQQ.png" /><figcaption>Un ejemplo de un diagrama basado en Data Vault. Recuerda es algo para fin didactico.</figcaption></figure><p><strong><em>Los hubs no contienen datos descriptivos o llaves foraneas</em></strong>, sino contiene llaves surrugadas y negocio de cada registro asociada junto a los metadatos relacionados a la carga[8].</p><p><strong><em>Los Links no capturan temporalidad, lineas de tiempo o contexto</em></strong>; solo buscar indicar asociación, redefinición, jerarquia o transacionalidad entre hubs para crear elementos del negocio más granulares[9]. <strong><em>Los links no tiene llave de negocio;</em></strong> solo contienen los IDs de los hubs, la llave surrugada, fecha de carga del registro[9].</p><p><strong><em>Los satellites contienen toda la información total junto a la temporalidad </em></strong>del objeto de negocio o relación que aplica además de llevar una llave foranea para referenciarlo[10]. <strong><em>Pueden haber muchos satellites para un solo objeto</em></strong>, ya sea hub o link[10].</p><h4>Vista desde el modelo ensamblado</h4><p>Desde un visión del modelo de descomposición unificada; se cumple lo que es el objetivo básico del enfoque: <em>separar los datos cambiantes de los que no lo son</em>. Algunas observaciones interesantes son las siguientes:</p><ol><li>Hay una enfoque orientada a separar la estructura organizacional del negocio y los detalles que indican la realidad.</li><li>Lo que siempre cambia son las tablas satellites en su estructura, por tener la descripción.</li><li>Hay más tablas de satellites por lo general; ya que las otras tablas son para la estructura central.</li><li>dependiendo de la versión o sabores; se mejoran algunas capacidades de flexibilidad. Por ejemplo, data vault 2.0 busca mejorar la gestión del modelo de consumo y carga de los datos.</li></ol><p>Seguir al negocio en sus requerimientos de operaciones analitica para el consumo es la esencia de un enfoque. Creo que por esta razón es muy popular: <em>los detalles crean generalmente los cambios al modelo mayormente, más que la estructura en si misma. </em>Gestionar en agilidad, temporalidad y optimización es critico para el negocio.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*jQvQ7EY4yS6J3aefT4Mfwg.png" /></figure><h3>Analísis del modelo y caso de uso</h3><p><strong><em>La adaptabilidad es buena</em></strong> por la capacidad de tener los detalles separados de la estructura central fuertemente orientada al negocio. Ya que los cambios vienen desde las columnas, que son gestionadas por los satellites, entonces hay 2 puntos: es facíl agregar columnas o quitarlas pero esto fuerza a tener más tablas o mejorar las tablas actuales, lo que hace que sea necesario levantar soporte técnico para facilitar el trabajo.</p><p><strong><em>La expansibilidad también es buena </em></strong>por la misma razón del parrafo anterior; ya que si necesitamos agregar nuevos elementos de negocio, se pueden realizar mientras los datos ingresen.</p><p><strong><em>Alto rendimiento es bueno </em></strong>porque generar las consultas lecturas deberia ser facíl, ya que primero se basan en la estructura central para despues conectarse con los detalles. Dependiendo de como se gestione agregar o quitar columnas, esto puede tener un mejor rendimiento. En el caso de las consultas de escritura es facíl, porque generalmente las bases de datos operacionales indicarán o satellites con link/hubs, hubs o links para cargar los datos; entonces solo debemos segmentar cada parte para registra cada uno.</p><p><strong><em>Eficiencia en almacenamiento es excelente</em></strong><em> </em>por el hecho de la mayoria de datos estarán en los satellites mientras que la estructura central contendra solo los datos estructurales del negocio, todos con pocos datos necesarios para auditarlos.</p><p><strong><em>La portabilidad es excelente </em></strong>porque en enfoque para microservicios, la estructura central hace que se repartan la propiedad sobre que puntos tocar y coordinar entre ellos. En los monolíticos y distribuidos, al ser dueños del procesamiento de forma exclusiva, pueden tomar todo el modelo en general. En caso del edge computing es muy parecido al tema de microservicios, pero haciendo que el modelo sea segmentado por estaciones de trabajo que solo necesitan poder recolectarse para trabajar como un todo.</p><blockquote>“En casos de flexibilidad con agilidad en cambios y orientado al negocio para temás de data warehouse; este modelo es una respuesta adecuada.”</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*_4Vv_FrPqjeOWmrU4MSYHA.jpeg" /></figure><h3>Conclusión</h3><p>Creo que al ser uno de los modelos más populares dentro de la industria sobre el tema de modelos de datos ensamblados, creo que es el primer modelo de datos que deberiamos aprender para entender mejor este mundo y compararlo con los demás — a pesar que yo lo hice al reves 🙄.</p><p>El concepto lógico de todo este modelo serían:</p><blockquote>“Gestionar una estructura central del negocio separada de las implementación real.”</blockquote><h3>Referencias</h3><p>[1] <a href="http://dm-unseen.blogspot.com/2012/09/styles-of-data-vault-modeling-part-i.html">http://dm-unseen.blogspot.com/2012/09/styles-of-data-vault-modeling-part-i.html</a></p><p>[2] Hughes, Ralph. Agile Data Warehousing for the Enterprise: A Guide for Solution Architects and Project Leaders, 2016. Capítulo 14, <em>“Agile Integration Layers with Hyper Normalization”</em>, Sección <em>“Several Varieties of Hyper Normalization Exist”.</em></p><p>[3] <em>“What are the key differences and similarities between Data Vault 2.0 and Data Vault 1.0?”</em>, LinkedIn. Recuperado el 13/10/2023. Enlace: <a href="https://www.linkedin.com/advice/3/what-key-differences-similarities-between-data-1e">https://www.linkedin.com/advice/3/what-key-differences-similarities-between-data-1e</a></p><p>[4] <a href="https://pedroanalytics.com/2022/03/23/data-vault-a-glimpse/">https://pedroanalytics.com/2022/03/23/data-vault-a-glimpse/</a></p><p>[5] <a href="https://datavaultalliance.com/news/dv/data-vault-new-weaponry-in-your-data-science-toolkit/">https://datavaultalliance.com/news/dv/data-vault-new-weaponry-in-your-data-science-toolkit/</a></p><p>[6] Hultgren, H. (2012). <em>Modeling the agile data warehouse with data vault</em>. Sección 1.1 <em>“Data Vault is a Data Modeling Approach”</em>.</p><p>[7] Linstedt, D., &amp; Olschimke, M. (2015). <em>Building a scalable data warehouse with data vault 2.0</em>. Sección 4.2 <em>“Data Vault Modeling Vocabulary”</em>.</p><p>[8] Hultgren, H. (2012). <em>Modeling the agile data warehouse with data vault</em>. Sección 6.1 <em>“The hub”</em>.</p><p>[9] Hultgren, H. (2012). <em>Modeling the agile data warehouse with data vault</em>. Sección 6.1 <em>“The link”</em>.</p><p>[10] Hultgren, H. (2012). <em>Modeling the agile data warehouse with data vault</em>. Sección 6.1 <em>“The satellite”</em>.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=827ece642d51" width="1" height="1" alt=""><hr><p><a href="https://medium.com/data-world-portafolio/modelos-de-datos-analizando-data-vault-827ece642d51">Modelos de datos: Analizando Data Vault</a> was originally published in <a href="https://medium.com/data-world-portafolio">Data world portafolio</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Arquitectura de datos: Data staging area]]></title>
            <link>https://medium.com/data-world-portafolio/arquitectura-de-datos-data-staging-area-c92de469f348?source=rss-b08aaa11f581------2</link>
            <guid isPermaLink="false">https://medium.com/p/c92de469f348</guid>
            <category><![CDATA[data-engineering]]></category>
            <category><![CDATA[data-staging]]></category>
            <category><![CDATA[spanish]]></category>
            <category><![CDATA[data-architecture]]></category>
            <dc:creator><![CDATA[CarlosCh]]></dc:creator>
            <pubDate>Fri, 02 Feb 2024 09:01:59 GMT</pubDate>
            <atom:updated>2025-01-17T13:15:55.559Z</atom:updated>
            <content:encoded><![CDATA[<h4>Entendiendo rápidamente un compañero del data pipeline y de la arquitectura de datos en general.</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*RwDAdVhQ1c4BZcIpBwEa8w.png" /><figcaption>Como un almacén para una empresa de logística: el data staging area puede ser critico en algunos casos.</figcaption></figure><p>Todas las tuberias de datos; o <em>data pipeline</em> en ingles; necesitan un espacio para almacenar los resultados de los procesos que se realicen en el mismo, este espacio es conocido como data staging; pero las preguntas <em>¿Qué es?, ¿Tiene criterios?, ¿Cual es su funcionalidad?, ¿Cuales son sus ventajas y desventajas?, ¿Tiene similaridades con otros componentes? </em>necesitan ser respondidas para saber como utilizar este componente en particular.</p><p>En este artículo buscamos dar un entendimiento general sobre este componente; mientras respondemos todas estas preguntas.</p><h3>¿Que és? y ¿Donde se ubica?</h3><p>Los data pipeline se encargan de mover datos desde un punto de almacenamiento origen hacia uno de destino; siendo estos componentes elementos importantes para la arquitectura por ser utilizados por servicios/sistemas para realizar funcionalidades, estos componentes pueden ser data lake, data warehouse, data marts, operations marts[2][3] entre otros.</p><p>Un elemento critico de un data pipeline es poder realizar algunas operaciones al dato, con el fin de poder tener una versión más utíl y disponible con la cual se pueda trabajar dentro de los componentes. También podria tenerse copia de datos extraidos para realizar algunos procesos que se necesitan, o incluso resultados previos de algunas transformaciones.</p><p>Entonces dentro del data pipeline necesitamos un espacio; llamado <em>data staging o staging area</em>; para almacenar los datos que el mismo data pipeline necesitará para realizar sus procesos, ya sea en un siguiente ciclo o más adelante en el ciclo actual. <strong><em>Dependiendo del enfoque del data pipeline este espacio puede dividirse para apoyar el proceso</em></strong>; el enfoques ETL puede necesitar un espacio para guardar datos transformados o integraciones[4], mientras que el enfoque ELT necesitará además un espacio para almacenar los datos crudos para realizar algunos ajustes[1].</p><blockquote>“Data staging es un espacio de almacenamiento en el data pipeline para trabajar en sus procesos más agilmente”</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KbUndHRMCIinlEQkwAULKw.png" /><figcaption>Dependiendo del enfoque funcional podria cambiar la interacción con el data pipeline, si se quiere implementar.</figcaption></figure><h3>Características</h3><h4>Secciones y temporalidad</h4><p>Con esto en mente podemos empezar a ver algunas características que se necesitan dentro del data staging dependiendo de su funcionalidad. El primero son <strong><em>las secciones que podrian tener dentro del data staging</em></strong>, que practicamente serian 2: una de almacenamiento de datos crudos; llamada <em>landing area</em>; y otra de transformaciones; donde esta ultima podria tener subsecciones separadas para cada transformación necesaria.</p><p>Aquí hay que <strong><em>separar el landing area del data staging; de lo que es el landing area de un proceso de extracción</em></strong>; o capa cruda o <em>raw layer</em> como se le puede conocer; esto porque por regla general no se debe acceder o eliminar los datos crudos directamente[5] — imagina que si los eliminas, ya no hay garantias que tendras la misma “copia” del dato😰 — entonces se realizán copias de los datos crudos desde la capa cruda hacia el landing area, con el fin de gestionar los datos necesarios dentro del data pipeline unicamente sin afectar otros procesos.</p><blockquote>“El landing area del data staging es un subconjunto de la capa cruda”</blockquote><p>Ahora hay que hablar <strong><em>la temporalidad de los datos</em></strong> que estan dentro de cada sección del data staging; ya que por temas de rendimiento — buscar datos es tiempo de consumo — deberiamos tener los datos necesarios según lo que necesitemos. Esto nos lleva a 2 enfoques[14]:</p><ul><li>Permanente: que se quedan viven y no deben ser eliminados;</li><li>Temporal: que bajo un intervalo de tiempo estan los datos y despues se eliminan.</li></ul><p>Por ejemplo, guardar el mapeamiento de las llaves surrugadas con las llaves primarias para los registros de la fuente de datos o copia de datos estaticos recurrentes dentro de la fuente de datos para otras tablas deberia tener temporalidad permanente; mientras que los datos transformados pueden estar de forma temporal hasta que se termine ciclo del data pipeline.</p><blockquote>“La temporalidad depende del proceso general del data pipeline”</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*e7hMKQ9JVNTTXe0YJAEwGw.png" /><figcaption>Datos temporales que requieren actualización necesitan una estrategia de cache para ello. Este es una forma de como un data pipeline podria aplicar lo anterior.</figcaption></figure><p>Un enfoque de modelo de datos puede indicar los limites y responsabilidades asociadas al data staging area, como data vault por ejemplo[15].</p><h4>Capacidades</h4><p>En las diferentes secciones podriamos tener algunos elementos que son necesarios para dar soporte a algunas de los procesos, vamos enlistar algunos:</p><ul><li>mapeamiento de llaves entre origen y destino para un mismo registro.</li><li>cache de resultados anteriores.</li><li>soportar funcionalidades como hashing para aligerar carga de trabajo.</li></ul><p>Bajo esto contexto, el componente debe enfrentar temás de cantidad de registros que guarda, capacidad de respuesta ante ciertas operaciones y la complejidad realizar algunas operaciones necesarias para ello; lo que lleva a tener una capacidad de procesamiento de acuerdo a sus funciones.</p><p>Entonces lo evidente es: que el componente <strong><em>puede requerir ser algo más que un almacenamiento; sino un sistema para dar soporte a los datos</em></strong> — por ende no es solo un data lake. Hay solo 2 caminos para esto: construir un sistema para ello o tener componentes que resuelvan lo que se necesita.</p><blockquote>“La elección de un sistema que gestione las operaciones es crucial”</blockquote><p>Generalmente las bases de datos; pero se puede extender a cualquier sistemas de almacenamiento; son buenos puntos de inicio para implementar los data staging, pero tenemos que evaluarlo para saber si es una respuesta a la necesidad:<em> ¿Puede ser un cluster?, ¿Cuales optimizaciones se pueden realizar: indices, sharding, etc?, ¿Hay forma de gestiona la temporalidad?, ¿Debe ser tolerante a fallos?, ¿Usa memoría o disco?, etc.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*tW0uRgYPaMAYQZ6C-L6wbg.png" /><figcaption>dependiendo de la funcionalidades, una base de datos puede ser una buena data staging area.</figcaption></figure><h4>Desventajas y ventajas: interno y externo</h4><p>Tener este componente lleva ventajas y desventajas generales como[6][7][8]:</p><p>✅ Puede ser utilizado como un punto de recuperación ante perdidas de datos durante el proceso; esto depende de la temporalidad de los datos.</p><p>✅ Facilita el proceso de auditar los datos en los procesos, ahorrando tiempo y garantizando temas de calidad de datos.</p><p>✅ Puede ser un espacio para realizar transferencias de conjuntos de datos grandes en segmentos más pequeños, esto para evitar enfrentar problemas de corrupción o perdida de datos. Lo mismo aplica para backups de conjunto de datos grandes.</p><p>⛔ Agrega latencia a cada proceso dentro del data pipeline, por lo que algunos sistemas en (cerca del) tiempo real lo evitan.</p><p>⛔ En funciones de backup o transferencia puede ser que le de m</p><p>Pero dependiendo si el data staging esta incorporado dentro del data pipeline o fuera del mismo en otro servicio, puede acentuar o tener nuevas ventajas y desventajas.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*r-6sA39WXSoByzuKjEPWdA.png" /><figcaption>Para tenerlo en cuenta cuando se trabaja en arquitectura.</figcaption></figure><blockquote>Los componentes; como data marts o data warehouse por ejemplo; pueden tener data staging area.</blockquote><h3>Preguntas: Corrientes actuales y tendencias</h3><p>Con una gran tendencia en temas de arquitectura y servicios para el mismo, uno podria realizarse algunas preguntas con relación a este componente; todo para aclarar dudas que uno podria tener.</p><p><strong><em>¿El data lake reemplaza al data staging?</em>;</strong> en corto<em> “</em><strong><em>no”</em></strong> y el porque es que si bien el data lake funciona como landing area para datos crudos de cualquier tipo, solo sirve para almacenamiento mientras que un data staging puede requerir procesamiento en algún grado más alto para agilizar el proceso general, siempre dependiendo del caso de uso o como lo abarques.</p><p>Otro punto importante es que el data lake esta bajo un esquema de lectura, mientras que el data staging area esta bajo un esquema de escritura: hay una estructura que se aplica al dato antes de escribir[10].</p><blockquote>“Si el data lake responde en procesamiento y estructura las necesidades, entonces puede ser un data staging.”</blockquote><p><strong><em>¿Qué es el “pre-staging” y como se relacionan?</em>; hay 3 enfoques. </strong>El primero dice que el “pre-staging” se encarga solo de almacenar los datos crudos en un espacio separado — como un data lake lo haria — dejando al “staging” encargado de almacenar exclusivamente resultados del proceso mismo, como transformaciones por ejemplo[13]. Es una forma de organizar el “data staging area” a nivel de arquitectura: por separado o junto.</p><p>El segundo enfoque dice que se puede tener datos ya procesados que son repetidos de antemano para evitar realizar el proceso muchas veces, esto para generar agilidad en el proceso del data pipeline ante tablas grandes[9].</p><p>El tercer enfoque dice que los datos son transformados a una estructura empresarial lista para reportes y análisis, habiendo un proceso de verificación de los dato crudos previo a fin de cargar al staging. La capa staging se encarga tener datos transformados, unificados y aplicar reglas de negocio para sincronizar con el data warehouse[12].</p><p><strong><em>¿Comó se relaciona con el patrón medallion?</em>, se “podria” decir que es una forma para una caso de arquitectura en big data</strong>. Dado que cada capa dentro del patrón medallion se centra en un proceso especifico; cruda, curada, integrada o enriquecida por ejemplo; cada capa puede ser un data staging area independiente y especializada para ese subproceso en particular, que se conecta con las capas adjuntas para trabajar.</p><p>El “podria” se debe a que el procesamiento del data staging area es externo al mismo y esta en el componente que lo utiliza: el “data staging area” solo es una forma de almacenamiento.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*UVNkUGcE1-PV-Y_6ItKjlA.png" /><figcaption><strong>Combinando lo anterior</strong>: un data lake como soporte de almceneamiento para implementar un data staging con un enfoque medallion junto a su pre-staging. <strong>Problema</strong>: el procesamiento puede ser muy bajo o para el data pipeline.</figcaption></figure><p><strong><em>¿Qué es “staging-out”?</em>;</strong> <strong>es un estilo de arquitectura de datos para agilizar la generación de datos para capas de presentación</strong>; data/oper mart por ejemplo; ya que se basa en dividir la transformación asociadas a la logica de negocio de las demás transformaciones.</p><blockquote>“Los data pipelines aplican diferentes enfoques de transformaciones según el destino dentro de la arquitectura.”</blockquote><p>Un data pipeline para un data warehouse tiene como deber ser integrador, mientras que los data/oper marts deben tener logica de negocio para responder al usuario; por lo que tener un lugar donde se guarden los resultados de las reglas del negocio para reusarse como también elementos historicos para volver a cargar es importante[11].</p><h3>Conclusión</h3><p>Creo que el data staging como componente es crucial para el data pipeline y la arquitectura en general, siempre dependiendo del caso de uso.</p><p>Si tuviera que simplificarlo; desde una perspectiva de negocio; seria así:</p><blockquote>“El data staging area es más un almacenamiento con nivel de procesamiento bajo a complejo; pero siempre un almacenamiento de apoyo para componentes.”</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/500/1*ECbTg3Ox3uzn7RzkWGzIXA.jpeg" /><figcaption>A veces puede ser un dilema para hacer escalable y durable la arquitectura.</figcaption></figure><h3>Refencias</h3><p>[1] Reis, J., &amp; Housley, M. (2022). <em>Fundamentals of Data Engineering</em>. “ O’Reilly Media, Inc.”. Capítulo 3, Sección “Examples and Types of Data Architecture”, Subsección “Data warehouse”.</p><p>[2] Reis, J., &amp; Housley, M. (2022). <em>Fundamentals of Data Engineering</em>. “ O’Reilly Media, Inc.”. Capítulo 3, Sección “Examples and Types of Data Architecture”</p><p>[3] <a href="https://www.linkedin.com/pulse/high-performance-data-warehouse-rule-11-your-workloads-robert-harmon">https://www.linkedin.com/pulse/high-performance-data-warehouse-rule-11-your-workloads-robert-harmon</a></p><p>[4] Inmon, W. H., Imhoff, C., &amp; Sousa, R. (2002). <em>Corporate information factory</em>. John Wiley &amp; Sons. Capítulo 13 “Decision Support Capabilities”, Sección “Putting the Role of the Data Warehouse Into Context”</p><p>[5] <a href="https://www.zuar.com/blog/complete-guide-to-data-staging/#what-is-data-staging">https://www.zuar.com/blog/complete-guide-to-data-staging/#what-is-data-staging</a></p><p>[6] <a href="https://www.oneninedesign.net/blog/data-staging#:~:text=Data%20auditing%20is%20something%20that,staging%20to%20audit%20the%20data">https://www.oneninedesign.net/blog/data-staging#:~:text=Data%20auditing%20is%20something%20that,staging%20to%20audit%20the%20data</a></p><p>[7] <a href="https://hevodata.com/learn/data-staging-area/#dis">https://hevodata.com/learn/data-staging-area/#dis</a></p><p>[8] <a href="https://dwbi.org/pages/36">https://dwbi.org/pages/36</a></p><p>[9] <a href="https://stackoverflow.com/questions/36863284/pre-staging-data-solution?rq=3">https://stackoverflow.com/questions/36863284/pre-staging-data-solution?rq=3</a></p><p>[10] <a href="https://qmetrix.com.au/data-lake-vs-staging-layer-difference/#:~:text=Compared%20to%20schema%20on%20read,and%20are%20updated%20when%20needed">https://qmetrix.com.au/data-lake-vs-staging-layer-difference/</a></p><p>[11] <a href="https://prudenza.typepad.com/dwh/2008/09/a-kinstedt-arch.html">https://prudenza.typepad.com/dwh/2008/09/a-kinstedt-arch.html</a></p><p>[12] <a href="https://patents.google.com/patent/US20130268567">https://patents.google.com/patent/US20130268567</a></p><p>[13] <a href="https://pt.slideshare.net/PierGiuseppeDeMeo/edw-enterprise-data-warehouse-architecture-and-process?next_slideshow=true">https://pt.slideshare.net/PierGiuseppeDeMeo/edw-enterprise-data-warehouse-architecture-and-process?next_slideshow=true</a></p><p>[14] <a href="https://www.hansmichiels.com/2017/02/18/using-a-persistent-staging-area-what-why-and-how/">https://www.hansmichiels.com/2017/02/18/using-a-persistent-staging-area-what-why-and-how/</a></p><p>[15] <a href="https://roelantvos.com/blog/data-vault-versus-the-persistent-staging-area/">https://roelantvos.com/blog/data-vault-versus-the-persistent-staging-area/</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c92de469f348" width="1" height="1" alt=""><hr><p><a href="https://medium.com/data-world-portafolio/arquitectura-de-datos-data-staging-area-c92de469f348">Arquitectura de datos: Data staging area</a> was originally published in <a href="https://medium.com/data-world-portafolio">Data world portafolio</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Modelos de datos: analizando Focal Point]]></title>
            <link>https://medium.com/data-world-portafolio/modelos-de-datos-analizando-focal-point-4dbdf4b407ae?source=rss-b08aaa11f581------2</link>
            <guid isPermaLink="false">https://medium.com/p/4dbdf4b407ae</guid>
            <category><![CDATA[data-modelling]]></category>
            <category><![CDATA[ensemble-logical-modeling]]></category>
            <category><![CDATA[data-architecture]]></category>
            <category><![CDATA[spanish]]></category>
            <category><![CDATA[focal-points]]></category>
            <dc:creator><![CDATA[CarlosCh]]></dc:creator>
            <pubDate>Thu, 01 Feb 2024 09:01:49 GMT</pubDate>
            <atom:updated>2024-02-01T09:01:49.118Z</atom:updated>
            <content:encoded><![CDATA[<h4>Entendiendo y comparando una enfoque de los modelos de datos ensamblado evolutivo de Data Vault.</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*6qqpgW-QwbO87BMvMaoLtw.png" /><figcaption>El tercer miembro de la trinidad de los modelos logicos ensamblados.</figcaption></figure><p>Si bien dentro de los modelos de datos logicos ensemblados los más populares son Data Vault; con todos sus sabores; y Anchor, posiblemente hay un tercer personaje “popular” dentro del podio: el focal point.</p><p>En este artículo revisaremos ligeramente el modelo en sus componentes más importante como también el analísis de las propiedades que puede dar este enfoque.</p><blockquote><strong><em>Nota #1</em></strong><em>: </em>Si sabes más sobre el tema, escribe en los comentarios para que aprendamos todos <em>😊.</em></blockquote><blockquote><strong><em>Nota #2</em></strong><em>:</em> Esta es una resumen personal sobre el tema; este puede ser un punto de referencia para analizar las cosas. Espero que te ayude <em>😉.</em></blockquote><h3>¿Qué es el modelo Focal point?</h3><h4>Idea general y filosofía</h4><p>El modelo de datos anchor es explicado grandiosamente dentro de un video llamado “<em>An Introduction to Focal with Patrik Lager</em>” de la comunidad <a href="https://www.youtube.com/@obaysch3774">Obaysh</a>[2], y además hay más detalles técnicos en el canal <a href="https://www.youtube.com/channel/UCReUYfdOcSEzFVqUW8NRjKw"><em>Focal framework</em></a><em> </em>para aprender del tema: ¡Miren los videos que estan super interesantes! 😊</p><p>Si tuviera que describir la fuerza del modelo esta en una frase seria el siguiente:</p><blockquote>“Automatizar la integración con bases generales provenientes del negocio.”</blockquote><p>Esto se debe a que la fuerza de construcción se basa en como se entiende el negocio para lograr niveles de generalización para el modelo, esto con el fin de adaptar la estructura a cambios generales de forma automatizada.</p><p>Los metadatos son importantes por esa misma razón; ya que al generarse desde el entendimiento fundamental o atomíco de los atributos, se pueden construir automatizaciones basados en mapeamiento semanticos para las necesidades del negocio que las fuentes deben “cumplir”.</p><h4>Componentes</h4><p>Como miembro de la familia de modelos logicos ensamblados; hay 3 componentes basicos para las actividades[3][2]:</p><ul><li><strong><em>El Focal point </em></strong>o focal que representa un concepto nucleo de negocio que trabaja la organización.</li><li><strong><em>Las relaciones </em></strong>que representa la conexión entre 2 o más focals.</li><li><strong><em>Los descriptores</em></strong> que contienen atributos que describen al focal point.</li></ul><p>En el caso de los descriptores, hay un concepto adicional llamado <strong><em>contexto atomíco,</em></strong> que busca dar un nivel de detalle a los atributos de tal forma que puedan responder al negocio en sus preguntas.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*4hMdmD8IM9ysOXnRL0FtGg.png" /></figure><p>Todas <strong><em>las definiciones de los descriptores deben ser abstractos</em></strong> y genericos en la medida de los posible; esto con el fin de reutilizarlos para otros focals que necesiten del mismo[3]; por lo que podemos decir que usa un patrón fisico muy similar entre las tablas bajo un mismo descriptor[2].</p><p><strong><em>Hay 2 llaves para un focal</em></strong>; una que es un identificador interno para representar una instancia de un concepto en su ciclo de vida; y un identificador secundario que es el proveniente del sistema fuente[6]. Esto para garantizar la integración de los datos.</p><p><strong><em>La estructura central se basa en llaves surrugadas </em></strong>más que en la llave natural del negocio[4]; a pesar que si aparece en el focal; esto parar separar la instancia; osea el registro de la fuente de datos; del concepto de negocio en la estructura central para tener una generalización eficiente.</p><p>Podriamos decir que <strong><em>Data Vault y Focal point son muy parecidos a nivel de logico de componentes</em></strong>[1]: ya que la diferencia sustancial podria ser la agrupación de los datos en areas distintas para representarlo.</p><blockquote>“Es un modelo que documenta el negocio a nivel de metadatos.”</blockquote><h4>Opiniones desde el modelo ensamblado</h4><p>Desde un visión del modelo de descomposición unificada; se cumple lo que es el objetivo básico del enfoque: <em>separar los datos cambiantes de los que no lo son</em>. Hay algunas observaciones:</p><ol><li>La estructura central tiene a ser más flexible por el nivel de abstracción que implementa en los componentes.</li><li>Hay un fuerte enfoque en integrar al negocio en la construcción de los modelo para dar un producto idoneo.</li><li>Los componentes estructurales no cambiarón en realidad; pero se mejora mucho la estructuración de los atributos a nivel técnico para lograr la automatización.</li></ol><p>La gestión de metadatos proveniente de los atributos es la base para lograr la automatización dentro de la arquitectura y la ingesta; el mantenimiento se puede reducir basado en esto enfoque[2][3].</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*-RiSVPowl5p-5-cVCVCbkA.png" /><figcaption>Un marco comparativo proveniente de Hans Hultgren[5].</figcaption></figure><h3>Analísis del modelo y caso de uso</h3><p><strong><em>La adaptabilidad es optimizada</em></strong> por el hecho de que los conceptos de atributos; que son los más tipificados; son implementados de forma generalista para ser utilizado por cualquier focals y relaciones que lo necesite.</p><p><strong><em>La expansibilidad es buena</em></strong> porque solo requiere agregar nuevos focals o relaciones para implementar nuevas reglas de negocio; lo mismo no necesariamente se aplica a los atributos en el hecho de poder modificarlos ante nuevos atributos que requieran; pero es facíl agregar nuevos elementos para construir la reglas necesarias.</p><p><strong><em>Alto rendimiento es bueno</em></strong> porque no tiene una gran cantidad de tablas sino solo las necesarias para trabajar; dependiendo de la estructura central que se generé determinará la forma en como deberia crearse las consultras de escritura. En caso de las consultas de escritura es facíl porque hay un nivel muy alto de automatización para agregar el contenido.</p><p><strong><em>Eficiencia en almacenamiento es bueno </em></strong>porque los atributos son agrupados según area informativa distintiva para contener los datos necesarios de contexto del negocio, mientras que los datos estructurales son mantenidos en un espacio por separado.</p><p><strong><em>Portabilidad es bueno</em></strong> porque los sistemas monoliticos, distribuidos y de microservicios puede adaptarse facilmente al contener parte o todo del modelo para procesar las solicitudes de escritura y de lectura. En el caso de los edge computing es complejo por el alcance de los datos; ya que todo esta de forma regional; y requiere un nivel de sincronización entre regiones en casos de necesidad operativa.</p><blockquote><strong><em>“En casos de generalización de metadatos provenientes del negocio, este puede ser un buen punto.”</em></strong></blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*H7faKeS9wkPQrTtabCnApQ.jpeg" /></figure><h3>Conclusión</h3><p>La gestión de metadatos que el negocio puede indicar puede llevar a la automatización de los procesos y reducir drasticamente el mantenimiento de la arquitectura: este modelo es un ejemplo perfecto de ello.</p><p>Creo que es un gran enfoque que uno puede aprender como lo es la extensabilidad con anchor o la abstracción de hiper agilidad. Al final si tuviera que indicar la escencia de este modelo seria el siguiente:</p><blockquote>“Una gestión de metadatos del negocio y agrupación de atributos.”</blockquote><h3>Referencias</h3><p>[1] Christian Kaul, <em>“Relational vs Ensemble”</em>, 12 agosto 2022. Enlace: <a href="https://modelyourreality.substack.com/p/relational-vs-ensemble?utm_source=profile&amp;utm_medium=reader2">https://modelyourreality.substack.com/p/relational-vs-ensemble?utm_source=profile&amp;utm_medium=reader2</a></p><p>[2] <em>“An Introduction to Focal with Patrik Lager”</em> de “Data Modeling Meetup Munich”. Enlace: <a href="https://www.youtube.com/watch?v=C2y92n0sPok">https://www.youtube.com/watch?v=C2y92n0sPok</a></p><p>[3] <em>“</em><a href="https://topofminds.se/wp/wp-content/uploads/Focal-Introduction-to-Focal-implementation.pdf"><em>Introduction to the focal framework</em></a><em>”</em> de <em>“top of minds”.</em></p><p>[4] <a href="https://hanshultgren.wordpress.com/2013/06/16/ensemble-modeling-forms/">https://hanshultgren.wordpress.com/2013/06/16/ensemble-modeling-forms/</a></p><p>[5] <a href="https://hanshultgren.files.wordpress.com/2011/05/2014_ensemble_overview_comparison_post.pdf">https://hanshultgren.files.wordpress.com/2011/05/2014_ensemble_overview_comparison_post.pdf</a></p><p>[6] <a href="https://topofminds.se/2018/analytical-identifiers/">https://topofminds.se/2018/analytical-identifiers/</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4dbdf4b407ae" width="1" height="1" alt=""><hr><p><a href="https://medium.com/data-world-portafolio/modelos-de-datos-analizando-focal-point-4dbdf4b407ae">Modelos de datos: analizando Focal Point</a> was originally published in <a href="https://medium.com/data-world-portafolio">Data world portafolio</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Solicitudes del usuario sobre acceso a los datos: La base]]></title>
            <link>https://medium.com/privacimiento/solicitudes-del-usuario-sobre-acceso-a-los-datos-la-base-2a499d5cce0e?source=rss-b08aaa11f581------2</link>
            <guid isPermaLink="false">https://medium.com/p/2a499d5cce0e</guid>
            <category><![CDATA[data-subject-rights]]></category>
            <category><![CDATA[dsar]]></category>
            <category><![CDATA[privacy-engineering]]></category>
            <category><![CDATA[spanish]]></category>
            <category><![CDATA[subject-access-request]]></category>
            <dc:creator><![CDATA[CarlosCh]]></dc:creator>
            <pubDate>Thu, 01 Feb 2024 08:21:54 GMT</pubDate>
            <atom:updated>2024-02-01T08:21:54.841Z</atom:updated>
            <content:encoded><![CDATA[<h4>Revisando las bases de este proceso más común entre las empresas y usuarios.</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*htyRMN2EQ64OFosUC2w1Pw.png" /><figcaption>Aunque no lo paresca: es una extensión de la gestión y gobierno de la privacidad de los datos 😉.</figcaption></figure><p>En un mundo donde hay más consiencia, aceptación y ejercicio de los derechos a la privacidad; es más común para las empresas poder tener presenten solicitudes de un usuario a sus datos dentro de la empresa[1].</p><p>Si esto no se trata de manera efectiva, posiblemente incurran en daños a la reputación y una multa financiera a la empresa 😱; pero si se hace a tiempo y con exactitud, se puede mejorar la relación confianza con los involucrados además de cumplir reglamentos legales[1].</p><p>En este artículo, buscamos dar una mirada general para que entendamos qué es, el desafio que representa y porque no deberia ser algo que deberia posponerse.</p><blockquote><strong><em>Nota</em></strong><em>: Este artículo es parte de una serie de artículos que resumen el libro de N. Bhajaria, “Data Privacy: A Runbook for Engineers”. Esta basado en el capítulo 8 del libro.</em></blockquote><h3>Solicitud del usuario sobre acceso a los datos: Qué y Porqué</h3><p>Las empresas cuando implementan un gobierno y protección de la privacidad de datos; voltean a entender los sistemas distribuidos que lo gestionan, que datos almacenan y las inversiones sobre herramientas de control escalables y eficientes de los datos en temas de eliminación, clasificación y categorización[2].</p><blockquote>“De las empresas no solo esperan la gestión de los datos; sino dar a los usuario acceso a la copia de sus datos.”</blockquote><p>Y esto se debe a que hay leyes que amparan este hecho a los usuarios desde sus diferentes enfoques legales; tales como Ley de Privacidad del Consumidor de California (CCPA), Reglamento General de Protección de Datos (GDPR) o Ley de Protección de datos de braasil[2] por ejemplo; para cubrir el derecho de acceso a los usuarios de sus datos[5].</p><blockquote>“El derecho de acceso entrega transparencia al hacer que las empresas digan como recolectan y usan los datos de los usuarios que tienen.”</blockquote><p>Solicitud del usuario sobre acceso a los datos; o <em>DSAR </em>por sus siglas en ingles; es el medio para las empresas abordar este requerimiento del usuario desde un nivel tecnológico.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/500/1*Ew-A4ru4w91rE_9p5TMytw.jpeg" /><figcaption>La cantidad de DSAR sin responder puede ser un gran problema financiero e imagen para cualquier empresa 😢</figcaption></figure><h3>Entendiendo más profundamente</h3><p>Los lideres de la organización deberian tener algún tipo de entendimiento de la importancia de los DSAR, algunas razones son las siguientes[2]:</p><ol><li>Este requiere que halla una infraestructura, que sea una extensión del gobierno de datos desde el punto de recolección de datos. Lo que requiere un equipo multidisciplinario 🤗.</li><li>Hay varias regulaciones que marcan como es una respuesta valida antes una solicitud como también detalles del proceso 😬; por ejemplo el CCPA permite solicitudes 2 veces al año.</li><li>Cuando se responde a la solicitud; los datos estan fuera de la organización, abiertos al dominio publico y al escrutinio de las personas 😐.</li><li>Un usuario no satisfecho podria ser un problema, si un DSAR lleva a una investigación profunda sobre las practicas de privacidad más amplias de la empresa😨.</li></ol><blockquote>“Es dificil responder las solicitudes sin la automatización.”</blockquote><p>Esto puede ser desafiante para algunos negocios, por el hecho de que no es algo trivial: requiere juntar diferentes tipos de datos de diferentes sistemas, ponerlos todos juntos, revisar cada registro y compilar los hallazgos en un formato comprensible[2] — <strong><em>en el nivel de detalle entregado y necesario, esta el desafio</em></strong> 😰.</p><p>Esto lleva a que se deba entregar detalles al usuario tales como duración de almacenamiento de los datos, control de acceso de los datos, seguridad que posee los datos, con quien comparte los datos la empresa junto a sus nombres, ley que respalda a la compañia sobre el procesamiento de los datos, uso para decisiones automatizadas, confirmación que los datos estan siendo procesados[2][3].</p><p>Entonces esto hace que el DSAR obligue que la empresa recolecte, procese, retenga y archive los datos del usuario que permita facilitarlos a petición del mismo; esto dentro del marco de tiempo legal y sentimiento publico[1].</p><blockquote>“Recuerda que las diferentes leyes pueden dar matices diferentes al DSAR en sus componentes, como eliminación o divulgación de datos o informar sobre el consenso”</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*wpb3yPs0TIXJRkYQjvjMSw.png" /><figcaption>Una comparación entre regulaciones: esto hace que los DSAR sean diferentes y un desafio a implementar 🤭.</figcaption></figure><h3>Describiendo el proceso de cumplimiento</h3><p>Las empresas que tienen procesos pobremente documentados y pocos en cantidad; tienen problemas con los procesos necesarios para escalar los DSAR[4]. La lista de pasos a continuación podria ayudar a cubrir el proceso del DSAR, entregando madurez en este espacio[4].</p><p><strong><em>#1 Registra y valida las solicitudes,</em></strong> ya que es critico documentar la información sobre cuando se recibio, quien lo envio, la forma en como se autentico la identidad del usuario que lo envio, la forma en como se recibio — como correo eletrónico o teléfono por ejemplo— entre otros temás[4].</p><p>Algunos puntos técnicos que debemos abordar[4]:</p><ul><li>Deben estar integrado a la plataforma; ya que ayuda más facilmente a ser encontrado por el usuario.</li><li>Personalizado, si hay una covertura multigeografica de la empresa, ya que los DSAR cambia de país en país.</li><li>Tener opciones predefinidas automatizadas con sustento legal para abordar el DSAR de forma más automática.</li><li>Ofrecer formas de explicar explicitamente dentro la solicitud, para comprender la naturaleza de la solicitud.</li></ul><p><strong><em>#2 Identificar al usuario,</em></strong> para evitar filtraciones de datos de malos actores contra los clients, debemos tener suficiente información de la persona con el fin de garantizar que es el dueño de los datos[4]. Métodos como autenticación multiple ayudan en esto.</p><p><strong><em>#3 Coleccionar datos de multiples sistema,</em></strong> pero esto se basa en como descubirmos y categorizamos los datos, ya que pueden estan en sistemas internos como externos además de multiples sistemas. Los temás de inventario y catálogos de datos son bases para abordar mejor estos puntos[4].</p><p><strong><em>#4 Mapear las identidades del usuario para una recopilación precisa,</em></strong> porque es posible que un usuario que solicita un DSAR que haya utilizado varias identidades en la plataforma; por ejemplo usando tanto Facebook ID como Google ID, lo que llevará a tener un mapeamiento de estos métodos de autenticación del usuario para recuperar los datos necesarios para la solicitud[4].</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*1-iPBNbYEwHooZCp3rLRwA.png" /><figcaption>Asi es como se puede distribuir los datos que un DSAR necesita recuperar.</figcaption></figure><p><strong><em>#5 Revisar y aprobar la información;</em></strong> ya que despues de tener los datos del DSAR, el equipo legal y de privacidad debe revisarlos para ver cumple con la jurisdicción donde se pide sin revelar datos personales de otros usuarios. Esta documentación es critica ante eventos que cuestionen la integridad o exactitud del DSAR[4].</p><p><strong><em>#5 Envia de forma segura la información;</em></strong> ya que esto expone a penalidades financieras, si el DSAR se filtra o viola por lo que apropiados métodos de seguridad para ello son requeridos según la clasificación de los datos basado en el riesgos que posee[4].</p><p><strong><em>#6 considere las excepciones del DSAR;</em></strong> ya que además de acceso al uso de los datos, también se puede pedir que se eliminen. Dependiendo de las regulaciones del DSAR; hay excepciones y exenciones que el negocio debe conocer y validar su aplicación con el equipo legal; logrando equilibrar el deseo conservar los datos y privacidad del usuario[4].</p><h3>Conclusión</h3><p>La necesidad de abordar lo que son las solicitudes del usuario sobre el acceso a sus datos se volverá más critica en los siguientes días; en un mundo donde la privacidad se vuelve más importante a abordar por parte de los sistemas de información.</p><p>El tener una base sobre lo que se requiere es importante; y este artículo entrega esa base tanto para la gente técnica como de gerencia.</p><h3>Referencias</h3><p>[1] N. Bhajaria. Data Privacy: A Runbook for Engineers. Manning, 2022. sección 8<em>“Exporting user data: Data Subject Access Requests”</em>.</p><p>[2] N. Bhajaria. Data Privacy: A Runbook for Engineers. Manning, 2022. sección 8.1<em>“What are DSARs?”</em>.</p><p>[3] N. Bhajaria. Data Privacy: A Runbook for Engineers. Manning, 2022. sección 8.1.1 “<em>What rights do DSAR regulations give to users?</em>”</p><p>[4] N. Bhajaria. Data Privacy: A Runbook for Engineers. Manning, 2022. sección 8.1.2 “<em>An overview of the DSAR request fulfillment process</em>”</p><p>[5] <a href="https://www.gob.pe/9270-que-son-los-derechos-arco">https://www.gob.pe/9270-que-son-los-derechos-arco</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2a499d5cce0e" width="1" height="1" alt=""><hr><p><a href="https://medium.com/privacimiento/solicitudes-del-usuario-sobre-acceso-a-los-datos-la-base-2a499d5cce0e">Solicitudes del usuario sobre acceso a los datos: La base</a> was originally published in <a href="https://medium.com/privacimiento">Privacimiento</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Principios de prácticas justas de información]]></title>
            <link>https://medium.com/privacimiento/principios-de-pr%C3%A1cticas-justas-de-informaci%C3%B3n-f539052e7147?source=rss-b08aaa11f581------2</link>
            <guid isPermaLink="false">https://medium.com/p/f539052e7147</guid>
            <category><![CDATA[privacy-engineering]]></category>
            <category><![CDATA[fipp]]></category>
            <category><![CDATA[spanish]]></category>
            <category><![CDATA[privacy-by-design]]></category>
            <dc:creator><![CDATA[CarlosCh]]></dc:creator>
            <pubDate>Mon, 01 Jan 2024 09:11:28 GMT</pubDate>
            <atom:updated>2024-01-01T09:11:28.508Z</atom:updated>
            <content:encoded><![CDATA[<h4>Entendiendo los prinicpios que acompañan a la privacidad por defecto.</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*EIiICdpK59KSle_n01ol-g.png" /><figcaption>Hay que tener presente para entender mejor las leyes de privacidad.</figcaption></figure><p>En el mundo de la ingenieria de privacidad, hay varios principios que pueden ayudar a mejorar el desarrollo de la profesión; entre estos puntos estan los principios de prácticas justas de información[1].</p><p>En este artículos; que sera breve; es entender este grupo de principios.</p><blockquote><strong><em>NOTA</em></strong><em>: Este artículo puede evolucionar además que contiene unas perspectiva personal del tema.</em></blockquote><h3>Objetivos y principios</h3><blockquote>“Son un grupo de principios que usan las agencias gubernamentales que usan cuando evaluan actividades, sistemas y procesos informáticos que afectan la privacidad individual.”</blockquote><p>Las agencias utilizan este principios basado en el requerimiento de sus programas de privacidad y misiones particulares; por lo que si bien no son parte de una ley, si son ampliamente aceptados para evaluar sistemas, procesos o actividades de información con relación a la privacidad del usuario[1]; ya que pueden formar un centro fundamental para leyes de privacidad y procesos de recolección de datos[2].</p><p>La lista de principios se basan en 10 declaraciones de alto nivel; basado en Bennett and Raab[3]:</p><ul><li><strong><em>Responsabilidad</em></strong>: hace que la empresa sea responsable de los datos personales que posee.</li><li><strong><em>Identificar proposito</em></strong>: la empresa debe identificar los fines para los cuales se procesa los datos personales en el momento de su recopilación o antes.</li><li><strong><em>Conocimiento y consenso</em></strong>: la empresa solo recolecta datos que tengan el consentimiento y conocimiento del usuario; excepto bajo ciertas circunstancias específicas.</li><li><strong><em>Recoleción minima</em></strong>: la empresa debe recolectar solo la información necesaria para el proposito identificado para el proceso.</li><li><strong><em>Uso y divulgación limitada</em></strong>: la empresa no debe usar o divulgar los datos personales para fines distintos de los identificados, excepto con el consentimiento del usuario.</li><li><strong><em>Retención limitada</em></strong>: la empresa retiene la información solo cuando sea necesario.</li><li><strong><em>Calidad de datos</em></strong>: la empresa debe asegurar que los datos personales esten actualizados, completo y preciso.</li><li><strong><em>Seguridad</em></strong>: la empresa debe proteger la información con las medidas adecuadas.</li><li><strong><em>Apertura</em></strong>: la empresa debe ser abierta sobre sus políticas y prácticas además no mantener ningún sistema de información secreto.</li><li><strong><em>Correción y acceso</em></strong>: la empresa debe permitir a los usuarios de los datos personales acceder a ellos y permitir la modificación si es inexacto, obsoleto o incompleto.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*NBirLDf10fejFNRUvjoP9w.png" /><figcaption>La privacidad no es algo técnico: es algo organizacional desde puestos, registración de permisos hasta divulgación de buenas practicas 😎.</figcaption></figure><h3>Fundamentos de los valores de privacidad</h3><p>Si bien FIP y HEW fueron los primeros intentos de abordar la privacidad en la industria;con el tiempo el concepto “privacidad” a evolucionado a situaciones de intéres más completas[3] desde la base del “derecho a esta solo”[4].</p><blockquote>“El concepto de privacidad evoluciona con el hombre y su interes.”</blockquote><p>Esto lleva a que se protegan ciertos valores o conceptos, porque aseguran el respeto al cubrir la definición o implementación de “privacidad de la persona” en el mundo; con el fin de abordarlo desde una punto conceptual fundamental que puede ser facíl abordado en temas legales y/o filosóficos; estos valores o conceptos son 8 basado en [3]:</p><ul><li><strong><em>El control de acceso de datos personales desde otros usuarios</em></strong>: siendo la esencia de la privacidad; las personas quieren resguardar información de otras personas, por tener el control de la misma.</li><li><strong><em>Justicia</em></strong>: es importante que cada persona reciba su oportunidad, deuda, castigo perdida o ascenso.</li><li><strong><em>Seguridad personal</em></strong>: el negar información a las personas es una forma de protección.</li><li><strong><em>Seguridad financiera</em></strong>: la información puede ser una herramienta para crear fraude.</li><li><strong><em>Paz y tranquilidad</em></strong>: las personas desean disfrutar del sentido de alejamiento del mundo.</li><li><strong><em>Autonomía</em></strong>: la informacion puede ser una herramienta legal y social que puede restringir las acciones de las persona que se le asocia.</li><li><strong><em>Integridad contra el mercantilismo</em></strong>: hay resistencia al mercatilismo de todas las cosas; por lo que prefieren ser tratados como individuos completos.</li><li><strong><em>Reputación</em></strong>: las personas les preocupa la información negativa que puede crear adversión social y malos tratos financieros.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*xPP58YHlmH9eRawCDXYeFA.png" /><figcaption>La combinación de valores y principios. Algunos pueden ser antagonistas entre ellos (MBA), la protección se deriva del control (DC) o falta en enfasis entre ellos.</figcaption></figure><p>Podemos ver algunos puntos interesantes sobre estos:</p><ul><li>Algunos son muy generales y contextuales que no dan orientación[3].</li><li>Depende mucho del contexto para relacionar valores y principios.</li><li>Hay un oscilamiento entre la prescripción y la elección del consumidor[3].</li><li>Se centra fuertemente en la justicia y el control de acceso como objetivo primario; y como secundario sería dar protección contra la comercialización excesiva de la vida personal[3].</li><li>Sirve más para algunos valores que otros este grupo de principios; lo que lleva un debate legal[3].</li></ul><h3>Conclusión</h3><p>Creo que saber que elementos filosóficos y morales inspiran las bases legales para abordar temás de privacidad que nos importanto; esto nos lleva a poder implementar estas ideas en temás técnicos y que eventualmente son abordados en otros principios más pragmaticos; como el enfoque de privacidad por defecto 🤯.</p><blockquote>“Conocer los valores y bases morales y filosóficas generales; nos llevan a abordar y fundamentar la privacidad técnica.”</blockquote><p>Te invito a leer el artículo <em>“Privacy and Fair Information Practices: the struggle to protect threatened values”</em> del American enterprise institute[3]: que es una lectura interesante 😊.</p><h3>Referencias</h3><p>[1] <a href="https://iapp.org/resources/article/fair-information-practices/">https://iapp.org/resources/article/fair-information-practices/</a></p><p>[2] <a href="https://ethics.berkeley.edu/privacy/fipps">https://ethics.berkeley.edu/privacy/fipps</a></p><p>[3] <a href="https://www.aei.org/wp-content/uploads/2021/04/Privacy-and-Fair-Information-Practices.pdf?x91208">https://www.aei.org/wp-content/uploads/2021/04/Privacy-and-Fair-Information-Practices.pdf?x91208</a></p><p>[4] <a href="https://link.springer.com/chapter/10.1007/978-1-4020-5347-4_18">https://link.springer.com/chapter/10.1007/978-1-4020-5347-4_18</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f539052e7147" width="1" height="1" alt=""><hr><p><a href="https://medium.com/privacimiento/principios-de-pr%C3%A1cticas-justas-de-informaci%C3%B3n-f539052e7147">Principios de prácticas justas de información</a> was originally published in <a href="https://medium.com/privacimiento">Privacimiento</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>