Descripción general de Data Catalog

Data Catalog de Dataplex es un inventario central de los recursos de datos de una organización. Data Catalog cataloga de forma automática los metadatos de las fuentes de Google Cloud, como BigQuery, Vertex AI, Pub/Sub, Spanner, Bigtable y mucho más. Data Catalog también indexa metadatos de tablas y conjuntos de archivos de Cloud Storage a través del descubrimiento.

Puedes descubrir datos con la función de búsqueda de metadatos para toda la organización administrada de Dataplex. Puedes enriquecer aún más los metadatos con un contexto empresarial crítico y habilitar el seguimiento del linaje, la creación de perfiles de datos, las verificaciones de calidad de los datos y las capacidades de control de acceso.

Con Data Catalog, las organizaciones pueden mejorar el descubrimiento de datos, la administración de metadatos y la administración.

¿Por qué necesitas Data Catalog?

En la actualidad, la mayoría de las organizaciones deben lidiar con una cantidad cada vez mayor de recursos de datos.

Las partes interesadas en los datos (consumidores, productores y administradores) dentro de una organización enfrentan varios desafíos:

  • Búsqueda de datos detallados:

    • Los consumidores de datos no conocen la ubicación ni el origen de los datos. Tienen que navegar por “pantano” de datos.
    • Los consumidores de datos no saben qué usar para obtener estadísticas porque la mayoría de los datos no está bien documentados y, si están documentados, no están bien guardados.
    • Los datos no se pueden encontrar y, con frecuencia, se pierden cuando solo se encuentran en la mente de las personas.

  • Comprensión de datos:

    • ¿Los datos son recientes y están limpios, validados y aprobados para su uso en la producción?
    • De varios conjuntos duplicados, ¿qué conjunto de datos es relevante y está actualizado?
    • ¿Cómo se relaciona un conjunto de datos con otro?
    • ¿Quién está usando los datos y quién es el propietario?
    • ¿Quiénes están transformando los datos y mediante qué procesos?

  • Haz que los datos sean útiles:

    • Los productores de datos no tienen una forma eficiente de presentar sus datos a los consumidores. Si no hay autoservicio, los consumidores pueden abrumar a los productores. Varios ingenieros de datos no pueden proporcionar datos de forma manual a miles de analistas de datos.

    • Se pierde tiempo valioso si los consumidores de datos tienen que averiguar cómo solicitar acceso a los datos, esperar sin un tiempo de respuesta definido, derivar el caso y esperar de nuevo.

Sin las herramientas correctas, los desafíos se convierten en un gran obstáculo para el uso eficiente de los datos. Data Catalog proporciona un repositorio centralizado que permite a las organizaciones lograr lo siguiente:

  • Obtén una vista unificada para reducir la molestia de buscar los datos correctos.
  • Respalda la toma de decisiones basada en datos y acelera el tiempo de las estadísticas mediante el enriquecimiento de los datos con metadatos técnicos y empresariales.
  • Mejorar la administración de datos para aumentar la eficiencia y la productividad operativas
  • Tomar la propiedad sobre los datos para mejorar su confianza.

Funciones de Data Catalog

Data Catalog proporciona tres funciones principales:

  • Buscar entradas de datos a las que tienes acceso
  • Etiqueta entradas de datos con metadatos
  • Proporcionar seguridad a nivel de la columna para las tablas de BigQuery

Además, Data Catalog puede basarse en los resultados de un análisis de Sensitive Data Protection para identificar datos sensibles directamente dentro de Data Catalog en forma de plantillas de etiquetas.

Cómo funciona Data Catalog

Data Catalog puede catalogar metadatos de activos de diferentes sistemas de Google Cloud.

También puedes usar las APIs de Data Catalog para integrarlas en fuentes de datos personalizadas.

Después de catalogar tus datos, puedes agregar tus propios metadatos a estos recursos mediante etiquetas.

Data Catalog descubre los metadatos de las fuentes de datos de Google Cloud, como BigQuery, Pub/Sub, Dataproc Metastore y Cloud Storage, además de fuentes de datos que no están en la nube, como Hive y Oracle.
Figure 1. Data Catalog lee los metadatos de los servicios de Google Cloud y las fuentes de datos personalizadas.

Metadatos de Data Catalog

Data Catalog maneja dos tipos de metadatos: metadatos técnicos y metadatos comerciales. Para obtener más información sobre los metadatos, consulta Metadatos de Data Catalog.

Búsqueda y detección

Data Catalog ofrece una potente experiencia de búsqueda basada en predicados para metadatos técnicos y empresariales asociados con una entrada de datos. Debes tener los permisos para leer los metadatos de una entrada de datos a fin de que puedas aplicar la búsqueda y el descubrimiento en los metadatos. Data Catalog no indexa los datos de una entrada de datos. Data Catalog solo indexa los metadatos que describen un activo.

Data Catalog controla algunos metadatos, como las etiquetas generadas por usuarios. Para todos los metadatos que se obtienen del sistema de almacenamiento subyacente, Data Catalog es un servicio de solo lectura que refleja los metadatos y los permisos que proporciona el sistema de almacenamiento subyacente. Puedes realizar ediciones en el sistema de almacenamiento subyacente para agregar, actualizar o borrar los metadatos de una entrada de datos.

Para obtener más información sobre la búsqueda de Data Catalog, consulta Busca recursos de datos con Data Catalog.

Catalogación automática de elementos

Para un proyecto determinado, Data Catalog cataloga automáticamente los siguientes elementos de Google Cloud:

  • Conjuntos de datos vinculados de Analytics Hub
  • Conjuntos de datos, tablas, modelos, rutinas y conexiones de BigQuery
  • Instancias, clústeres y tablas de Bigtable (incluidos los detalles de la familia de columnas)
  • Lakes, zonas, tablas y conjuntos de archivos de Dataplex
  • Servicios, base de datos y tablas de Dataproc Metastore
  • Temas de Pub/Sub
  • Instancias, bases de datos, tablas y vistas de Spanner

  • Modelos de Vertex AI, conjuntos de datos y recursos de Vertex AI Feature Store

Además de catalogar elementos dentro de los ID de proyectos para los que tienes acceso a metadatos, Data Catalog puede catalogar datos almacenados en los proyectos de BigQuery que contienen conjuntos de datos públicos.

Cataloga elementos que no sean de Google Cloud.

Para catalogar metadatos de sistemas que no son de Google Cloud en la organización, puedes usar lo siguiente:

Accede a Data Catalog

Puedes acceder a las funciones de Data Catalog mediante lo siguiente:

¿Qué sigue?