Descripción general de la calidad de los datos automáticos

En este documento, se describe la calidad de los datos automáticos de Dataplex, que te permite definir y medir la calidad de tus datos. Puedes automatizar el análisis de datos, validarlos en función de reglas definidas y registrar alertas si tus datos no cumplen con los requisitos de calidad. Puedes administrar las reglas de calidad de los datos y las implementaciones como código, lo que mejora la integridad de las canalizaciones de producción de datos.

Para comenzar, puedes usar las recomendaciones de reglas de perfilamiento de datos de Dataplex o crear reglas personalizadas en la consola de Google Cloud. Dataplex proporciona supervisión, solución de problemas y alertas de Cloud Logging integradas en la calidad automática de los datos de Dataplex.

Modelo conceptual

Un análisis de datos es un trabajo de Dataplex que toma muestras de datos de BigQuery y Cloud Storage e infiere varios tipos de metadatos. Para medir la calidad de una tabla con la calidad de los datos automáticos, crea un objeto DataScan de tipo data quality. El análisis se ejecuta solo en una tabla de BigQuery. El análisis usa recursos de una instancia de Google proyecto de usuario, de manera que no necesitas configurar tu propia infraestructura.

La creación y el uso de un análisis de calidad de los datos consisten en los siguientes pasos:

1. Define reglas de calidad de los datos
2. Configura la ejecución de reglas
3. Analiza los resultados del análisis de calidad de los datos
4. Configura la supervisión y las alertas
5. Soluciona problemas de calidad de los datos

Definición de la regla

Las reglas de calidad de los datos asociadas con un análisis de calidad de los datos definen las expectativas de los datos. Puedes crear reglas de calidad de datos de las siguientes maneras:

• Usa las recomendaciones de la generación de perfiles de datos de Dataplex
• Usa las reglas predefinidas
• Crea reglas de SQL personalizadas

Reglas predefinidas

Dataplex admite dos categorías de reglas predefinidas: a nivel de fila o de datos agregados.

A nivel de la fila

Para las reglas de categorías a nivel de fila, se aplica la expectativa en cada fila de datos. Cada fila pasa o falla la condición de forma independiente. Por ejemplo, column_A_value < 1.

Las verificaciones a nivel de la fila requieren que especifiques un umbral de aprobación. Cuando el porcentaje de filas que aprueban la regla cae por debajo del valor de umbral, la regla falla.

Agregación

Para las reglas de agregación, se espera que se aplican a un solo valor agregado en todos los datos. Por ejemplo, Avg(someCol) >= 10. Para aprobar, la verificación debe evaluarse como booleano true. Las reglas de agregación no proporcionan un recuento independiente de aprobación o rechazo para cada fila.

Para ambas categorías de reglas, puedes establecer los siguientes parámetros:

• La columna a la que se aplica la regla.
• Es una dimensión de un conjunto de dimensiones predefinidas.

En la siguiente tabla, se enumeran los tipos de reglas agregadas y de nivel de fila compatibles:

Tipo de regla (nombre en la consola de Google Cloud)	Regla agregada o a nivel de la fila	Descripción	Tipos de columnas admitidos	Parámetros específicos de la regla
RangeExpectation (Verificación de rango)	A nivel de la fila	Comprueba si el valor está entre min y max.	Todas las columnas de tipo numérico, de fecha y de marca de tiempo	Obligatorio: Porcentaje de umbral de aprobación Valores mean, min o max: Especifica al menos un valor. Opcional: Habilitar strict min: Si está habilitada, la verificación de reglas usa ">". en lugar de ">=". Habilita strict max: Si está habilitado, la verificación de reglas usa "<" en lugar de "<=". Habilitar ignore null: Si se habilita, se ignoran los valores nulos. en la verificación de reglas.
NonNullExpectation (Verificación de nulidad)	A nivel de la fila	Valida que los valores de las columnas no sean NULL.	Todos los tipos de columnas compatibles.	Obligatorio: Porcentaje del umbral de aprobación.
SetExpectation (verificación de conjunto)	Nivel de fila	Comprueba si los valores en una columna son uno de los valores especificados en un conjunto.	Todos los tipos de columnas admitidos, excepto Record y Struct.	Obligatorio: Es un conjunto de valores de cadena con los que se compara. Porcentaje del umbral de aprobación. Opcional: Habilitar ignore null: Si se habilita, los valores nulos se ignoran en la verificación de reglas.
RegexExpectation (Verificación de expresión regular)	Nivel de fila	Verifica los valores en función de una expresión regular especificada.	String	Obligatorio: Es el patrón de expresión regular que se usa para la verificación. Porcentaje del umbral de aprobación. Nota: SQL estándar de Google proporciona de expresión regular con el re2; Consulta esa documentación para su sintaxis de expresión regular. Opcional: Habilitar ignore null: Si se habilita, los valores nulos se ignoran en la verificación de reglas.
Uniqueness (Comprobación de unicidad)	Agregación	Verifica si todos los valores de una columna son únicos.	Todos los tipos de columna admitidos, excepto Record y Struct.	Obligatorio: Columna y dimensión de los parámetros compatibles Opcional: Habilita ignore null: Si está habilitada, se ignoran los valores nulos en la verificación de reglas.
StatisticRangeExpectation (Comprobación estadística)	Agregación	Verifica si la medida estadística dada coincide con la expectativa del rango.	Todos los tipos de columnas numéricas compatibles.	Obligatorio: mean, min o Valores max: Especifica al menos un valor. Opcional: Habilitar strict min: Si está habilitada, la verificación de reglas usa ">". en lugar de ">=". Habilitar strict max: Si está habilitada, la verificación de reglas usa "<" en lugar de "<=".

Tipos de reglas de SQL personalizadas compatibles

Las reglas de SQL proporcionan flexibilidad para expandir la validación con lógica personalizada. Estas reglas se dividen en los siguientes tipos.

Tipo de regla	Regla a nivel de fila o agregada	Descripción	Tipos de columnas admitidos	Parámetros específicos de la regla	Ejemplo
Condición de la fila	A nivel de la fila	Especifica una expectativa para cada fila definiendo una expresión SQL en una cláusula WHERE. La expresión en SQL debe evaluarse como true (aprobado) o false (reprobado) por fila. Dataplex calcula el porcentaje de filas que cumplen con esta expectativa y lo compara con el porcentaje de umbral de aprobación para determinar el éxito o el fracaso de la regla. La expresión puede incluir una referencia a otra tabla, por ejemplo, para crear verificaciones de integridad referencial.	Todas las columnas	Obligatorio: Condición de SQL para usar Porcentaje del umbral de aprobación Dimensión Opcional: Es la columna con la que se asocia esta regla.	grossWeight <= netWeight
Condición de la tabla (expresión SQL agregada)	Agregación	Estas reglas se ejecutan una vez por tabla. Proporciona una expresión SQL que Se evalúa como un valor booleano true (aprobado) o false (reprobado). La expresión SQL puede incluir una referencia a otra tabla mediante subconsultas de expresión.	Todas las columnas	Obligatorio: Condición de SQL para usar Dimensión Opcional: Columna con la que se asociará esta regla	Ejemplo de agregación simple: avg(price) > 100 Usa una subconsulta de expresión para comparar valores en una tabla diferente: (SELECT COUNT(*) FROM `example_project.example_dataset.different-table`) < COUNT(*)
Aserción de SQL	Agregación	Una regla de aserción usa una consulta de calidad de datos para encontrar filas que no cumplen una o más condiciones especificadas en la consulta. Proporciona una instrucción de SQL que muestre filas que coincidan con el estado no válido. Si el botón la consulta muestra filas, la regla falla. Omite el punto y coma final de la instrucción de SQL. La sentencia SQL puede incluir una referencia a otra tabla mediante subconsultas de expresión.	Todas las columnas	Obligatorio: Instrucción de SQL para verificar un estado no válido Dimensión Opcional: Es la columna con la que se asocia esta regla.	Ejemplo de agregación simple para asegurarte de que discount_pct no es superior a 100: SELECT * FROM example_project.example_dataset.table WHERE discount_pct > 100 Usa una subconsulta de expresión para comparar valores en una tabla diferente: SELECT * FROM `example_project.example_dataset.different-table` WHERE gross_weight > (SELECT avg(gross_weight) FROM `example_project.example_dataset.different-table`)

Para ver ejemplos de reglas, consulta reglas de muestra de la calidad de los datos automáticos.

Para conocer las funciones compatibles con SQL, consulta la referencia de GoogleSQL.

Dimensiones

Las dimensiones te permiten agregar los resultados de múltiples reglas de calidad de los datos para supervisión y alertas. Debes asociar cada regla de calidad de los datos con una dimensión. Dataplex admite las siguientes dimensiones:

• Actualidad
• Volumen
• Integridad
• Validez
• Coherencia
• Exactitud
• Unicidad

Entrada escrita en reglas

Todos los parámetros de valor se pasan como valores de cadena a la API. Dataplex requiere que las entradas sigan el formato especificado por BigQuery.

Los parámetros de tipo binario se pueden pasar como una cadena codificada en base64.

Tipo	Formatos admitidos	Ejemplos
Binaria	Valor codificado en base64	YXBwbGU=
Marca de tiempo	AAAA-[M]M-[D]D[( |T)[H]H:[M]M:[S]S[.F]] [zona_hora] O AAAA-[M]M-[D]D[( |T)[H]H:[M]M:[S]S[.F]][time_zone_offset]	2014-09-27 12:30:00.45-08
Fecha	AAAA-M[M]-D[D]	2014-09-27
Hora	[H]H:[M]M:[S]S[.DDDDDD]	12:30:00.45
DateTime	AAAA-[M]M-[D]D [[H]H:[M]M:[S]S[.DDDDDD]]	27-09-2014 12:30:00.45

Parámetro de referencia de datos

Cuando creas una regla de SQL personalizada, puedes hacer referencia a una tabla de fuente de datos y a todos sus filtros de precondición con el parámetro de referencia de datos ${data()} en la regla, en lugar de mencionar explícitamente la tabla de origen y sus filtros. Dataplex interpreta el parámetro como una referencia a la fuente tabla y sus filtros. Algunos ejemplos de filtros de condiciones previas incluyen filtros de filas, porcentajes de muestreo y filtros incrementales.

Por ejemplo, digamos que tienes una tabla de fuente de datos llamada my_project_id.dim_dataset.dim_currency Quieres ejecutar un análisis de calidad de datos incremental que solo analice los datos diarios nuevos. Un filtro de fila que filtra las entradas de hoy, transaction_timestamp >= current_date(), se aplica en la desde una tabla de particiones.

Una regla de SQL personalizada para encontrar filas con discount_pct para hoy se ve de la siguiente manera:

discount_pct IN (SELECT discount_pct FROM my_project_id.dim_dataset.dim_currency WHERE transaction_timestamp >= current_date())

Si usas el parámetro de referencia de datos, puedes simplificar la regla. Reemplaza la mención de la tabla y sus filtros de precondición por el parámetro ${data()}:

discount_pct IN (SELECT discount_pct FROM ${data()})

Dataplex interpreta el parámetro ${data()} como una la tabla de fuente de datos con las entradas de hoy, my_project_id.dim_dataset.dim_currency WHERE transaction_timestamp >= current_date() En este ejemplo, el parámetro de referencia de datos solo hace referencia a los datos incrementales.

El parámetro ${data()} distingue mayúsculas de minúsculas.

Cuando usas un alias dentro de una subconsulta para hacer referencia a columnas en la tabla fuente, usar el parámetro de referencia de datos para hacer referencia a la tabla de origen o bien omitir la referencia de tabla. No hagas referencia a las columnas de la tabla fuente usando un referencia de tabla directa en la cláusula WHERE.

Recomendado:

• Usa el parámetro de referencia de datos para hacer referencia a la tabla de origen:

  discount_pct IN (
  SELECT discount_pct FROM
  `my_project_id.dim_dataset.dim_currency` AS temp-table
  WHERE
  temp-table.transaction_timestamp = ${data()}.timestamp
  )
  

• Omite la referencia a la tabla:

  discount_pct IN (
  SELECT discount_pct FROM
  `my_project_id.dim_dataset.dim_currency` AS temp-table
  WHERE
  temp-table.transaction_timestamp = timestamp
  )
  

No se recomienda:

• No uses una referencia de tabla directa para hacer referencia a columnas en la tabla de origen:

  discount_pct IN (
  SELECT discount_pct FROM
  `my_project_id.dim_dataset.dim_currency` AS temp-table
  WHERE
  temp-table.transaction_timestamp = `my_project_id.dim_dataset.dim_currency`.timestamp
  )
  

Ejecución de la regla

Puedes programar análisis de calidad de los datos para que se ejecuten en un intervalo específico o puedes ejecutar un análisis a pedido. Para administrar los análisis de calidad de los datos, puedes usar la API o Consola de Google Cloud

Cuando ejecutas un análisis de calidad de los datos, Dataplex crea un trabajo. Como parte de la especificación de un análisis de calidad de los datos, puedes indicar el alcance de un trabajo sea uno de los siguientes:

Tabla completa

Cada trabajo valida toda la tabla.

Incremental

Cada trabajo valida los datos incrementales. Para determinar los incrementos, proporciona una columna Date/Timestamp en la tabla que se pueda usar como marcador. Por lo general, esta es la columna en la que una tabla particionada.

Filtra datos

Dataplex puede filtrar los datos que se analizarán en busca de su calidad a través de un filtro de filas. Crear un filtro de filas te permite enfocarte en los datos de un período o segmento específico, como una región determinada. El uso de filtros puede reducir el tiempo y el costo de ejecución, por ejemplo, filtrar los datos con una marca de tiempo anterior a una fecha determinada.

Datos de muestra

Dataplex te permite especificar un porcentaje de registros de tus datos de muestra para ejecutar un análisis de calidad de los datos. Crear análisis de calidad de los datos en una muestra más pequeña de datos puede reducir el tiempo de ejecución y el costo en relación con consultar todo el conjunto de datos.

Resultados del análisis de calidad de los datos

Los resultados de tus análisis de calidad de los datos están disponibles en Dataplex. También puedes revisar y analizar los resultados de la búsqueda con los siguientes métodos:

• Exporta resultados a BigQuery

  Puedes exportar los resultados del análisis a una tabla de BigQuery para de análisis de datos en la nube. Para personalizar los informes, puedes conectar los datos de la tabla de BigQuery a un panel de Looker. Puedes crear un informe agregado mediante el uso de la misma tabla de resultados en varios análisis.

• Publica los resultados en la consola de Google Cloud

  Puedes publicar los resultados del análisis de calidad de los datos en las páginas de BigQuery y Data Catalog de la tabla de origen en la consola de Google Cloud. Los resultados del análisis más recientes están disponibles en la pestaña Calidad de los datos de la tabla de origen.

• Revisa las puntuaciones de calidad de los datos

  Cada resultado del análisis proporciona puntuaciones de calidad de los datos que indican el porcentaje de las reglas que se aprobaron. Las puntuaciones se informan a nivel general del trabajo, del nivel de la columna (si la regla se evalúa en función de una columna) y del nivel de la dimensión. Usa las puntuaciones de calidad de los datos para normalizar la calidad de los datos en las tablas o columnas, hacer un seguimiento de las tendencias y, además, identificar los datos que no cumplen con los requisitos de calidad.

Para obtener más información, consulta Consulta los resultados del análisis de calidad de los datos.

Supervisión y alertas

Puedes supervisar y recibir alertas sobre análisis de la calidad de los datos con los siguientes métodos métodos:

• Establece alertas en Cloud Logging

  Puedes supervisar los trabajos de calidad de los datos con data_scan y Registros de data_quality_scan_rule_result en el Explorador de registros.

  Para cada trabajo de calidad de datos, el registro data_scan con el campo data_scan_type configurado en DATA_QUALITY contiene la siguiente información:

  • Es la fuente de datos que se usa para el análisis de datos.
  • Detalles de la ejecución de trabajos, como la hora de creación, la hora de inicio, la hora de finalización y el estado del trabajo
  • Resultado del trabajo de calidad de los datos: aprobado o reprobado.
  • Nivel de dimensión aprobado o rechazado.

  Cada trabajo realizado correctamente contiene una data_quality_scan_rule_result registro con la siguiente información detallada sobre cada regla en ese trabajo:

  • La información de configuración, como el nombre de la regla, el tipo de regla, el tipo de evaluación y dimensión.
  • La información del resultado, como la aprobación o el error, la cantidad total de filas y las filas aprobadas recuento, recuento de filas nulas y recuento de filas evaluadas.

  La información de los registros está disponible a través de la API y la console de Google Cloud. Puedes usar esta información para configurar alertas. Para obtener más información, consulta Cómo configurar alertas en Logging.

  Nota: En el caso del trabajo más reciente que se realizó correctamente, esta información también está disponible en el análisis de calidad de los datos superior.

• Enviar notificaciones por correo electrónico

  Puedes enviar notificaciones por correo electrónico para alertar a las personas sobre el estado y de un trabajo de calidad de los datos. Las notificaciones están disponibles para las siguientes situaciones:

  • El nivel de calidad de los datos es inferior a un nivel objetivo especificado
  • El trabajo falló
  • El trabajo finalizó

  Puedes configurar las notificaciones cuando creas un análisis de calidad de los datos.

Soluciona problemas de calidad de los datos

Cuando falla una regla, Dataplex genera una consulta para obtener el error. registros. Ejecuta esta consulta para ver los registros que no coinciden con tu regla. Para más información, consulta Soluciona problemas relacionados con la calidad de los datos.

Limitaciones

• Los resultados del análisis de calidad de los datos no se publican en Data Catalog como rótulos nuevos rápidamente.
• Las recomendaciones de reglas no son compatibles con gcloud CLI.
• La elección de dimensiones se fija a una de las siete dimensiones predefinidas.
• La cantidad de reglas por análisis de calidad de los datos se limita a 1,000.
• Las notificaciones por correo electrónico solo se admiten en la API y gcloud CLI.
• Las puntuaciones de calidad de los datos que se informan a nivel de la columna solo se admiten en la API.

Precios

• Dataplex usa el SKU de procesamiento premium para cobrar los costos la calidad de los datos. Para obtener más información, consulta Precios de Dataplex.

• La publicación de resultados automáticos de la calidad de los datos en el catálogo aún no está disponible. Cuando esté disponible, se cobrará a la misma tarifa que los metadatos del catálogo el precio del almacenamiento. Consulta Precios para obtener más detalles.

• El procesamiento premium de Dataplex para la calidad de los datos automáticos se factura por segundo con un mínimo de un minuto.

• No se aplican cargos por los análisis de calidad de los datos que no se completaron correctamente.

• El cargo depende del número de filas, de columnas, de los datos que analizaste, la configuración de las reglas de calidad de los datos, la configuración de la partición y el agrupamiento en clústeres en la tabla, y la frecuencia gscan.

• Existen varias opciones para reducir el costo de los análisis automáticos de calidad de los datos:

  • Muestreo
  • Análisis incrementales

• Para separar los cargos de calidad de los datos de otros cargos en el SKU de procesamiento premium de Dataplex, en el informe de Facturación de Cloud, usa la etiqueta goog-dataplex-workload-type con el valor DATA_QUALITY.

• Para filtrar los cargos agregados, usa las siguientes etiquetas:

  • goog-dataplex-datascan-data-source-dataplex-entity
  • goog-dataplex-datascan-data-source-dataplex-lake
  • goog-dataplex-datascan-data-source-dataplex-zone
  • goog-dataplex-datascan-data-source-project
  • goog-dataplex-datascan-data-source-region
  • goog-dataplex-datascan-id
  • goog-dataplex-datascan-job-id

Próximos pasos

• Obtén más información para usar la calidad de los datos automáticos.
• Obtén más información sobre la generación de perfiles de datos.
• Aprende a usar la generación de perfiles de datos.