Descripción general de la calidad de los datos automática

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

Para comenzar, puedes usar las recomendaciones de reglas de generación de perfiles 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 que se integran 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 y también infiere varios tipos de metadatos. Para medir la calidad de una tabla con la calidad de datos automática, crea un objeto DataScan de tipo data quality. El análisis se ejecuta en una sola tabla de BigQuery. El análisis usa recursos de un proyecto de usuario de Google, por lo que no necesitas configurar tu propia infraestructura.

Para crear y usar un análisis de calidad de los datos, se deben seguir estos 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 relacionados con la 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 sobre los datos. Puedes crear reglas de calidad de los 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 agregadas.

Nivel de fila

Para las reglas de categoría a nivel de fila, la expectativa se aplica 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 fila requieren que especifiques un umbral de aprobación. Cuando el porcentaje de filas que aprueban la regla cae por debajo del valor del umbral, la regla falla.

Agregación

Para las reglas de agregación, la expectativa se aplica a un solo valor agregado en todos los datos. Por ejemplo, Avg(someCol) >= 10. Para aprobar, la verificación debe evaluarse como el valor booleano true. Las reglas agregadas no proporcionan un recuento independiente de aprobaciones o errores 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 a nivel de fila o agregada	Descripción	Tipos de columnas admitidos	Parámetros específicos de la regla
RangeExpectation (Comprobación de rango)	Nivel de fila	Verifica si el valor está entre el mínimo y el máximo.	Todas las columnas numéricas, de fecha y de tipo de marca de tiempo.	Obligatorio: Porcentaje del umbral de aprobación Valores mean, min o max: especifica al menos un valor. Opcional: Habilita strict min: Si está habilitada, la verificación de reglas usa ">" en lugar de ">=". Habilita strict max: Si se habilita, 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 nula)	Nivel de fila	Valida que los valores de las columnas no sean NULL.	Todos los tipos de columnas compatibles.	Obligatorio: Porcentaje del umbral de aprobación.
SetExpectation (Establecer verificación)	Nivel de fila	Comprueba si los valores en una columna son uno de los valores especificados en un conjunto.	Todos los tipos de columna admitidos, excepto Record y Struct.	Obligatorio: Conjunto de valores de cadena para verificar. Porcentaje del umbral de aprobación. Opcional: Habilitar ignore null: Si se habilita, se ignoran los valores nulos en la verificación de reglas.
RegexExpectation (Verificación de expresiones regulares)	Nivel de fila	Verifica los valores con respecto a una expresión regular especificada.	String	Obligatorio: Patrón de expresión regular que se usa para verificar. Porcentaje del umbral de aprobación. Nota: SQL estándar de Google proporciona compatibilidad con expresiones regulares mediante la biblioteca re2. Consulta esa documentación para obtener su sintaxis de expresión regular. Opcional: Habilitar ignore null: Si se habilita, se ignoran los valores nulos 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 admitidos. Opcional: Habilitar ignore null: Si se habilita, 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: Valores mean, min o max: especifica al menos un valor. Opcional: Habilita strict min: Si está habilitada, la verificación de reglas usa ">" en lugar de ">=". Habilita strict max: Si se habilita, 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 una lógica personalizada. Estas reglas vienen 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	Nivel de fila	Especifica una expectativa para cada fila mediante la definición de una expresión SQL en una cláusula WHERE. La expresión de SQL debe evaluarse como true (aprobado) o false (reprobado) por fila. Dataplex calcula el porcentaje de filas que superan esta expectativa y compara este valor 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: Columna con la que se asociará esta regla.	grossWeight <= netWeight
Condición de la tabla (expresión SQL agregada)	Agregación	Estas reglas se ejecutan una vez por tabla. Proporciona una expresión de SQL que se evalúe como un valor booleano true (aprobado) o false (reprobado). La expresión de 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 los datos para encontrar filas que no cumplan con una o más condiciones especificadas en la consulta. Proporciona una instrucción de SQL que se evalúe para mostrar filas que coincidan con el estado no válido. Si la consulta muestra filas, la regla falla. Omite el punto y coma final de la instrucción de SQL. La instrucción de 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: Columna con la que se asociará esta regla.	Ejemplo de agregación simple para asegurarte de que discount_pct no sea mayor que 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 varias reglas de calidad de los datos para supervisar y generar 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 de BigQuery.

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

Tipo	Formatos admitidos	Ejemplos
Objeto binario	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]	27-09-2014 12:30:00.45-08
Fecha	AAAA-M[M]-D[D]	2014-09-27
Tiempo	[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 todos sus filtros de condiciones previas con el parámetro de referencia de datos ${data()} en la regla, en lugar de mencionar de forma explícita la tabla de origen y sus filtros. Dataplex interpreta el parámetro como una referencia a la tabla de origen y sus filtros. Algunos ejemplos de filtros de condiciones previas incluyen filtros de fila, porcentajes de muestreo y filtros incrementales.

Por ejemplo, supongamos que tienes una tabla de fuente de datos llamada my_project_id.dim_dataset.dim_currency. Quieres ejecutar un análisis incremental de la calidad de los datos para analizar solo los nuevos datos diarios. Se aplica en la tabla un filtro de filas que filtra las entradas de hoy, transaction_timestamp >= current_date().

Una regla de SQL personalizada para buscar 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 condiciones previas por el parámetro ${data()}:

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

Dataplex interpreta el parámetro ${data()} como una referencia a la tabla de fuente de datos con las entradas actuales, my_project_id.dim_dataset.dim_currency WHERE transaction_timestamp >= current_date(). En este ejemplo, el parámetro de referencia de datos se refiere solo 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 de origen, debes 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 en la tabla de origen mediante una 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 de 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 a una tabla directa para hacer referencia a columnas en la tabla fuente:

  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 la 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 especificar el alcance de un trabajo para que sea uno de los siguientes:

Tabla completa

Cada trabajo valida la tabla completa.

Incremental

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

Filtra datos

Dataplex puede filtrar los datos que se analizarán en busca de su calidad mediante un filtro de filas. Crear un filtro de fila 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 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 para muestrear a fin de ejecutar un análisis de calidad de los datos. La creación de análisis de calidad de los datos en una muestra más pequeña de datos puede reducir el tiempo de ejecución y el costo de 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 del análisis con los siguientes métodos:

• Exporta resultados a BigQuery

  Puedes exportar los resultados del análisis a una tabla de BigQuery para analizarlos en detalle. Para personalizar informes, puedes conectar los datos de la tabla de BigQuery a un panel. Puedes crear un informe agregado con la misma tabla de resultados en varios análisis.

• Publica 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 los niveles de calidad de los datos

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

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

Supervisión y alertas

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

• Establece alertas en Cloud Logging

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

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

  • Fuente de datos que se usa para el análisis de datos.
  • Detalles de ejecución del trabajo, 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 un registro de data_quality_scan_rule_result con la siguiente información detallada sobre cada regla en ese trabajo:

  • Información de configuración, como el nombre de la regla, el tipo de regla, el tipo de evaluación y la dimensión
  • Información del resultado, como el recuento total de filas, el recuento total de filas, el recuento de filas nulas y el recuento de filas evaluadas.

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

  Nota: Para el trabajo exitoso más reciente, esta información también está disponible en el análisis de calidad de los datos superiores.

• Enviar notificaciones por correo electrónico

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

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

  Configura las notificaciones cuando creas un análisis de calidad de los datos.

Soluciona problemas relacionados con la calidad de los datos

Cuando falla una regla, Dataplex genera una consulta para obtener los registros con errores. Ejecuta esta consulta para ver los registros que no coinciden con tu regla. Para obtener 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 etiquetas.
• 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.
• Los niveles de calidad de los datos que se informan a nivel de la columna solo se admiten en la API.

Precios

• Dataplex usa SKU de procesamiento premium para cobrar la calidad de los datos automáticos. 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 te cobrará la misma tarifa que los precios de almacenamiento de metadatos del catálogo. 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 fallidos de la calidad de los datos.

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

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

  • Muestreo
  • Análisis incrementales

• Separa los cargos por calidad de los datos de otros cargos en el SKU de procesamiento premium de Dataplex, usa la etiqueta goog-dataplex-workload-type con el valor DATA_QUALITY.

• Filtra 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 automática de los datos.
• Obtén más información sobre la generación de perfiles de datos.
• Aprende a usar la generación de perfiles de datos.