Reto de ingeniería
En la Semana 1 diagnosticaste qué tan fuerte es la presión Big Data de un escenario. Ahora el equipo de arquitectura de NexoRetail 360 te pide algo más concreto: para una fuente de datos específica, diseña la ruta completa —ingesta, almacenamiento, procesamiento, consulta y analítica— y defiende por qué esa combinación es la más adecuada, sabiendo que no existe un único camino correcto: cada elección implica un compromiso distinto.
Objetivos de la sesión
- Relacionar el modelo de datos y el patrón de acceso con la familia NoSQL adecuada.
- Distinguir el rol de cada capa del ecosistema (ingesta, almacenamiento, procesamiento, consulta, analítica).
- Evaluar una arquitectura en términos de compatibilidad, latencia, escalabilidad y flexibilidad, no solo de "si funciona".
- Reconocer que varias arquitecturas pueden ser defendibles con distintos trade-offs.
1 · Laboratorio de datos: explora antes de diseñar
Antes de elegir una arquitectura, inspecciona datos reales de muestra. El laboratorio procesa una muestra manejable localmente y usa esa muestra para estudiar decisiones arquitectónicas aplicables a sistemas de mucha mayor escala. El perfilado (filas, tipos, nulos, cardinalidad, mínimos/máximos, promedios) lo calcula realmente DuckDB-Wasm, un motor SQL que corre en tu navegador mediante un Web Worker — no es una simulación de MongoDB, Cassandra, Redis ni Neo4j: es el motor analítico local de este laboratorio.
Los datos que selecciones aquí se procesan en este navegador y no se envían al servidor del curso ni a ninguna API externa.
Inicializando motor local de datos…
Fuente: —
Filas (consulta real): —
Esquema
Observaciones de estructura (apoyo, no reemplaza tu decisión)
Perfilado real por columna
Distribución por columna (GROUP BY real)
Consulta ejecutada localmente mediante DuckDB-Wasm — datos reales, no inventados por JavaScript.
2 · Hipótesis
Completa las dos preguntas y pulsa «Registrar hipótesis y comenzar» para desbloquear la evaluación.
4 · Ruta de datos resultante
5 · Métricas de adecuación
Modelo didáctico: cada dimensión combina las elecciones en un puntaje 0–100 para poder discutir compromisos, no para producir una única respuesta correcta.
Ver razonamiento del modelo (pesos y puntajes)
6 · Comparación de modelos de almacenamiento
7 · Decisión de ingeniería
8 · Evidencia de aprendizaje
Continuidad curricular
Antes: en la Semana 1 diagnosticaste la presión Big Data del escenario (volumen, velocidad, variedad, riesgo de calidad, valor).
Después: elegimos cómo almacenar los datos. Ahora estudiaremos cómo distribuirlos entre múltiples nodos: en la Semana 3 profundizarás en cómo se distribuyen físicamente los datos dentro del modelo de almacenamiento elegido aquí — nodos, hashing, particionado y replicación.