{"id":1538,"date":"2025-11-11T08:31:02","date_gmt":"2025-11-11T08:31:02","guid":{"rendered":"https:\/\/cloudlab.urv.cat\/catedracloud\/?p=1538"},"modified":"2025-11-11T08:31:09","modified_gmt":"2025-11-11T08:31:09","slug":"como-estructurar-tu-data-lakehouse-con-la-arquitectura-medallion","status":"publish","type":"post","link":"https:\/\/cloudlab.urv.cat\/catedracloud\/2025\/11\/11\/como-estructurar-tu-data-lakehouse-con-la-arquitectura-medallion\/","title":{"rendered":"C\u00f3mo Estructurar tu Data Lakehouse con la Arquitectura Medallion"},"content":{"rendered":"\n<p>En el mundo digital de hoy, los datos no son solo un activo; son una ola gigantesca. Las organizaciones est\u00e1n recopilando informaci\u00f3n a una escala y velocidad sin precedentes, a partir de cada clic, transacci\u00f3n y sensor. La promesa es clara: aprovechar estos datos para tomar decisiones m\u00e1s inteligentes, personalizar las experiencias de los clientes e innovar m\u00e1s r\u00e1pido que nunca. Para cumplir con esta promesa, hemos ido m\u00e1s all\u00e1 de los almacenes de datos tradicionales hacia sistemas m\u00e1s flexibles y potentes, como el <em>data lake<\/em> moderno y el <em>data lakehouse<\/em>.<\/p>\n\n\n\n<p>Pero este para\u00edso crudo y sin filtrar r\u00e1pidamente degener\u00f3 en lo que muchos llaman \u201cpantanos de datos\u201d: vastos y turbios repositorios donde encontrar datos confiables y de alta calidad se convirti\u00f3 en un desaf\u00edo monumental. \u00bfC\u00f3mo garantizar la calidad de los datos? \u00bfC\u00f3mo gestionar el rendimiento y los costos cuando todo se almacena en su forma bruta y abultada? \u00bfC\u00f3mo ofrecer a los usuarios de negocio datos confiables y listos para usar sin ahogarlos en complejidad?<\/p>\n\n\n\n<p>Aqu\u00ed entra en juego la <strong>Arquitectura Medallion<\/strong>. M\u00e1s que una tecnolog\u00eda, es un patr\u00f3n de dise\u00f1o robusto: una forma de pensar sobre c\u00f3mo organizar y gestionar los datos en tu <em>lakehouse<\/em>. Al estructurar los datos en capas l\u00f3gicas e incrementales \u2014Bronce, Plata y Oro\u2014 proporciona un camino claro desde la ingesta bruta hasta las perspectivas listas para el negocio. Es el plano para transformar un pantano de datos ca\u00f3tico en una finca de datos pr\u00edstina, confiable y altamente valiosa.<\/p>\n\n\n\n<p>En esta entrada de blog, profundizaremos en la Arquitectura Medallion. Exploraremos el contexto del <em>stack<\/em> de datos moderno, descubriremos los problemas que crea de manera inherente y luego detallaremos c\u00f3mo el enfoque Medallion resuelve elegantemente estos desaf\u00edos, devolviendo orden, calidad y confianza a tus datos.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Contexto: La Arquitectura de Datos Moderna<\/h3>\n\n\n\n<p>Para entender por qu\u00e9 la Arquitectura Medallion es tan crucial, primero debemos apreciar el entorno para el cual fue dise\u00f1ada: la arquitectura de datos moderna. Durante d\u00e9cadas, el est\u00e1ndar fue el <em>data warehouse<\/em>\u2014un sistema r\u00edgido pero confiable, construido para datos estructurados e internos de negocio. Sin embargo, la explosi\u00f3n digital trajo consigo nuevos desaf\u00edos, resumidos de manera c\u00e9lebre en las tres V: Volumen, Velocidad y Variedad. Para afrontarlos, surgi\u00f3 un nuevo paradigma: el <em>Data Lakehouse<\/em>. Pi\u00e9nsalo como lo mejor de ambos mundos. Combina el almacenamiento flexible y de bajo costo de un <em>data lake<\/em> (capaz de manejar cualquier tipo de dato) con las potentes funciones de gesti\u00f3n y transacci\u00f3n de un <em>data warehouse<\/em> (como transacciones ACID, aplicaci\u00f3n de esquemas y <em>time travel<\/em>). Esta es la base del <em>stack<\/em> de datos moderno. Ya hemos visto en un <a href=\"https:\/\/cloudlab.urv.cat\/catedracloud\/2025\/05\/06\/de-los-warehouse-a-los-lakehouse-el-futuro-de-la-arquitectura-de-datos\/\">blog anterior<\/a> los beneficios que ofrece un <em>lakehouse<\/em>.<\/p>\n\n\n\n<p>Para hacerlo m\u00e1s concreto, imaginemos una empresa de comercio electr\u00f3nico llamada <strong>GadgetGalaxy<\/strong>. Venden los \u00faltimos dispositivos electr\u00f3nicos en l\u00ednea y est\u00e1n luchando por dar sentido a sus datos.<\/p>\n\n\n\n<p>Su arquitectura de datos moderna se ve as\u00ed:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Fuentes de Datos:<\/strong>\n<ul class=\"wp-block-list\">\n<li>Una base de datos PostgreSQL que rastrea pedidos de clientes, productos e inventario.<\/li>\n\n\n\n<li>Registros del servidor web que capturan cada clic, vista de p\u00e1gina y art\u00edculo a\u00f1adido al carrito (<em>clickstream data<\/em>).<\/li>\n\n\n\n<li>Una API de Google Ads que proporciona datos de rendimiento de campa\u00f1as de marketing.<\/li>\n<\/ul>\n<\/li>\n\n\n\n<li><strong>Ingesta de Datos:<\/strong> GadgetGalaxy utiliza una herramienta como Fivetran para extraer continuamente datos de estas fuentes y cargarlos directamente en su repositorio central.<\/li>\n\n\n\n<li><strong>Almacenamiento y Procesamiento de Datos:<\/strong> Usan un <em>lakehouse<\/em> de Databricks construido sobre Amazon S3. Todos los datos en bruto de sus fuentes llegan aqu\u00ed en su formato original. Planean usar Spark y SQL para transformar estos datos con fines de an\u00e1lisis. Este enfoque \u201cELT\u201d (<em>Extract, Load, Transform<\/em>) es central en el <em>stack<\/em> moderno.<\/li>\n\n\n\n<li><strong>Consumo de Datos:<\/strong> Su objetivo es capacitar a:\n<ul class=\"wp-block-list\">\n<li>Analistas de datos para crear paneles en una herramienta de BI como Tableau.<\/li>\n\n\n\n<li>Cient\u00edficos de datos para construir modelos de <em>machine learning<\/em> que recomienden productos.<\/li>\n\n\n\n<li>L\u00edderes de negocio para obtener respuestas confiables a sus preguntas.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n\n\n\n<p>En apariencia, esta arquitectura es un gran \u00e9xito. GadgetGalaxy ahora puede almacenar todos sus datos en un solo lugar, sin importar la fuente. Pero esta nueva libertad y flexibilidad trae consigo un costo oculto. Los datos en bruto y sin procesar en su <em>lakehouse<\/em> son ca\u00f3ticos, inconsistentes y no est\u00e1n listos para un usuario de negocio. Este es el \u201cpantano de datos\u201d que mencionamos, y es donde comienzan los problemas de GadgetGalaxy.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">La Realidad Indisciplinada: Problemas en la Arquitectura de Datos Moderna<\/h3>\n\n\n\n<p>La arquitectura de datos moderna, con su enfoque de <em>lakehouse<\/em> y ELT, le da a GadgetGalaxy la incre\u00edble capacidad de almacenar cualquier cosa. Pero esta libertad es un arma de doble filo. Sin un marco disciplinado para gestionar esos datos, su <em>lakehouse<\/em> pr\u00edstino r\u00e1pidamente degenera en el temido \u201cpantano de datos\u201d. La zona de datos en bruto se convierte en un vertedero ca\u00f3tico, creando una serie de problemas para todos los que necesitan usarla.<\/p>\n\n\n\n<p>Veamos estos problemas a trav\u00e9s de los ojos del equipo de GadgetGalaxy.<\/p>\n\n\n\n<ol start=\"1\" class=\"wp-block-list\">\n<li><strong>Mala Calidad de Datos e Inconsistencia<\/strong> Los datos en bruto son inherentemente desordenados. Provienen de diferentes sistemas, con distintas reglas, formatos y niveles de calidad. Sin un proceso central para limpiarlos y estandarizarlos, reina el caos.<\/li>\n<\/ol>\n\n\n\n<p><em>En GadgetGalaxy: Los registros del servidor web guardan un user_id como cadena (ejemplo: &#8220;a1b2-c3d4-e5f6&#8221;), mientras que la base de datos PostgreSQL almacena customer_id como entero (ejemplo: 12345). Los registros web usan una marca de tiempo en UTC, pero los datos de pedidos usan order_date en la zona horaria local de la empresa (PST). Un analista que intente vincular el recorrido de un usuario en el sitio web con su compra real primero debe resolver c\u00f3mo unir estas claves conflictivas y reconciliar las zonas horarias. Esto es tedioso y propenso a errores.<\/em><\/p>\n\n\n\n<ol start=\"2\" class=\"wp-block-list\">\n<li><strong>Rendimiento Deficiente y Costos Elevados<\/strong> Consultar datos en bruto y no estructurados es incre\u00edblemente ineficiente. Cada vez que un analista o cient\u00edfico de datos ejecuta una consulta, el sistema debe escanear archivos masivos completos (como terabytes de registros JSON) para encontrar la informaci\u00f3n relevante.<\/li>\n<\/ol>\n\n\n\n<p><em>En GadgetGalaxy: Una analista de marketing quiere saber qu\u00e9 campa\u00f1as publicitarias generan m\u00e1s ingresos. Su consulta necesita unir los enormes archivos JSON de Google Ads con los igualmente masivos registros del servidor web y la tabla de pedidos de PostgreSQL. Debido a que los datos est\u00e1n en su forma bruta, esta \u00fanica consulta tarda horas en ejecutarse y consume una gran cantidad de costoso poder de c\u00f3mputo en su entorno de Databricks. Ejecutar este tipo de an\u00e1lisis diariamente simplemente no es viable.<\/em><\/p>\n\n\n\n<ol start=\"3\" class=\"wp-block-list\">\n<li><strong>Alta Complejidad y Baja Accesibilidad<\/strong> Las personas que m\u00e1s necesitan informaci\u00f3n\u2014l\u00edderes de negocio, responsables de marketing, gestores de producto\u2014no son ingenieros de datos. No se les puede exigir que escriban complejos trabajos en Spark o consultas SQL de varias p\u00e1ginas que analicen JSON, manejen estructuras anidadas y unan fuentes dispares.<\/li>\n<\/ol>\n\n\n\n<p><em>En GadgetGalaxy: La Directora de Marketing quiere un panel sencillo que muestre \u201cNuevos Clientes Diarios por Canal de Adquisici\u00f3n\u201d. Para obtener este n\u00famero, un ingeniero de datos tendr\u00eda que escribir una transformaci\u00f3n altamente compleja. La l\u00edder de marketing depende completamente del equipo de ingenier\u00eda, creando un cuello de botella y retrasando su capacidad de tomar decisiones r\u00e1pidas basadas en datos. Los datos est\u00e1n t\u00e9cnicamente \u201cdisponibles\u201d, pero no son accesibles.<\/em><\/p>\n\n\n\n<ol start=\"4\" class=\"wp-block-list\">\n<li><strong>Falta de Gobernanza y Confianza<\/strong> Cuando todos trabajan directamente con los datos en bruto, no existen reglas. \u00bfQui\u00e9n es responsable de la calidad de los datos de marketing? \u00bfCu\u00e1l es la definici\u00f3n oficial de \u201cusuario activo\u201d? Cuando el sistema fuente cambia, \u00bfqui\u00e9n es responsable de actualizar los informes posteriores?<\/li>\n<\/ol>\n\n\n\n<p><em>En GadgetGalaxy: Un cient\u00edfico de datos construye un modelo de recomendaci\u00f3n de productos usando los datos en bruto del clickstream. Un mes despu\u00e9s, el equipo web a\u00f1ade un nuevo campo a los archivos de registro, cambiando ligeramente la estructura. El modelo del cient\u00edfico comienza a producir malas recomendaciones y falla silenciosamente. No hay un propietario claro de los datos, ni pruebas automatizadas, ni una forma sencilla de rastrear el problema hasta su origen. La confianza en los datos\u2014y en los modelos construidos sobre ellos\u2014se desploma.<\/em><\/p>\n\n\n\n<p>Estos problemas crean un ciclo de frustraci\u00f3n. Los datos son abundantes, pero poco confiables, caros de usar e inaccesibles para quienes m\u00e1s los necesitan. GadgetGalaxy es rico en datos pero pobre en informaci\u00f3n. Necesitan una manera de poner orden en este caos, un enfoque sistem\u00e1tico para refinar progresivamente sus datos en bruto hasta convertirlos en activos confiables y listos para el negocio. Esto es precisamente donde entra la <strong>Arquitectura Medallion<\/strong>.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">La Arquitectura Medallion: Un Camino Estructurado del Caos a la Claridad<\/h3>\n\n\n\n<p>La Arquitectura Medallion no es una herramienta ni un producto espec\u00edfico; es un patr\u00f3n de dise\u00f1o para organizar l\u00f3gicamente los datos en un <em>lakehouse<\/em>. Proporciona un marco para refinar progresivamente los datos a medida que fluyen por tu sistema, garantizando que se vuelvan m\u00e1s limpios, confiables y eficientes en cada etapa.<\/p>\n\n\n\n<p>Lo logra estructurando los datos en tres capas distintas y jer\u00e1rquicas: <strong>Bronce<\/strong>, <strong>Plata<\/strong> y <strong>Oro<\/strong>. Pi\u00e9nsalo como una medalla ol\u00edmpica: cada nivel representa un est\u00e1ndar m\u00e1s alto de calidad y valor. Veamos c\u00f3mo GadgetGalaxy implementa esta arquitectura para resolver sus problemas.<\/p>\n\n\n\n<h4 class=\"wp-block-heading\"><strong>La Capa Bronce: La Zona de Aterrizaje Cruda e Inmutable<\/strong><\/h4>\n\n\n\n<p>El viaje comienza en la capa Bronce, la base de la arquitectura. Aqu\u00ed es donde todos los datos llegan en su formato original y sin procesar, en el momento en que se extraen de los sistemas fuente. Su prop\u00f3sito principal es crear un archivo completo, inmutable y con capacidad de <em>time travel<\/em> de todos los datos fuente, sirviendo como la \u201cfuente \u00fanica de verdad\u201d para la informaci\u00f3n en bruto.<\/p>\n\n\n\n<p>En GadgetGalaxy, esto significa que su tabla <code>bronze.web_logs<\/code> contiene los archivos JSON comprimidos en <em>gzip<\/em> provenientes de sus servidores web, exactamente como fueron generados. Su tabla <code>bronze.postgres_orders<\/code> guarda instant\u00e1neas en CSV de la base de datos de pedidos. Estos datos nunca se modifican ni actualizan; simplemente se a\u00f1aden nuevos registros. Al mantener esta capa cruda e intacta, GadgetGalaxy resuelve inmediatamente un problema cr\u00edtico de gobernanza. Si alg\u00fan informe posterior falla, siempre pueden rastrear y \u201cviajar en el tiempo\u201d al estado exacto de los datos en bruto cuando fueron ingeridos por primera vez, garantizando una auditor\u00eda completa.<\/p>\n\n\n\n<h4 class=\"wp-block-heading\"><strong>La Capa Plata: La Fuente \u00danica de Verdad Refinada<\/strong><\/h4>\n\n\n\n<p>Aqu\u00ed es donde ocurre el trabajo de transformaci\u00f3n m\u00e1s cr\u00edtico. Los datos de la capa Bronce se extraen, limpian, validan, se eliminan duplicados y se conforman en un formato bien estructurado y optimizado para consultas. La capa Plata representa la verdadera fuente \u00fanica de verdad de la organizaci\u00f3n para an\u00e1lisis confiables.<\/p>\n\n\n\n<p>La transformaci\u00f3n es meticulosa. Los tipos de datos se estandarizan\u2014por ejemplo, todos los IDs de usuario y cliente se convierten a un formato de cadena consistente. Las marcas de tiempo de diferentes fuentes, como los registros web y la base de datos de pedidos, se unifican en una sola zona horaria (UTC). Los distintos conjuntos de datos se combinan para crear vistas completas y unificadas. En GadgetGalaxy, esto da lugar a tablas como <code>silver.customers<\/code>, que une y elimina duplicados de la informaci\u00f3n de clientes tanto de Postgres como de los registros web en un \u00fanico registro limpio. Otra tabla, <code>silver.sessions<\/code>, toma los registros JSON en bruto y los estructura en una tabla adecuada, facilitando el an\u00e1lisis del comportamiento de los usuarios. Para garantizar el rendimiento, estos datos se almacenan en formatos columnares eficientes como Parquet y se particionan por fecha.<\/p>\n\n\n\n<p>Este enfoque aborda directamente los principales dolores de cabeza de GadgetGalaxy. Resuelve la <strong>calidad de datos y la inconsistencia<\/strong> al centralizar toda la l\u00f3gica de limpieza. Mejora dr\u00e1sticamente el <strong>rendimiento y reduce costos<\/strong>, ya que consultas que tardaban horas en los datos Bronce ahora tardan minutos o segundos en los datos optimizados de Plata. Finalmente, reduce la <strong>complejidad<\/strong>, permitiendo que los analistas trabajen con tablas limpias y bien definidas en lugar de tener que analizar JSON en bruto.<\/p>\n\n\n\n<h4 class=\"wp-block-heading\"><strong>La Capa Oro: La Vista Agregada y Lista para el Negocio<\/strong><\/h4>\n\n\n\n<p>La capa Oro es el acabado final, donde los datos se transforman en conjuntos altamente agregados y espec\u00edficos para el negocio. Estas tablas est\u00e1n dise\u00f1adas para responder directamente a las preguntas de l\u00edderes de negocio, analistas y cient\u00edficos de datos. Aqu\u00ed los datos se presentan en terminolog\u00eda empresarial, no en jerga t\u00e9cnica.<\/p>\n\n\n\n<p>Para GadgetGalaxy, esto significa crear tablas como <code>gold.marketing_daily_performance<\/code>, que est\u00e1 pre-agregada para mostrar gasto diario, clics e ingresos atribuidos por campa\u00f1a de marketing. Otra tabla, <code>gold.product_recommendations<\/code>, es un conjunto de datos curado espec\u00edficamente para entrenar su motor de recomendaciones de <em>machine learning<\/em>. Estos son los conjuntos de datos \u201coficiales\u201d en los que el negocio puede confiar plenamente.<\/p>\n\n\n\n<p>Al crear esta capa final, GadgetGalaxy resuelve completamente los problemas de <strong>accesibilidad y confianza<\/strong>. La Directora de Marketing ya no necesita escribir consultas complejas ni esperar a un ingeniero. Puede conectar su panel de Tableau directamente a la tabla <code>gold.marketing_daily_performance<\/code> y obtener respuestas al instante. Esto empodera a los usuarios de negocio, elimina el cuello de botella de ingenier\u00eda y proporciona un punto final claro y gobernado para el consumo de datos.<\/p>\n\n\n\n<p>Al estructurar su patrimonio de datos en estas tres capas, GadgetGalaxy ha transformado su pantano de datos en una f\u00e1brica de datos bien organizada y altamente valiosa. Cada capa tiene un prop\u00f3sito claro, lo que hace que todo el sistema sea m\u00e1s manejable, confiable y rentable.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Conclusiones: Del Pantano de Datos al Activo Estrat\u00e9gico<\/h3>\n\n\n\n<p>Nuestro recorrido con GadgetGalaxy ilustra una historia com\u00fan en el mundo de los datos. La arquitectura de datos moderna, con sus principios de <em>lakehouse<\/em> y ELT, desbloque\u00f3 un potencial sin precedentes para almacenar enormes cantidades de informaci\u00f3n. Pero sin un marco para gestionarla, ese potencial a menudo se convirti\u00f3 en un ca\u00f3tico y costoso \u201cpantano de datos\u201d, dejando a las organizaciones ricas en datos pero pobres en informaci\u00f3n.<\/p>\n\n\n\n<p>La Arquitectura Medallion surgi\u00f3 como el plano esencial para domar este caos. Al imponer una estructura simple pero poderosa de tres niveles\u2014Bronce, Plata y Oro\u2014proporciona un proceso claro y repetible para convertir datos en bruto y poco confiables en perspectivas refinadas y listas para el negocio. Resuelve sistem\u00e1ticamente los desaf\u00edos centrales de calidad, rendimiento y accesibilidad. La capa Bronce asegura los datos en bruto, la capa Plata establece una fuente \u00fanica de verdad confiable y la capa Oro entrega inteligencia accionable directamente a las personas que la necesitan.<\/p>\n\n\n\n<p>Pero los beneficios de la Arquitectura Medallion van mucho m\u00e1s all\u00e1 de simplemente organizar tablas. Fomenta una cultura de confianza y responsabilidad sobre los datos. Cuando los usuarios de negocio pueden confiar en las tablas de oro, se vuelven m\u00e1s autosuficientes y orientados a los datos. Cuando los ingenieros de datos tienen un marco claro, pueden construir canalizaciones m\u00e1s s\u00f3lidas y mantenibles. Y cuando toda la organizaci\u00f3n comparte una comprensi\u00f3n com\u00fan de c\u00f3mo los datos fluyen y se transforman, se crea una base s\u00f3lida para las aplicaciones m\u00e1s avanzadas, desde recomendaciones impulsadas por IA hasta anal\u00edtica predictiva en tiempo real.<\/p>\n\n\n\n<p>En \u00faltima instancia, la Arquitectura Medallion es m\u00e1s que un patr\u00f3n t\u00e9cnico de dise\u00f1o; es un enfoque estrat\u00e9gico para la gesti\u00f3n de datos. Es la clave para transformar tu <em>data lakehouse<\/em> de un simple repositorio de almacenamiento en un motor din\u00e1mico, escalable e invaluable para el crecimiento empresarial. Es el camino para garantizar que tus datos no sean solo una ola gigantesca que debes sobrevivir, sino una corriente que puedes aprovechar para alcanzar el \u00e9xito.<\/p>\n\n\n\n<p><\/p>\n","protected":false},"excerpt":{"rendered":"<p>En el mundo digital de hoy, los datos no son solo un activo; son una ola gigantesca. Las organizaciones est\u00e1n recopilando informaci\u00f3n a una escala y velocidad sin precedentes, a partir de cada clic, transacci\u00f3n y sensor. La promesa es clara: aprovechar estos datos para tomar decisiones m\u00e1s inteligentes, personalizar las experiencias de los clientes [&hellip;]<\/p>\n","protected":false},"author":6,"featured_media":1541,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_uag_custom_page_level_css":"","_swt_meta_header_display":false,"_swt_meta_footer_display":false,"_swt_meta_site_title_display":false,"_swt_meta_sticky_header":false,"_swt_meta_transparent_header":false,"footnotes":""},"categories":[41,113,1],"tags":[],"class_list":["post-1538","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-big-data","category-cloud-computing","category-uncategorized"],"jetpack_featured_media_url":"https:\/\/cloudlab.urv.cat\/catedracloud\/wp-content\/uploads\/2025\/11\/ChatGPT-Image-Nov-11-2025-09_29_59-AM-min.png","uagb_featured_image_src":{"full":["https:\/\/cloudlab.urv.cat\/catedracloud\/wp-content\/uploads\/2025\/11\/ChatGPT-Image-Nov-11-2025-09_29_59-AM-min.png",1536,1024,false],"thumbnail":["https:\/\/cloudlab.urv.cat\/catedracloud\/wp-content\/uploads\/2025\/11\/ChatGPT-Image-Nov-11-2025-09_29_59-AM-min-150x150.png",150,150,true],"medium":["https:\/\/cloudlab.urv.cat\/catedracloud\/wp-content\/uploads\/2025\/11\/ChatGPT-Image-Nov-11-2025-09_29_59-AM-min-300x200.png",300,200,true],"medium_large":["https:\/\/cloudlab.urv.cat\/catedracloud\/wp-content\/uploads\/2025\/11\/ChatGPT-Image-Nov-11-2025-09_29_59-AM-min-768x512.png",768,512,true],"large":["https:\/\/cloudlab.urv.cat\/catedracloud\/wp-content\/uploads\/2025\/11\/ChatGPT-Image-Nov-11-2025-09_29_59-AM-min-1024x683.png",1024,683,true],"1536x1536":["https:\/\/cloudlab.urv.cat\/catedracloud\/wp-content\/uploads\/2025\/11\/ChatGPT-Image-Nov-11-2025-09_29_59-AM-min.png",1536,1024,false],"2048x2048":["https:\/\/cloudlab.urv.cat\/catedracloud\/wp-content\/uploads\/2025\/11\/ChatGPT-Image-Nov-11-2025-09_29_59-AM-min.png",1536,1024,false]},"uagb_author_info":{"display_name":"Aitor Arjona","author_link":"https:\/\/cloudlab.urv.cat\/catedracloud\/author\/aitor\/"},"uagb_comment_info":6,"uagb_excerpt":"En el mundo digital de hoy, los datos no son solo un activo; son una ola gigantesca. Las organizaciones est\u00e1n recopilando informaci\u00f3n a una escala y velocidad sin precedentes, a partir de cada clic, transacci\u00f3n y sensor. La promesa es clara: aprovechar estos datos para tomar decisiones m\u00e1s inteligentes, personalizar las experiencias de los clientes&hellip;","_links":{"self":[{"href":"https:\/\/cloudlab.urv.cat\/catedracloud\/wp-json\/wp\/v2\/posts\/1538","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/cloudlab.urv.cat\/catedracloud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/cloudlab.urv.cat\/catedracloud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/cloudlab.urv.cat\/catedracloud\/wp-json\/wp\/v2\/users\/6"}],"replies":[{"embeddable":true,"href":"https:\/\/cloudlab.urv.cat\/catedracloud\/wp-json\/wp\/v2\/comments?post=1538"}],"version-history":[{"count":1,"href":"https:\/\/cloudlab.urv.cat\/catedracloud\/wp-json\/wp\/v2\/posts\/1538\/revisions"}],"predecessor-version":[{"id":1539,"href":"https:\/\/cloudlab.urv.cat\/catedracloud\/wp-json\/wp\/v2\/posts\/1538\/revisions\/1539"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/cloudlab.urv.cat\/catedracloud\/wp-json\/wp\/v2\/media\/1541"}],"wp:attachment":[{"href":"https:\/\/cloudlab.urv.cat\/catedracloud\/wp-json\/wp\/v2\/media?parent=1538"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/cloudlab.urv.cat\/catedracloud\/wp-json\/wp\/v2\/categories?post=1538"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/cloudlab.urv.cat\/catedracloud\/wp-json\/wp\/v2\/tags?post=1538"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}