Implementa observabilidad de datos para una AdTech española
Visión general
De qué trata este proyecto.
Implementa monitores de observabilidad de datos para una AdTech, conecta alertas a Slack y entrega 10 monitores en producción. Obtén un certificado verificable.
El Briefing
Lo que harás y lo que demostrarás.
Implementa monitores automáticos de freshness, volume, schema y distribution sobre 10 tablas críticas con alertas en Slack y un playbook escalable.
Earning criteria — what you'll demonstrate
- Aplicar las cuatro dimensiones de calidad de datos (freshness, volume, schema, distribution)
- Configurar alertas accionables que no generen ruido
- Diseñar runbooks de incident response específicos para datos
- Comunicar trade-offs entre sensibilidad y ruido a un equipo de operaciones
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Data Engineering and Big Data Systems
Master · Ai Ml
Fit score: 1
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosIngeniero de Datos
La observabilidad de datos es ya una expectativa baseline en equipos de data engineering maduros; este reto da experiencia hands-on en las 4 dimensiones que se evalúan en entrevistas.
Este proyecto afina
- data-observability
- data-quality
- monitoring
Ingeniero de MLOps
Los MLOps engineers monitorean tanto datos como modelos; los patrones de freshness y distribution aplican casi idénticos al model drift.
Este proyecto afina
- monitoring
- data-quality
- incident-response