Acerca del linaje de datos

El linaje de datos es un mapa visual que rastrea todo el ciclo de vida de tus datos. Te muestra de dónde provienen tus datos (el origen), a dónde viajan (los destinos) y todos los cambios o transformaciones que se producen en el camino.

Puedes ver este mapa completo del recorrido de tus datos directamente en la consola deGoogle Cloud para los recursos creados en productos como Knowledge Catalog (anteriormente, Dataplex Universal Catalog), BigQuery (incluidas las tablas externas creadas para Iceberg REST Catalog) y Vertex AI. Los usuarios avanzados también pueden recuperar esta información con la API de Data Lineage.

Por qué necesitas el linaje de datos

Las empresas modernas mueven y cambian grandes cantidades de datos constantemente. Por ejemplo, transformar las compras sin procesar de los clientes en informes, paneles y modelos de aprendizaje automático Esta complejidad genera desafíos críticos para tu equipo:

  • Confianza y verificación: A menudo, los usuarios de datos tienen dificultades para confirmar que los informes y las cifras que ven son precisos y provienen de una fuente confiable.

  • Solución de problemas: Cuando aparece un error en un informe final, los equipos de datos pueden tener dificultades y tardar mucho tiempo en rastrear el problema en cada paso hasta su causa raíz.

  • Administración de cambios: Antes de cambiar o borrar un fragmento de datos (como una columna en una tabla), los equipos deben conocer cada informe o modelo descendente que dependa de él para evitar interrumpir sistemas críticos.

  • Cumplimiento: Los líderes deben tener visibilidad sobre cómo se usan los datos sensibles (como la información financiera o de los clientes) en toda la organización para cumplir con los requisitos reglamentarios.

El linaje de datos resuelve estos problemas, ya que proporciona un recorrido claro, visual y documentado de tus datos. Esto te permite comprender rápidamente las fuentes de datos, rastrear errores, evaluar el impacto de los cambios y mantener el cumplimiento.

Flujo de trabajo del linaje de datos

El flujo de trabajo del linaje de datos incluye los siguientes pasos:

  1. Fuentes de datos y transferencia: La información del linaje de tus fuentes de datos inicia todo el proceso. Para obtener más información, consulta Fuentes de linaje.

    • Google Cloud servicios: Cuando la API de Data Lineage está habilitada, los servicios compatibles, como BigQuery y Dataflow, informan automáticamente los eventos de linaje cada vez que se mueven o transforman los datos.

    • Fuentes personalizadas: Para cualquier sistema que no sea compatible automáticamente con las integraciones deGoogle Cloud , puedes usar la API de Data Lineage para registrar manualmente la información de linaje. Te recomendamos que importes eventos con el formato del estándar de OpenLineage.

  2. Plataforma de linaje: Esta plataforma central ingiere, modela y almacena todos los datos de linaje. Para obtener más información, consulta Modelo y granularidad de la información del linaje.

    • API de Data Lineage: Esta API actúa como el único punto de entrada para toda la información de linaje entrante. Utiliza un modelo de datos jerárquico que consta de tres conceptos principales: proceso, ejecución y evento.

    • Procesamiento y almacenamiento: La plataforma procesa los datos entrantes y los almacena en bases de datos confiables y optimizadas para consultas.

  3. Experiencia del usuario: Puedes interactuar con la información del linaje almacenada de dos maneras principales:

    • Exploración visual: En la consola de Google Cloud , un servicio de frontend recupera y renderiza los datos de linaje como un gráfico o una lista interactivos. Esto se admite para Knowledge Catalog, BigQuery, lakehouse (para tablas del catálogo de REST de Iceberg), capa física (Cloud Storage) y Vertex AI (para modelos, conjuntos de datos, a través de canalizaciones; y vistas del almacén de atributos y grupos de atributos). Esto es ideal para explorar visualmente el recorrido de tus datos. Para obtener más información, consulta Vistas de linaje en la consola de Google Cloud .

    • Acceso programático: Con un cliente de API, puedes comunicarte directamente con la API de Data Lineage para automatizar la administración del linaje. Esto te permite escribir información del linaje desde fuentes personalizadas. También te permite leer y consultar los datos de linaje almacenados para usarlos en otras aplicaciones o para generar informes personalizados.

Fuentes de linaje

Puedes propagar la información del linaje en Knowledge Catalog de las siguientes maneras:

  • Automáticamente desde servicios Google Cloud integrados
  • Manualmente, con la API de Data Lineage para fuentes personalizadas
  • Importando eventos desde OpenLineage

BigQuery

Cuando habilitas el linaje de datos en tu proyecto de BigQuery, Knowledge Catalog registra automáticamente la información del linaje para lo siguiente:

Los trabajos de copia, consulta y carga de BigQuery se representan como procesos.

Para ver los detalles del proceso, haz clic en el ícono de Detalles del proceso Ícono de detalles del proceso en el gráfico de linaje.

Cada proceso contiene el job_id de BigQuery en la lista de atributos para el trabajo de BigQuery más reciente.

Otros servicios

El linaje de datos admite la integración con los siguientesGoogle Cloud servicios:

Linaje de datos para fuentes de datos personalizadas

Puedes usar la API de Data Lineage para registrar manualmente la información de linaje de cualquier fuente de datos que no admitan los sistemas integrados.

Knowledge Catalog puede crear gráficos de linaje para el linaje registrado manualmente si usas un fullyQualifiedName que coincida con los nombres completamente calificados de las entradas existentes de Knowledge Catalog. Si deseas registrar el linaje de una fuente de datos personalizada, primero debes crear una entrada personalizada.

Cada proceso de una fuente de datos personalizada puede contener una clave sql en la lista de atributos. El valor de esta clave se usa para renderizar un resaltado de código en el panel de detalles del gráfico de linaje de datos. La instrucción de SQL se muestra tal como se proporcionó. Tu objetivo es filtrar la información sensible. El nombre de la clave sql distingue mayúsculas de minúsculas.

OpenLineage

Si ya usas OpenLineage para recopilar información de linaje de otras fuentes de datos, puedes importar eventos de OpenLineage a Knowledge Catalog y verlos en la consola de Google Cloud . Para obtener más información, consulta Integración con OpenLineage.

Seguimiento automatizado del linaje de datos

Cuando habilitas la API de Data Lineage,los Google Cloud sistemas que admiten el linaje de datos comienzan a informar sobre el movimiento de sus datos. Cada sistema integrado puede enviar información del linaje para un rango diferente de fuentes de datos.

Controla la transferencia del linaje

Puedes controlar qué servicios generan datos de linaje habilitando o inhabilitando la transferencia de linaje para integraciones específicas. Google Cloud Puedes controlar la transferencia de metadatos de linaje a nivel de la organización, la carpeta y el proyecto. Durante la versión preliminar, esta función admite la configuración de la transferencia de metadatos de linaje solo para Managed Service para Apache Spark. Si inhabilitas la transferencia de metadatos de linaje para Managed Service para Apache Spark, también se inhabilitará para Managed Service para Apache Spark.

Knowledge Catalog evalúa la jerarquía de recursos (primero el proyecto, luego las carpetas y, por último, la organización) para determinar la configuración vigente. La primera configuración establecida de forma explícita en cualquier nivel de este recorrido ascendente entra en vigencia.

  • Si estableces una configuración a nivel del proyecto, Knowledge Catalog la usará.
  • Si no se establece ninguna configuración a nivel del proyecto, Knowledge Catalog usa la configuración de la carpeta principal más cercana que tenga una configuración explícita.
  • Si no se establece ninguna configuración a nivel del proyecto o la carpeta, Knowledge Catalog usa la configuración a nivel de la organización.
  • Si no se establece ninguna configuración en ninguno de estos niveles, Knowledge Catalog usa la configuración predeterminada del sistema para la integración. La configuración predeterminada para habilitar el linaje puede ser Habilitado o Inhabilitado. En el caso de Managed Service para Apache Spark, la transferencia del linaje está habilitada de forma predeterminada cuando la API de Data Lineage está activa.

Por ejemplo, considera una organización test-org con las siguientes configuraciones de linaje de Managed Service para Apache Spark:

  • Organización test-org: Habilitada
    • Carpeta folder-a: Inhabilitada
      • Proyecto project-a: No se estableció ningún parámetro de configuración
    • Carpeta folder-b: Habilitada
      • Proyecto project-b: Inhabilitado

En esta situación, se aplican los siguientes parámetros de configuración:

  • En el caso de project-a, la transferencia de metadatos de linaje está inhabilitada. Knowledge Catalog comienza la evaluación desde project-a, no encuentra ninguna configuración, sube a folder-a y aplica la configuración Inhabilitada de folder-a.
  • En el caso de project-b, la transferencia de metadatos de linaje está inhabilitada. Knowledge Catalog comienza la evaluación desde project-b y aplica su configuración Inhabilitado, lo que anula la configuración en folder-b y test-org.

Controlar la generación de datos de linaje te ayuda a administrar los costos y las políticas de administración. Por ejemplo, puedes inhabilitar la recopilación del linaje para proyectos de desarrollo o cargas de trabajo de gran volumen que no requieren el seguimiento del linaje.

Para obtener información sobre cómo configurar y controlar la transferencia de linaje, consulta Controla la transferencia de linaje para un servicio.

Limitaciones

El linaje de datos tiene las siguientes limitaciones:

  • Toda la información de linaje se conserva en el sistema solo durante 30 días.

  • La información de linaje persiste después de que borras la fuente de datos relacionada. Por ejemplo, si borras una tabla de BigQuery, puedes ver su linaje a través de la API y la consola durante un máximo de 30 días.

  • El linaje de datos no registra automáticamente la información de linaje directo para las rutinas de BigQuery. Si se usa una rutina en una consulta, el linaje de datos registra el linaje entre las tablas que la rutina lee como dependencias de las tablas que la consulta escribe.

Limitaciones del linaje a nivel de la columna

El linaje a nivel de la columna tiene las siguientes limitaciones adicionales:

  • El linaje a nivel de la columna no se recopila para los trabajos de carga de BigQuery ni para las rutinas.

  • No se recopila el linaje ascendente a nivel de la columna para las tablas externas.

  • El linaje a nivel de la columna no se recopila si un trabajo crea más de 1,500 vínculos a nivel de la columna. En estos casos, solo se recopila el linaje a nivel de la tabla.

  • No hay una API para crear, leer, actualizar, borrar o buscar linaje a nivel de la columna.

  • La compatibilidad con las tablas particionadas es limitada, ya que las columnas de partición, como _PARTITIONDATE y _PARTITIONTIME, no se reconocen en el gráfico de linaje.

  • Limitaciones de la consola:

    • El recorrido del gráfico de linaje se limita a una profundidad de 20 niveles y 10,000 vínculos en cada dirección.

Precios

  • Knowledge Catalog usa el SKU de procesamiento premium para cobrar el linaje de datos. Para obtener más información, consulta Precios.

  • Para separar los cargos de linaje de datos de otros cargos en el SKU de procesamiento premium del Catálogo de conocimiento, en el informe de Facturación de Cloud, usa la etiqueta goog-dataplex-workload-type con el valor LINEAGE.

  • Si llamas a la API de Data Lineage Origin sourceType con un valor distinto de CUSTOM, se generan costos adicionales.

¿Qué sigue?