ETL vs ELT en 2026: Arquitectura de Pipelines de Datos y Preguntas de Entrevista
Análisis profundo de las arquitecturas ETL y ELT, comparación de patrones de pipelines de datos y preguntas de entrevista para ingenieros de datos en 2026.
Data Engineering
DATA
Programa completo de Data Engineering que cubre toda la cadena de producción de datos. Desde la configuración de entornos con Docker y GCP hasta la orquestación de pipelines con Airflow y dbt, pasando por la creación de Data Warehouses con BigQuery y PostgreSQL. Aprende a manejar streaming de datos con PySpark, Pub/Sub y Apache Beam, y a desplegar en producción con Kubernetes y Terraform. Domina las mejores prácticas de CI/CD, monitoreo y arquitecturas de datos modernas.
Lo que aprenderás
Entornos de desarrollo: Linux, Git, GitHub, VS Code, Python avanzado
CI/CD y calidad de código: Ruff, Pylint, Poetry, GitHub Actions
Contenedorización con Docker y Docker Compose
APIs con FastAPI: diseño, despliegue, documentación
Data Lake: ingestión, almacenamiento, organización de datos crudos
Data Warehouse con BigQuery: esquemas, particionamiento, optimización
PostgreSQL: configuración, administración, comparación con soluciones administradas
Ingestión de datos con Fivetran y Airbyte
Transformación con dbt: models, tests, documentación, modularidad
Orquestación con Apache Airflow: DAGs, scheduling, monitoreo
Big Data con PySpark: transformaciones a gran escala
Streaming de datos: Google Pub/Sub, Apache Beam, Dataflow
Kubernetes: despliegue de contenedores, scaling, clusters de producción
Infrastructure as Code con Terraform
Bases de datos avanzadas: GraphDB, Document DBs, Wide Column DBs
Logging, monitoreo y observabilidad de pipelines
Temas clave a dominar
Los conceptos más importantes para entender esta tecnología y aprobar tus entrevistas
1
Linux y Shell: comandos esenciales, scripting bash, permisos, cron jobs
2
Git y GitHub: branching, merge, rebase, pull requests, CI/CD workflows
3
Python avanzado: POO, decoradores, generadores, context managers, typing, async/await
4
CI/CD: linting (Ruff, Pylint), packaging (Poetry), tests, GitHub Actions, pipelines
5
Docker: Dockerfile, imágenes, contenedores, volumes, networks, multi-stage builds
6
Docker Compose: servicios multi-contenedor, dependencias, healthchecks, orquestación local
7
FastAPI: rutas, modelos Pydantic, dependencias, middleware, despliegue
8
SQL avanzado: window functions, CTEs, consultas analíticas, optimización, indexación
9
BigQuery: arquitectura serverless, particionamiento, clustering, costos, UDFs, federated queries
10
PostgreSQL: configuración, replicación, indexación (B-tree, GIN, GiST), VACUUM, EXPLAIN ANALYZE
11
Data Modeling: esquema en estrella, tablas de hechos/dimensiones, normalización, SCD, data vault
12
ELT vs ETL vs ETLT: patrones, trade-offs, decisiones de arquitectura
13
Fivetran y Airbyte: conectores, modos de sincronización, CDC, evolución de esquema
14
dbt: models, sources, refs, tests, snapshots, incremental models, Jinja macros
15
Apache Airflow: DAGs, operators, sensors, XCom, connections, pools, dependencias de tareas
16
PySpark: RDD vs DataFrame, transformaciones, acciones, partitioning, broadcast variables
17
Streaming: Pub/Sub (topics, subscriptions), Apache Beam (PCollections, transforms, windowing), Dataflow
18
Kubernetes: pods, deployments, services, ingress, ConfigMaps, Secrets, Helm, scaling
19
Terraform: providers, resources, state, modules, plan/apply, infrastructure as code
20
IAM y seguridad: principios de privilegio mínimo, service accounts, roles de GCP
21
Bases de datos NoSQL: GraphDB (Neo4j), Document DBs (MongoDB, Firestore), Wide Column (Cassandra, Bigtable)
22
Arquitectura de datos: Data Lake vs Data Warehouse vs Data Lakehouse, Data Mesh, Data Contracts
23
Monitoreo y observabilidad: logging, métricas, alertas, SLA/SLO/SLI, data quality checks
El reto de Data Engineering de hoy
Un fragmento al día. Encuentra el bug, o demuestra que no hay ninguno.
1150 ofertas de Data Engineering en línea
Puestos fijos y freelance, con país, remoto y salario cuando se publica. Actualizadas cada día, reservadas a los suscriptores.
Artículos recientes de Data Engineering
Descubre nuestros últimos artículos y guías sobre Data Engineering
Great Expectations en 2026: Validación de Calidad de Datos y Preguntas de Entrevista
Guía completa de Great Expectations 1.22 para validación de calidad de datos. Expectations, Checkpoints, integración con Airflow y preguntas de entrevista de data engineering.
Apache Beam vs Spark en 2026: Pipelines Unificados y Preguntas de Entrevista
Comparación detallada entre Apache Beam y Spark para pipelines de datos en 2026. Portabilidad, windowing, rendimiento y preguntas técnicas de entrevista.