# Diseño y operación de 6 flujos ETL/ELT

Diseñé, implementé y administré 6 flujos ETL/ELT con Google BigQuery, MSSQL, PostgreSQL, scripts de Shell, PL/pgSQL y Transact‑SQL, integrando los datos para su procesamiento eficiente mediante una API en Python.

2022 – 2024

Situación. La organización necesitaba consolidar y procesar grandes volúmenes de datos tabulares procedentes de un almacén remoto situado detrás de una VPN IPsec. Estos datos eran esenciales para los paneles analíticos internos y las API Python externas utilizadas por clientes y socios.

Tarea. El objetivo consistía en diseñar, implementar y mantener flujos ETL/ELT sólidos y automatizados para recuperar, transformar y cargar datos en Google BigQuery de forma segura, manteniendo precisión, rendimiento y escalabilidad entre sistemas.

Acción. Se diseñaron, implementaron y administraron 6 flujos ETL/ELT completos con Google BigQuery, MSSQL, PostgreSQL, scripts de Shell, PL/pgSQL y Transact‑SQL.
* Se establecieron conexiones seguras con un servidor remoto protegido por una VPN IPsec para automatizar la recuperación de datos.
* Se programaron y ejecutaron descargas de archivos comprimidos con datos Parquet, CSV y .bak.
* Se desarrollaron scripts Bash y Python para extraer y clasificar los archivos según su tipo y esquema.
* Las copias .bak se restauraron en una instancia local MSSQL Server mediante procesos RESTORE DATABASE y se validó la integridad del esquema.
* Se cargaron datos tabulares en esquemas intermedios de MSSQL y PostgreSQL con bcp, psql y SSIS, según el formato de origen.
* Se escribieron procedimientos modulares y reutilizables PL/pgSQL y T‑SQL para limpiar, normalizar y enriquecer los datos conforme a la lógica de negocio.
* Se exportaron las tablas y conjuntos depurados a formatos intermedios, se comprimieron con gzip y se transfirieron de forma segura a un bucket Google Cloud Storage.
* Se automatizaron la carga y la correspondencia de esquemas en Google BigQuery mediante bq CLI y scripts de ingesta Python.

Resultado. Los flujos automatizados redujeron considerablemente el esfuerzo manual y el tiempo de procesamiento: de más de 3 horas de trabajo manual a menos de 20 minutos de principio a fin, mejorando además la actualidad de los datos al pasar de sincronizaciones semanales a diarias. Las API Python que consumían los datos mejoraron su rendimiento un 30 % y la mayor visibilidad permitió a los analistas de negocio proporcionar información con más rapidez a las partes interesadas. La solución sigue siendo escalable y ampliable para incorporar nuevas fuentes a medida que crece el negocio.

Función: Ingeniera de datos
=> /es/categories/databases/ Categorías: Bases de datos
=> /es/categories/postgresql/ Categorías: PostgreSQL
=> /es/categories/sql/ Categorías: SQL
=> /es/categories/data-warehousing/ Categorías: Almacenes de datos
=> /es/categories/data-engineering/ Categorías: Ingeniería de datos
=> /es/categories/data-pipelines/ Categorías: Flujos de datos (ETL/ELT)
=> /es/categories/cloud/ Categorías: Nube
=> /es/categories/automation/ Categorías: Automatización y CI/CD
=> /es/categories/networking/ Categorías: Redes y VPN
=> /es/categories/python/ Categorías: Python
=> /es/services/backend-development/ Servicios: Desarrollo de backend y API
=> /es/services/database-design/ Servicios: Diseño y modelado de bases de datos
=> /es/services/data-pipeline-development/ Servicios: Desarrollo de flujos de datos (ETL/ELT)
=> /es/services/data-warehousing/ Servicios: Diseño de almacenes de datos
=> /es/services/ai-data/ Servicios: Preparación de datos para IA

=> https://engineer.company/es/portfolio/designed-and-ran-6-etl-elt-pipelines/ Esta página en la web
