De la integración de datos a la integridad de datos: vea las próximas novedades de DataConnect

Para los que se acaban de unir, vamos a esperar un minuto o dos y luego daremos comienzo al seminario en línea de Data Connect. Muy bien. Parece que están entrando un par de personas más, así que esperaremos quizá medio minuto más y luego empezaremos. Vale, ¿por qué no nos ponemos en marcha? Llevamos dos minutos de retraso. Bienvenidos, bienvenidos a todos. Muchísimas gracias por dedicar un rato a acompañarnos en nuestro seminario en línea «Data Connect».

Estamos muy ilusionados por repasar algunas de las nuevas características y funcionalidades de Data Connect. Antes de empezar, hay algunos aspectos prácticos que vamos a comentar muy rápidamente. Como probablemente ya habréis visto, todos tenéis el micrófono silenciado. No obstante, no dudéis en enviar vuestras preguntas a través del panel de preguntas y respuestas. Solo para aclararlo: el panel de preguntas y respuestas se encuentra en el botón «Más», no en el chat. Estamos supervisando el panel de preguntas y respuestas. La sesión se grabará, por lo que compartiremos la grabación junto con cualquier recurso adicional que os resulte útil como seguimiento de esta sesión.

Y luego hemos reservado 45 minutos, así que esperamos poder dedicar un rato al final a responder preguntas, en directo si es posible. Pero, de nuevo, gracias por acompañarnos y, dicho esto, vamos a empezar directamente. Comenzaremos primero con unas breves presentaciones. Chris, te cedo la palabra. Gracias, Lauren. Hola a todos. Me llamo Chris.

Soy el vicepresidente de Ingeniería de Data Connect aquí en Actian. Llevo trabajando en este producto algo más de 25 años. Hemos estado trabajando muy duro en el departamento de ingeniería, y estoy muy emocionado por mostraros todas las novedades que hemos incorporado a Data Connect. Vamos a hablar de nuestra versión dedicada a la calidad de los datos, la V14, y de la siguiente versión, que es Integration Manager 14.1. Así que te devuelvo la palabra, Lauren. Genial. Gracias, Chris.

Y yo soy Lauren Cartwright, directora de ventas para las Américas en Actian. He estado trabajando muy estrechamente con Chris y su equipo, así como con nuestros clientes, y estoy muy, muy ilusionada por mostraros lo que estamos haciendo en Data Connect, hacia dónde nos dirigimos y también algunos de los cambios internos que hemos llevado a cabo como organización, cambios que están realmente orientados a centrarnos en nuestros clientes y a impulsar mejores resultados basados en el valor. Dicho esto, pasemos a la siguiente diapositiva. Y hablemos un poco de lo que vamos a tratar hoy, ¿de acuerdo? Se habla mucho del bombo publicitario en torno a los datos frente al ciclo de vida de los mismos. La IA: estamos en la era de la IA, igual que ocurrió con el big data hace unos años. A medida que seguimos innovando, todo se reduce siempre a la fiabilidad de los datos, y Data Connect siempre ha sido una parte fundamental de ello.

Pero hemos dado un paso más y hemos introducido una serie de mejoras, especialmente en lo que respecta a la calidad, que realmente nos permiten ofrecer a nuestros clientes una mayor visibilidad, observabilidad, calidad y confianza a lo largo de todo el ciclo de vida de sus datos. Estamos muy ilusionados con esto porque no solo hemos introducido estas mejoras para proporcionar esa mayor visibilidad, sino que lo hemos hecho de manera que cualquier usuario pueda aprovechar esas capacidades, independientemente de su nivel de experiencia con el producto o, en general, con las herramientas de gestión de datos. Además, como organización, nos hemos centrado de verdad en este aspecto. Así que, a partir de abril de este año, me incorporé y cuento con un equipo completamente nuevo dedicado a respaldar la función de gestión de datos dentro de Actian, y Data Connect es el nexo de unión dentro de esa función. Todos los miembros de nuestro equipo cuentan con experiencia previa en gestión de datos. Yo mismo he implementado más de una docena de programas de gobernanza de datos en diversos sectores y con múltiples herramientas. Por eso nos estamos esforzando al máximo para asegurarnos de que nos centramos en esos resultados basados en el valor para nuestros clientes.

Y eso incluye las mejoras, unas mejoras muy deliberadas, en torno a Data Connect que también nos permiten ampliar los derechos de acceso a vosotros para que la transición a la nueva versión sea mucho más sencilla. Así que profundizaremos un poco en eso, pero todo ello, de nuevo, con la intención de ofrecer realmente una mejor experiencia a nuestros clientes y esos resultados basados en el valor. Al hacer esto posible, nos aseguramos de aprovechar al máximo la plataforma más sólida. Así que vais a ver la interfaz de usuario renovada, que es mucho más que una simple renovación. Se trata realmente de ponerla al alcance de todos. Veréis las funciones de calidad de datos impulsadas por IA que reducirán tareas que antes llevaban meses a tan solo unos minutos, una supervisión mejorada y una actualización más sencilla para que paséis a la V14. Así que estamos deseando enseñároslo.

Dicho esto, podemos pasar a la siguiente diapositiva. Esto os da una idea general de nuestra hoja de ruta. Por supuesto, estaremos encantados de concertar llamadas individuales tras este seminario en línea profundizar en más detalles. Pero hoy, mientras repasamos la V14, vais a ver lo que estamos haciendo en la versión 14.0 en lo que respecta a la calidad de los datos y la preparación de datos enriquecidos. Se trata, en realidad, de esa automatización, de ponerla al alcance de todos los usuarios, de la rapidez para sacar partido a la calidad de los datos, de modo que podáis obtener resultados fiables, tanto si estáis impulsando iniciativas de IA como si estáis llevando a cabo proyectos de migración. En realidad, cualquier estrategia de gestión de datos se va a centrar en esos datos fiables, y tenemos algunas cosas realmente interesantes que enseñaros. Y luego, en el tercer trimestre, vamos a introducir mejoras en Integration Manager, potenciando aún más las capacidades de supervisión, medición y gestión que ofrece.

Así que vais a ver una observabilidad realmente muy completa. A mí me hace mucha ilusión. Se puede ver a lo largo de todo el ciclo de vida de vuestros datos, integrado en el proceso. Así que ahora el tiempo medio de resolución es mucho, mucho más fácil de reducir y de resolver. Linaje enriquecido, análisis asistido por IA. De nuevo, hay muchas cosas interesantes ahí. El cuarto trimestre gira en torno a la integración avanzada de datos.

Así que aquí es donde veréis una ruta de actualización sencilla, compatibilidad hacia adelante y hacia atrás, un diseñador de mapas mejorado, un diseñador de procesos y un diseñador de esquemas. De nuevo, se trata de mejoras realmente interesantes. Y luego, a principios del año que viene, se tratará fundamentalmente de llevar todo lo que hemos incorporado a Data Connect a cualquier herramienta, ¿verdad? Convertirnos en una solución verdaderamente independiente de la herramienta, con la orquestación y la observabilidad en todo vuestro ecosistema. Una vez más, creo que descubriréis que estas capacidades son completamente nuevas para Data Connect en muchos aspectos, pero, de nuevo, se basan realmente en los valores fundamentales de Data Connect que llevan mucho tiempo ahí y que son los que realmente impulsan esa usabilidad fiable de vuestros datos. Dicho esto, le cedo la palabra a Chris y, de nuevo, gracias por estar aquí; no dudéis en plantear vuestras preguntas en cualquier momento. Gracias, chicos.

Gracias, Lauren. Un momento, mientras lo comparto. Ya está. Vale. Bueno, hoy, como ha mencionado Lauren, vamos a hablar sobre la calidad de los datos. Os voy a explicar todas las opciones de diseño que tenéis a vuestra disposición, todas las formas en las que podéis obtener información a través de nuestra interfaz de usuario. El objetivo principal en materia de calidad de los datos es que queríamos adaptarnos a todos nuestros usuarios haciendo que la gestión de la calidad de los datos fuera lo más sencilla posible.

Y eso significaba ofreceros la máxima visibilidad sobre vuestros datos, poder identificar rápidamente los problemas y automatizar las reglas necesarias para medir y resolverlos. Así que vamos a repasar todo eso. Os mostraremos cómo estamos utilizando la IA en el producto. A ver si consigo quitar eso. Quizá pueda resolverlo más tarde. También os mostraré Integration Manager, la próxima versión, la 14.1. Como ha mencionado Lauren, estamos trabajando mucho en Integration Manager en lo que respecta a la observabilidad, al linaje e incluso a algunos servicios de diseño dentro de Integration Manager para ayudaros a mantener vuestros trabajos y garantizar su buen funcionamiento.

Así que vamos a empezar justo aquí, con el Editor de calidad de datos que estáis viendo ahora mismo. Podéis ver que me he conectado a un conjunto de datos. Tengo una vista de mi esquema y una vista de muestra de mi conjunto de datos aquí. Voy a hacer clic en «Inspeccionar datos». Al hacer clic en «Inspeccionar datos», se llevan a cabo dos acciones. En primer lugar, se ejecuta una asignación semántica y, en segundo lugar, se ejecuta un análisis de datos. La asignación semántica nos ayuda a identificar, por ejemplo, qué tipo de datos hay en ese campo o en cualquier campo concreto.

Así, por ejemplo, sabemos que se trata de un campo de fecha, y eso nos ayuda a comprender las reglas adecuadas que podrían configurarse para ese campo en concreto, además de darnos una idea de lo que se espera que contenga dicho campo. La función de descubrimiento de datos, que os mostraré en un momento, os ayudará a comprender la frecuencia de los valores, los patrones y las estadísticas dentro de cualquier campo dado. Pero primero, las opciones de diseño de las que dispones aquí: diseño automatizado, asistencia en el diseño y diseño manual. El diseño manual te lleva directamente al editor. El diseño automatizado es donde vamos a crear la solución por ti, y lo único que tienes que hacer es revisarla, realizar los cambios que necesites e implementarla. La asistencia en el diseño, para nosotros, indica que necesitas ayuda o que quieres ayuda para diseñar tu solución. Quizá no estés muy familiarizado con tu conjunto de datos, quizá seas nuevo en el ámbito de la calidad de los datos, y en ese caso, te sugeriremos reglas y te ofreceremos una forma muy sencilla de revisarlas y validarlas.

Así pues, ambas opciones cuentan con un menú asociado. Son muy similares, pero, en esencia, lo único que tienes que hacer es indicarnos qué campos quieres que procesemos y evaluemos. Aquí tienes algunas columnas opcionales que, al inicio del proceso de diseño —incluso si no estás familiarizado con él—, es donde entra en juego el descubrimiento de datos. Puedo ver rápidamente cuántos patrones de fecha diferentes tengo para este campo de fecha. Y, por ejemplo, en lo que respecta a los valores, comprender todos los valores diferentes que tengo ahí y la frecuencia de esos valores. Así que, si quisiera que Data Connect generara reglas basadas en mis preferencias, lo único que tengo que hacer es entrar y seleccionar uno o más de estos patrones, por ejemplo, uno o más de estos valores, por ejemplo. Lo que haremos será tomar eso y convertirlo en reglas de calidad de datos, es decir, creación de perfiles y corrección.

También hay una forma sencilla de hacerlo. Por ejemplo, si quisiera ocultar un nombre, aquí tengo varias opciones de caracteres con los que podría ocultarlo. Dentro del propio producto —no lo voy a explicar durante la demostración—, pero contamos con una regla de anonimización en la que tienes todo tipo de opciones en cuanto a los diferentes caracteres que puedes utilizar, el número de caracteres que quieres ocultar, e incluso puedes cifrarlos si lo deseas. Pero lo que ocurre es que, cuando inicias el análisis, nuestro motor se pone en marcha, evaluamos todos los datos, generamos todas las reglas y eso dependerá de la opción que selecciones. O bien te sugerimos las reglas, o bien automatizamos todo el proceso. Echemos un vistazo rápido a un diseño automatizado. Aquí puedes ver que estoy en el editor.

Este es nuestro explorador de datos. Y aquí, a la derecha, tengo una lista de todas las reglas diferentes que se han generado para este conjunto de datos. Arriba tengo una única puntuación llamada «Índice de calidad de los datos», que representa la fiabilidad de este conjunto de datos. No tengo ninguna dimensión asociada a mis reglas. Eso es opcional, y puedes hacerlo si quieres. Y si lo haces, también generaremos todas las métricas para esas diferentes dimensiones. Pero hay dos formas distintas de validarlas rápidamente.

En primer lugar, puedes empezar a examinar cada regla. Si haces clic en este enlace de aquí, se desplegará y podrás ver cómo se ha configurado la regla. Verás qué hace la regla. Y también puedes profundizar haciendo clic en este gráfico de barras de aquí. Esa barra me mostrará todos los datos válidos. Y, en este caso concreto, no hay datos no válidos. Pero si los hubiera, te mostraré un montón de ejemplos en un momento.

Lo único que tienes que hacer es hacer clic en ella y se mostrará en el navegador. Esa es una forma de hacerlo, regla por regla. Pero si haces clic en el Índice de calidad de los datos, estamos actualizando este panel y reorganizándolo. Antes te mostrábamos todas las reglas en el orden del esquema. Ahora las mostramos organizadas por perfil y corrección. Al igual que antes, podría revisar la regla y ver los datos limpios según dicha regla. En este caso, no está en blanco.

Puedo examinar los datos sin procesar y verlos también en el navegador. En esta vista de aquí, este gráfico, podemos visualizar los datos como un agregado. Es decir, no en el contexto de la regla individual, sino lo que realmente se está escribiendo en nuestros destinos. Así pues, en Data Connect, hay dos destinos que salen de nuestro motor: un destino de «aprobado» y otro de «rechazado». Y esto funciona de la siguiente manera: tu regla de perfilado contiene una condición. Por ejemplo, podríamos tener una condición relacionada con este campo de fecha específica para el formato o para el valor, ¿verdad? Y eso es lo que hay dentro de estas reglas de perfilado, y eso nos ayuda a aplicar tus preferencias, lo que tú consideras válido.

Además, nos ayuda a medirlo. Así pues, la regla de corrección lo que hace es tomar un formato o un valor no válido y modificarlo, depurarlo hasta que pase a ser válido. Y, por lo tanto, cuando observas estas vistas generales de «aprobado», «suspendido» y «corregido», es muy similar a lo que acabo de mostrarte. Puedo hacer clic en la parte verde de aquí. Fíjate en que el encabezado cambia de color. Esto me muestra todos los datos válidos que hay en mi conjunto de datos. Se trata, por tanto, de datos válidos que no hemos modificado, que no hemos corregido.

Era válido en su estado original. Si hago clic en la parte morada, el encabezado cambiará a morado, lo que te permite identificar rápidamente que estás viendo datos corregidos. Así pues, estos serían todos los datos que hemos depurado. Y, por último, puedes hacer clic en la parte roja para ver todos los datos erróneos. Y una de las cosas que me parece realmente potente y valiosa de la forma en que hemos diseñado el sistema es que basta con revisar las reglas de tu perfil haciendo clic en las partes en rojo para entender por qué esos datos no son válidos. Así que, si hago clic en esta regla, que está configurada para el campo de fecha, puedo ver fácilmente que hay algunos formatos de fecha no válidos. Hay un carácter, un signo de exclamación ahí.

Esa fecha no es válida porque no tiene día. Puedo ir a mirar mis correos electrónicos, ¿por qué esos no son válidos? Es lo mismo, ¿no? Así que, en resumen, ir al grano rápidamente y entender rápidamente cuáles son tus problemas. Creo que también hay que destacar eso, solo para insistir en ello. Para mí, esta es una de las funciones más interesantes porque ofrece una visión global, ¿verdad? Puedes hacerlo muy rápidamente, tal y como acabas de hacer.

La fecha, el correo electrónico. No tenemos que estar cambiando de una pantalla a otra, y puedo consultar qué se ha depurado, qué ha fallado y qué ya estaba limpio. De nuevo, todo queda en la misma página y con la misma experiencia. Así que, solo para insistir en eso. Sí, estoy totalmente de acuerdo contigo, Lauren. Y otra cosa más: es cierto, no tienes que preocuparte por gestionar los datos. Ya nos encargamos de aislarlos por ti, ¿verdad?

Esos dos objetivos independientes. Y a medida que avanzas —te lo voy a mostrar en un momento—, mientras diseñas, mientras diseñas, puedes distinguir rápidamente entre lo que es válido, lo que no lo es y lo que ya se ha corregido. A continuación, echemos un vistazo a la ruta del asistente de diseño. Se trata de ese mosaico del medio que has visto en el menú de análisis. Lo primero que va a pasar, dado que nos estás pidiendo ayuda, es que te daremos una evaluación de lo que hemos encontrado. Así que, en la parte superior, simplemente se reitera lo que nos has pedido que hagamos. En el centro, te indicaremos los diferentes tipos de problemas de calidad de los datos que hemos encontrado, junto con sus definiciones.

Y luego, en la parte inferior, vamos a asignar todos esos problemas a tu esquema para que puedas ver, para cada campo concreto, qué tipo de problema hemos encontrado y cuántos registros se han visto afectados, ¿verdad? Y todo eso lo haces antes incluso de abrir el editor. Así, al entrar en el editor, tienes una mejor comprensión de a qué te enfrentas y de lo que tienes que hacer en tu solución. Así que, una vez que entramos en el editor, fíjate en que no tenemos ninguna regla, por lo que aún no tenemos un índice. Hay tres elementos aquí en los que realmente quiero que prestes atención. El primero es el navegador. Si has estado utilizando Data Connect, llevas años mirando fijamente nuestro navegador, y me hace mucha ilusión decirte que hemos realizado algunos cambios y que ahora tu navegador es un editor.

Y funciona de muchas formas diferentes. Pero primero, lo que os voy a enseñar: elijamos un campo relevante. Digamos que es el número de teléfono. Imaginemos que estoy mirando en mi navegador y que he hecho esto yo mismo un millón de veces a lo largo de los años utilizando Data Connect. Encuentro algo en el navegador que no me acaba de convencer. Lo que hemos hecho es permitir que hagas clic en ello y, cuando lo hagas, fíjate en que la página se actualiza para mostrarme las reglas que se me han recomendado. De nuevo, sigo la ruta de «Design Assist».

Necesito ayuda. Y también estamos resaltando ese patrón en la sección de descubrimiento de datos. Así que, de nuevo, se ofrece rápidamente información al usuario. De este modo, ahora entiendo, al usar el patrón de visualización, a qué está asociado y cuántas instancias tengo de él en mi conjunto de datos. Y también puedo ver fácilmente las reglas que se me recomiendan, ¿verdad? Y hay más novedades sobre el editor que os voy a enseñar en un momento, pero, de nuevo, estoy deseando enseñároslo. Pero siguiendo con la asistencia al diseño, hemos analizado vuestros datos y tenemos este conjunto de reglas seleccionadas para que las validéis y reviséis.

Y por eso lo hemos simplificado al máximo, porque esto de aquí es el nombre de la regla. Es decir, el nombre del campo con un guión bajo seguido del nombre de la regla, y lo único que tienes que hacer es hacer clic en él. Al hacer clic, lo que va a pasar es que el navegador se actualizará. Te mostrará los datos no válidos según esta regla. Puedo ver cómo está configurada esta regla y puedo modificarla si lo deseo, pero también puedo ver qué ocurre en el análisis de datos en cuanto a la frecuencia del patrón, la frecuencia de los valores y las estadísticas. Y también puedo obtener ejemplos de datos válidos e inválidos según esta regla. Así que también puedo profundizar en los datos válidos, ¿verdad?

Así que «inactivo», «activo». Puedo ver todo eso ahí. Y al mirar lo mismo, puedo ver cuál es mi problema, ¿verdad? Así que, si me gusta la regla, lo único que tengo que hacer es aplicarla. Y, al aplicar la regla, nuestro motor se pondrá en marcha automáticamente, ¿verdad? Así que ahora tengo un índice de calidad de datos y puedo validar rápidamente lo que acabo de hacer haciendo clic en esta barra. De nuevo, estoy viendo los datos válidos y los datos no válidos, ¿verdad?

Para que resulte muy, muy fácil ver qué está pasando dentro de mi diseño. ¿Me gusta cómo está configurada esta regla? ¿Se comporta como espero? Volviendo a lo que acabo de decir hace un momento sobre que nuestro navegador es ahora un editor, esta es una de las muchas formas —que os mostraré— de automatizar una regla dentro de Data Connect. Seguimos teniendo la opción manual por si quisiera añadir una regla manualmente y, como he mencionado antes, generamos todas las expresiones regulares por ti por si alguna vez las necesitas. Pero una de las cosas que realmente queríamos conseguir con Data Connect 14 en cuanto a la calidad de los datos es que no tengáis que estar rebuscando en una larga lista de reglas para averiguar cuál es la adecuada que debéis utilizar, y luego perder tiempo intentando averiguar cómo escribir una expresión regular para lo que estáis buscando. Como puedes ver aquí, tengo mi lista de datos erróneos según esta regla, y voy a aprovechar la función de descubrimiento de datos para que me ayude a entender qué falla en cada uno de ellos.

En este primero está bastante claro qué es lo que falla. Sabemos que «active» e «inactive» son los únicos valores permitidos. Pero aquí abajo, parece que esto debería ser válido, así que no lo entiendo muy bien. Si hago clic en él y miro la detección de datos y el patrón de visualización, esa «S» de ahí me indica que hay un espacio en blanco al principio. ¿Verdad? Ese es nuestro problema. Y veo que con «active» e «inactive» tengo un problema con las mayúsculas y minúsculas.

Así que, si hago un clic simple en la celda, esto se actualizará y se actualizará también la detección de datos. Pero si hago doble clic en la celda, entrará en modo de edición. Así que voy a cambiar el estado a «activo» y voy a confirmar el cambio. Y, al hacerlo, se me pregunta cómo quiero que se interprete este cambio. ¿Quiero aplicar este cambio solo a esta celda? ¿Quiero aplicarlo a todas las celdas con valores idénticos? ¿O se trata de un cambio de formato, por lo que debo dejar el valor tal cual? Voy a seleccionar «cambio de formato» y lo voy a aplicar.

Y, de nuevo, cada vez que hagas algo con una regla, nuestro motor se pondrá en marcha para asegurarse de que todo el conjunto, todos estos componentes diferentes, estén al día con lo que estás haciendo en tu diseño. ¿Verdad? Así que me ha añadido la regla. Puedo profundizar en ella para volver a validar rápidamente lo que he hecho y asegurarme de que funciona tal y como espero. Y en nuestro navegador se ve el valor antiguo y el nuevo, ¿verdad? El valor antiguo aparece tachado en rojo, y el nuevo, en verde. Eso solo aparece en nuestro editor.

Eso no se guarda en el destino. Pero puedo volver fácilmente a mi regla de perfilado y volver a consultar mis registros fallidos. Una vez más, te ofrecemos una lista específica de tus errores para ayudarte a centrarte y a identificar qué falla, combinándola con la función de descubrimiento de datos. Y puedo ver que mi índice de calidad de datos ha mejorado. También puedo ver, dentro de la función de descubrimiento de datos, que el número de patrones que tengo ha disminuido. ¿Verdad? Está actualizado con lo que he hecho.

Ya que hablamos del descubrimiento de datos, quiero mostraros un poco lo que hemos hecho en este ámbito. Así que, en este ejemplo, vamos a echar un vistazo a este campo de fecha de renovación. Un vistazo rápido al editor nos muestra que aquí hay muchos patrones diferentes. Así que podría hacer clic en el editor o en el propio navegador para que esto apareciera, o simplemente podría seleccionarlo del menú, como acabo de hacer. Al verlo, puedo darme cuenta de inmediato de que tengo siete patrones distintos dentro de mi campo de fecha. Lo que está realmente bien aquí es que puedo hacer clic en cualquiera de las entradas de esta tabla y hacer que el navegador se actualice para poder verlas con claridad. Y cuando haya decidido cuál me gustaría utilizar como estándar, puedo hacer clic en este botón de aquí abajo.

Y en este punto, lo único que tengo que hacer es seleccionar uno o varios patrones que quiera utilizar como referencia. Lo guardo. Puedo ver cómo se va a configurar la regla. Puedo obtener una vista previa de mi regla y, dado que estamos realizando un cambio de formato, vamos a automatizar la generación de una regla de perfilado y de corrección para ti. Puedes descartar cualquiera de ellas si lo deseas, pero con solo hacer clic en estos mosaicos, puedo ver cómo se va a configurar la regla. En este caso, la regla de corrección va a convertir todos estos formatos de fecha diferentes a este formato. Lo único que tengo que hacer es pulsar «Aplicar regla».

Una vez más, nuestro motor se pondrá en marcha. Puedo ver que se han añadido mis reglas y ahora puedo profundizar y comprobar cómo se han comportado y cuál ha sido su rendimiento. Y fíjate también en que nuestra regla ha sido capaz de detectar que, aunque el formato era válido en este caso, la fecha en sí, el valor, no lo era. Y, de nuevo, puedo explorar mis medidas correctivas y ver los ejemplos anteriores, así como observar todos los diferentes tipos de formatos de fecha que hemos podido convertir con mucha facilidad, ¿verdad? Así que parte de todo esto es, una vez más, que estamos intentando centrar la atención en los problemas de calidad de los datos que tenéis, hacer que sea realmente fácil detectarlos, ver las tendencias y poder automatizar rápidamente la generación de las reglas. Creo que también hay que destacar que te muestra dónde se encuentran tus diferentes formatos incluso antes de que hagas nada, ¿verdad? Así que, si observas que tienes un formato asociado a 22 activos diferentes, a diferencia de otros formatos que quizá solo tengan una o dos asociaciones, esto puede ayudar a las organizaciones a priorizar más rápida y fácilmente cuál quieren establecer como predeterminado.

A menudo, lo que nos cuesta un poco es, bueno, ¿cuál es nuestro estándar? O quizá tengamos dos de los cinco estándares que usamos más que los demás. Esto te indica muy rápidamente, de nuevo en una sola vista, dónde quizá quieras dar prioridad o establecerlo como valor por defecto. De acuerdo. De acuerdo. Tenemos mucho que tratar, así que quiero volver al menú de análisis muy rápidamente y mostraros un par de cosas. Así pues, dentro del menú de asistencia al diseño, os ofrecemos la posibilidad de buscar registros duplicados con coincidencias aproximadas.

Sé que los registros duplicados son la pesadilla de todo el mundo. Todo el mundo los odia. Todo el mundo los tiene. Te lo ponemos muy fácil para que encuentres registros duplicados con coincidencias aproximadas y también registros duplicados con coincidencias exactas. Así que, si quieres que creemos el diseño por ti, solo tienes que marcar ese botón y nos encargaremos de buscar los registros duplicados con coincidencias exactas. Aquí mismo tengo un ejemplo para ti. Ya verás, déjame generar aquí la vista previa.

Ya verás lo que estamos haciendo. Dentro del proceso de diseño automatizado, tenemos la capacidad de identificar y localizar todos esos registros duplicados con coincidencia exacta. Como son todos idénticos, la verdad es que da igual cuál conservemos, pero nuestro comportamiento por defecto es conservar uno de ellos y guardar el resto en nuestro archivo de errores como duplicados. Pero, en realidad, podrías entrar aquí y seleccionar tantos como quisieras si quisieras conservarlos. Así es más o menos como funcionan los duplicados de coincidencia exacta. En cuanto al comportamiento de los duplicados de coincidencia aproximada, lo único que tienes que hacer —parece que me he liado un poco—, es seleccionar un campo clave y, a continuación, seleccionar uno o más campos coincidentes; te mostraré cómo funciona esto muy rápidamente. Creo que tengo que arreglar ese error.

Así que voy a enseñaros cómo funciona esto y os voy a mostrar un ejemplo. En la práctica, eliges un campo clave y, dentro de ese campo clave, vamos a buscar coincidencias exactas; después, puedes elegir tantos campos coincidentes como quieras y seleccionar uno de esta lista de algoritmos que te ofrecemos. Y así es como funciona: si encontramos 10 coincidencias exactas para el «número de cuenta», crearemos un clúster, y en un momento te mostraré exactamente cómo se ve. Dentro de ese clúster, vamos a examinar estos dos campos y a buscar coincidencias aproximadas basadas en este algoritmo. ¿De acuerdo? Lo que esto significa es que vamos a crear un archivo de clúster para que lo revises, y así es como se ve. Este es nuestro campo clave: el nombre.

Así podrás ver las coincidencias exactas y el ID único de clúster que hemos creado para ti. Lo único que tienes que hacer es entrar y examinar cada clúster. Esas son las coincidencias exactas. Puedes ver cómo hemos aplicado la coincidencia aproximada aquí y cómo lo hemos hecho en todos estos clústeres diferentes. Lo único que tienes que hacer es entrar y seleccionar qué registros consideras únicos de cada clúster. Los escribiremos en nuestro archivo de «aprobados» y el resto se escribirá en el de «rechazados» como duplicados de coincidencia aproximada. Si lo deseas, puedes seleccionar todos esos registros de cada clúster.

Múltiples o individuales, lo que necesites, lo que prefieras. Vale. A continuación, pasemos a nuestra función de IA. Dentro de la IA, en nuestra oferta de la versión 14, tienes la posibilidad de integrar cualquier servicio de IA que desees. También puedes elegir cualquier modelo que desees, e incluso puedes hacerlo dentro de la misma sesión. Si quieres controlar los costes, puedes elegir un modelo concreto. Si estás realizando una tarea bastante compleja, puedes elegir un modelo diferente.

Pero cómo funciona es que nuestro prompt de IA aparece aquí abajo, y puedes escribir «hola», y te responderá con una lista de todas las cosas que puede hacer. Yo personalmente lo he utilizado. Lo he usado para filtrar datos en nuestro navegador. Si estoy buscando algo y quiero ver un subconjunto de registros en función de alguna condición, lo utilizo para eso. Lo utilizo para generar y automatizar las reglas de perfilado y corrección. Lo utilizo para depurar. Lo utilizo para evaluar el diseño de la calidad de mis datos y mi solución, y para detectar las deficiencias.

Así que es muy potente. Y justo aquí abajo, como ya he mencionado, puedes elegir tu proveedor y también seleccionar el modelo que quieras utilizar. Y aquí mismo también puedes borrar el contexto. Y una de las cosas que me parecen geniales de esta sugerencia es que una cosa es poder fijarse en este campo de ingresos y mirar esta celda y decir: «Vale, el formato es válido» y quizá esté dentro del rango adecuado, por lo que el valor parece ser válido. Pero cuando te fijas en la lógica de negocio y en las relaciones dentro del conjunto de datos, poder validar a ese nivel más profundo me parece sencillamente increíble. Y esta sugerencia de IA hace que sea muy fácil hacerlo. Así que, dentro de este conjunto de datos, tengo un campo llamado «tipo impositivo» y tengo otro campo que contiene el estado real.

Así que voy a utilizar esta instrucción para la IA, y le digo: «Asegúrate de que el campo de tipo impositivo sea el correcto para el campo de estado en el caso de los estados de EE. UU.». Y eso es todo lo que le digo. Y, al igual que en esa misma experiencia, si estás utilizando Claude, por ejemplo, en tu IDE, estamos esperando a que responda el modelo. Se está comunicando con el modelo. Pero lo que va a hacer es devolverme una regla que me sugiere, y yo tengo la posibilidad de aceptarla, omitirla, modificarla o hacer lo que quiera con ella. Pero ya ves que ha respondido y me ha dicho: «Vale, he creado esta regla. ¿Es esto lo que quieres?». Y yo le digo que la aplique.

Y, al igual que todo lo demás que os he mostrado hoy, nuestro motor lo ejecutará. La regla se añadirá. Y, una vez añadida, tengo la posibilidad de profundizar en ella y consultar los datos de superación y de fallo. Por cierto, también hemos añadido esto, que es específico del navegador. Esto no cambia la forma en que se escriben los datos en vuestros destinos. Pero puedo mover este campo y soltarlo justo ahí, para que estén uno al lado del otro, y así me quede muy claro, ¿verdad? Así es más fácil validarlo.

Así que ya puedo utilizar el comando de IA ahora que veo mis datos erróneos. Puedo usar el comando de IA para añadir algunas reglas de corrección y solucionarlo si lo deseo. Pero en este caso, también quiero mostraros y destacar que esta es la expresión. La regla que generé fue la regla «assert», que tiene una expresión en el lado izquierdo, una expresión en el lado derecho y un operador en el medio. Pero utilizando nuestro prompt de IA y nuestro agente de IA, pude generar esta expresión tan compleja con ese prompt de IA. Y lo único que realmente tuve que hacer para tener éxito fue comprender las relaciones dentro del conjunto de datos y entender la lógica de negocio. Así que os daré otro ejemplo rápido de cómo he utilizado el prompt de IA.

Así que voy a poner un guion invertido delante de esto y voy a escribir «apply», que es una expresión no válida. Guardaré el cambio que he hecho en mi regla. Me aparecerá un mensaje indicando que la ejecución ha fallado, así que le diré: «La ejecución ha fallado». Probablemente no hacía falta ponerlo en mayúsculas. Por favor, resuélvelo. Y así, va a empezar a depurar. Tiene acceso a nuestro archivo de registro. Va a empezar a depurar esa regla.

Y estos mismos conceptos que os estoy mostrando, ¿verdad? Ahora estamos viendo cómo los aplicamos a Map Designer y Process Designer, lo cual me parece muy interesante. Pero va a terminar y va a actualizar la regla por mí. Lo único que tengo que hacer es pulsar «Confirmar». El motor vuelve a funcionar y mi regla se ha corregido. ¿Verdad? Pues eso es lo que hay que hacer.

Así que he creado un par de ejemplos más relacionados con este tipo de calidad de datos más profunda. Voy a repasarlos muy rápidamente y también voy a echar un vistazo rápido a nuestras capacidades de preparación de datos. Pero fíjate en que he validado el tipo impositivo con respecto al estado. Tengo otra regla aquí. Voy a volver a la vista predeterminada del navegador. Aquí tengo otra regla, justo aquí, que valida los ingresos. Así que se pueden calcular los ingresos teniendo en cuenta el coste unitario, el tipo impositivo, el descuento por unidad y las unidades vendidas.

¿Verdad? Así que puedo, de nuevo, utilizar todas esas relaciones, y ahora que, en teoría, si he depurado mi columna de tipos impositivos, confío en ella, ¿no? Pero puedo evaluar todas estas columnas utilizando estas reglas. No es solo una. Puedo ver los errores y problemas en todas ellas. Y, por último, utilizo la preparación de datos para añadir un nuevo campo a este conjunto de datos. Se llama CSM, y utilizo la función de búsqueda para importar y asignar esos datos a este conjunto de datos y asignarlos a este campo.

Y lo que esto supone para mí, la lógica que hay detrás, es que tenemos un gestor de éxito del cliente asignado a varios clientes diferentes, y los criterios son que los ingresos deben ser de al menos 500 000 dólares, que su suscripción debe estar vigente y que no pueden tener la cuenta bloqueada por impago. Así que estamos uniendo ambas partes, en el sentido de que te ofrecemos el poder de la calidad de los datos y las capacidades de estandarización que necesitas con la preparación de datos en una sola herramienta. Así que he importado esos datos que eran externos a este conjunto de datos en este conjunto de datos, y ahora puedo ejecutar el perfilado y la corrección basándome en esa lógica, lo cual me parece sencillamente increíble. Vale, en este punto me doy cuenta de que me he quedado un poco en la superficie con la preparación de datos, pero, en pocas palabras, la preparación de datos te permite realizar cualquier tipo de cambio que desees en tu esquema: renombrar campos, eliminar campos o añadir campos. Las reglas que tenemos en la preparación de datos te permiten extraer datos de un campo, como las partes de una dirección. Si necesitaras extraer todas las partes de la dirección en campos separados, podrías hacerlo. Podrías utilizarlo para realizar uniones.

Puedes utilizar consultas con él. Es muy, muy potente. Pero con esto, voy a pasar a nuestra próxima versión, que es Integration Manager. Una de las cosas que estamos haciendo en Data Connect es integrar estrechamente Integration Manager y Data Connect. Así que la vista que estás viendo ahora mismo es la de nuestro estudio de diseño. ¿De acuerdo? Lo que puedo hacer es conectarme a Integration Manager y ver, literalmente, todas las interfaces de usuario de Integration Manager, disponer de toda la funcionalidad y todas las capacidades como si hubiera iniciado sesión directamente en él.

¿De acuerdo? Pues bien, lo primero que os voy a enseñar es nuestra página de programación. Se trata de una vista renovada de vuestro calendario. Todos estos mosaicos representan diferentes tareas. El tamaño del mosaico indica cuánto tiempo tardará en ejecutarse la tarea. Puedo reprogramar fácilmente una tarea con solo arrastrar y soltar. Y, como podéis ver, el color de los mosaicos corresponde al grupo de trabajadores al que están asociados.

Si veo un mosaico gris, eso significa que ese trabajo se ha pausado. Así que, si hago clic en ese mosaico, puedo ver fácilmente quién lo ha pausado y cuándo, y tengo la opción de reactivarlo. Pero eso es solo un vistazo rápido a nuestro calendario. A continuación, quiero pasar a la página de observabilidad. Así que dejadme tomarme un respiro. Cuando empezamos a plantearnos cómo aportar más valor a Data Connect para nuestros clientes, concretamente dentro de Integration Manager, la observabilidad fue una elección obvia. Pero al analizar el mercado, lo que descubrí fue que hay un montón de herramientas de observabilidad disponibles, y que hacen un gran trabajo a la hora de visualizar, pero con la mayoría de ellas no se puede hacer nada más, ¿verdad?

Te está diciendo: «Oye, tienes un problema», pero vale, ¿y qué hago al respecto? ¿Cómo lo soluciono? Y todo eso falta. La otra cosa que descubrí al analizar estas otras herramientas es la «fatiga de los gráficos». Es como recibir un correo electrónico todo en mayúsculas. Ni siquiera sabes por dónde empezar ni en qué centrarte, ¿verdad? Así que quise adoptar un enfoque diferente para que fuera muy sencillo, y te explicaré lo que estás viendo y por qué lo hemos diseñado así.

Así que tenemos estas tarjetas de KPI que representan diferentes métricas, y, a grandes rasgos, esas métricas son el estado de tus trabajos, el estado de tus datos y el estado del sistema host donde reside nuestro motor. Las hemos dividido en tres categorías: estado operativo, fiabilidad de los datos, volumen y velocidad. Lo que estás viendo aquí es un valor agregado. Todas estas métricas son un agregado de lo que tienes en ejecución en producción. Supongamos que tienes 1.000 tareas ejecutándose en producción. Lo que estás viendo es una visión general de tu entorno. Así que puedes entrar.

La línea de tendencia verde indica una tendencia positiva, la azul representa una tendencia neutra y la roja, obviamente, indica una tendencia negativa. Así que puedes echar un vistazo rápido aquí cuando entres por la mañana. ¿Tengo algún problema hoy? No, ninguno. Vale, voy a centrarme en otra cosa. O sí, tengo uno. Voy a profundizar un poco más para averiguar qué está pasando.

Así que os voy a enseñar cómo funciona con el rendimiento. El rendimiento representa los registros por segundo en nuestro motor. Aquí arriba tenéis un filtro basado en el tiempo o en la ejecución, por lo que podéis ver las últimas dos semanas o las últimas 20 ejecuciones. Pero, en la práctica, lo único que tenéis que hacer es hacer clic en cualquier parte de este gráfico y aparecerá una tabla debajo. De nuevo, estamos analizando los registros por segundo, así que os diremos cuál es el número esperado de registros por segundo para cualquiera de estos trabajos diferentes, y podréis ver si se ha completado con éxito o no. De nuevo, pasando del nivel macro al micro: si se tratara de una tendencia, podríais ver rápidamente el subconjunto de trabajos que hay detrás de esa tendencia. Así pues, tomamos ese mismo concepto y lo aplicamos a un problema real.

Os daré varios ejemplos durante el resto de esta demostración, pero a continuación vamos a analizar la saturación de recursos. Si hago clic en «saturación de recursos», aquí tengo un gráfico de tendencias históricas que me muestra la utilización de recursos en la máquina host de nuestro motor. Y también tengo una visualización del tiempo de espera en la cola. El tiempo de espera en la cola se refiere al tiempo que el trabajo permanece en la cola antes de ejecutarse, ¿verdad? Se supone que debe ejecutarse a las diez en punto, ¿y cuánto tiempo permaneció en la cola antes de que lo seleccionaran y lo ejecutaran? Puedo ver aquí que tengo una tendencia negativa en el tiempo de espera en la cola. Y, de nuevo, lo mismo: puedo hacer clic en él y ver el tiempo de espera en la cola previsto y el tiempo de espera en la cola real.

¿Verdad? Pues bien, esta parte funcionará sin IA, al 100 %. Pero vamos a utilizar estos gráficos para ayudarte a validar lo que te dice la IA. La IA no siempre acierta, y por eso quería ofrecerte, al igual que hicimos con la calidad de los datos, que cuando el asistente de IA me sugiera una regla, tenga la posibilidad de rechazarla, modificarla o aprobarla. Así que tengo un análisis de tendencias de la IA que me dice: «El sistema ha detectado un aumento significativo en el tiempo de espera». Lo único que tengo que hacer es hacer clic en «Ver métricas», y se filtrará automáticamente para ti. Sí, tengo un problema con el tiempo de espera. Quiero saber más, ¿verdad?

Así que, cuando hagas eso, realizaremos un análisis exhaustivo de tus metadatos, que guardamos en una base de datos instalada junto con Data Connect o con Integration Manager. Podré profundizar aún más para entender qué está pasando. A continuación, las conclusiones clave. El tiempo medio de espera en la cola ha aumentado a 510 segundos. Estos son los cinco trabajos que están sufriendo retrasos. Y puedo volver, de nuevo, a mi gráfico y comprobarlo. 510 segundos, 510 segundos, los mismos cinco trabajos.

Vale, ¿qué puedo hacer al respecto? Necesidades inmediatas, a corto y a largo plazo. En cuanto a lo inmediato, te recomendamos que, en este momento, superes el número de trabajadores asignados a este grupo, así que te vamos a ayudar a equilibrar la carga, ¿vale? Un ejemplo muy sencillo de cómo funciona. Además, tenemos otras dos tarjetas de KPI por aquí que sirven para que puedas gestionar y resolver cualquier tipo de incumplimiento de umbrales que puedas tener o cualquier tipo de fallo que se produzca. Una infracción de umbral sería una condición que establezcas para tu trabajo con un gestor de integración; por ejemplo: «Espero que mi trabajo se complete en cinco minutos». Si tarda seis minutos, recibirás una notificación, ya sea por Slack, Teams o correo electrónico.

Te redirigiremos a esta página, donde podrás crear una incidencia en JIRA o asignársela a alguien. En otras palabras, podrás gestionar tu cola. Lo mismo ocurre con los fallos. Estos gráficos son un poco diferentes, en el sentido de que aquí abajo tenemos una leyenda que te permite controlar esta visualización, además de la tabla que aparece más abajo. Justo aquí está la integración nativa con JIRA de la que te hablaba. Ya tendremos todos estos campos rellenados por ti. Lo único que tienes que hacer es pulsar «Crear ticket», si utilizas JIRA.

Pero fíjate en que tengo mi tiempo medio de resolución, algo a lo que Lauren se ha referido antes. Puedo alternar entre ver un resumen de todos mis fallos o analizar un fallo concreto, ¿verdad? Así que, si me fijo en los errores de configuración, veo el valor real en mi media móvil, y fíjate en que mi tiempo medio de resolución es de 13 horas. Si pasara a otra cosa, como por ejemplo problemas con los recursos, puedo ver que tengo un tiempo medio de resolución diferente. Así que, en mi opinión, creo que eso te permite gestionar eficazmente tu cola y planificar con eficacia de un trimestre a otro. ¿Cuánto tiempo estoy dedicando, o estamos dedicando, y cuánto tiempo se tarda en resolver cualquiera de estos problemas? ¿Por qué nos lleva tanto más tiempo solucionar esto que aquello?

Y así es como funciona. Además, tenemos aquí arriba un cuadro de diálogo de IA, y lo hemos implementado para no tener que saturar nuestro panel de control con todos esos widgets y opciones diferentes. Puedes, literalmente, mantener una conversación con tus datos para averiguar lo que quieras. Por ejemplo, le preguntaré: «¿Cuántos trabajos se implementaron la semana pasada?». Y me responderá: «Estos son los trabajos que se implementaron. Aquí está quién lo hizo, quién es el responsable, cuál es el calendario, etcétera, etcétera». Pero hemos incluido esto aquí específicamente para ofrecerte toda la flexibilidad que quieres y que necesitas al alcance de la mano, ¿verdad?

No esperes a que creemos un nuevo gráfico que mida algo que te interese. Puedes hacerlo aquí mismo. A continuación, vamos a pasar a la página «Configurar». En la página «Configurar», lo primero que quiero mencionar es que estamos introduciendo cierta estructura en cuanto a cómo almacenamos tus configuraciones. Así, podrás guardar todas tus configuraciones por proyecto. Es muy similar a lo que hacemos actualmente en Repository Manager. Además, verás que aquí tenemos las mismas tarjetas de KPI.

Lo que hay que tener en cuenta aquí es que estamos cambiando de contexto. Cuando estaba antes en la página de Observabilidad, veíamos todos los trabajos. En la página de Configuración, estamos viendo un único trabajo, ¿verdad? Así que, si soy un gestor de datos o un ingeniero de datos, yo he creado esta solución. Puede que no me interese demasiado todo lo que ocurre en producción, pero sí me interesan mucho los trabajos de los que soy responsable. Y, por eso, las tarjetas de KPI funcionan de manera muy similar, en el sentido de que puedo ver los colores verde, azul y rojo, que indican positivo, negativo y neutro. En un momento os voy a enseñar cómo podéis profundizar en eso.

Aquí abajo tienes todos los detalles de la configuración. Tienes la lista de macros y el historial de tareas. ¿Cuántas veces se ejecuta esto? ¿Cuántas veces ha fallado? ¿Cuántas veces seguidas? Vamos a introducir un registro de cambios, de modo que cada vez que alguien modifique esta configuración, quedará constancia de quién lo ha hecho, cuándo y qué ha hecho. Y en un momento te voy a enseñar cómo influye esto en el conjunto.

Pero ahora quiero mostraros el linaje. Dejadme que lo amplíe para que lo veáis mejor. Esto de aquí es una representación del linaje. Este es un nodo de conjunto de datos y este otro es un nodo de paso. Podéis hacer clic en cualquiera de ellos para ver los detalles. Esto os muestra el esquema. Puedo hacer clic en el nodo de paso y así obtendréis algunos detalles sobre lo que ocurre dentro de ese paso.

Tengo la posibilidad de realizar búsquedas. Así que, si escribo «valid» como palabra clave, encontrará la palabra «valid» en el nodo del conjunto de datos, la encontrará en el campo y la encontrará en el paso. También puedo realizar un análisis de impacto. Así que, si tuviéramos un fallo aquí, podría hacer clic en «análisis de impacto». Me mostraría las dependencias directas y me indicaría de qué paso procede el error. ¿Verdad? Y, por lo tanto, la finalidad del linaje aquí, antes de adelantarme, es que también puedes... Déjame ampliar esto.

También puedes ver los trabajos anteriores y posteriores en tu vista de linaje. Así que puedes desplegarlos. Puedo asignar campos dentro de mi proyecto, ¿verdad? Así puedo ver cómo se asignan todos esos campos a lo largo de este proyecto. Pero, para nosotros, el objetivo del linaje es doble. Es una referencia para ti, de modo que, si necesitas realizar tareas de mantenimiento o hay un problema con este trabajo, puedes consultar primero el linaje para comprender cómo fluyen los datos a través de él, cómo se diseñó y qué hace, mucho antes de abrir el artefacto. ¿Verdad?

También puedes identificar las dependencias. Así que, si tuviéramos un problema con este trabajo y tuviéramos que desconectarlo, entenderíamos de inmediato qué hay «aguas arriba» y qué hay «aguas abajo», y qué tengo que hacer con la programación. Creo que esto ofrece un montón de posibilidades. Creo que la auditoría va a ser muy útil para esto. Me gustaría tener algo así como... No lo tengo visualizado para vosotros, pero me gustaría tener una experiencia casi de depuración con esto, en la que se pueda ir paso a paso y ver a lo largo del tiempo cómo ha evolucionado la solución. Cuando se implementó, estaba en este estado, y hoy está en este otro, y aquí hay una instantánea de todos los cambios, quién los realizó y qué hicieron a lo largo de su ciclo de vida. A continuación, quiero mostraros algo similar a lo que vimos con la observabilidad, pero esta vez tenemos aquí una tarjeta de KPI que nos indica que hay una tendencia en IA, y es negativa.

Vamos a analizarlo. Aquí vamos a examinar las tendencias de la calidad de los datos. Y, al igual que antes, la IA nos ofrece un resumen en el que indica que el índice ha descendido un 9 % durante la última semana. Puedo hacer clic en «Ver métricas» y, de nuevo, utilizar nuestra visualización para validar lo que nos indica la IA. Si los datos no coinciden, puedo descartarlo y seguir con mi día. Si coincide, tengo la posibilidad de investigar más a fondo para obtener más información y decidir qué pasos dar a continuación. Así pues, me está indicando que mi índice de calidad de los datos ha descendido.

Vale, ya lo veo. Me lo creo. Así que pasemos al análisis de las causas fundamentales. Y, de nuevo, se trata de un análisis bajo demanda para asegurarnos de que dispones de información actualizada y puedas decidir qué hacer a continuación. Pues bien, ha detectado un patrón diferente. La dimensión de «exhaustividad» ha bajado un 13 %, debido a que el porcentaje de campos de correo electrónico ha descendido del 89 % al 68 %. Y ahora me indica qué regla ha fallado.

Así que, de nuevo, antes de hacer nada, voy a consultar las métricas, y vamos a filtrar automáticamente todos estos gráficos. Este primer gráfico me muestra la puntuación de completitud, y puedo ver la tendencia. El siguiente gráfico me muestra el campo «correo electrónico», que contiene una regla asociada a la dimensión de completitud. La misma tendencia. Y, por último, esta regla, «no es nulo», está configurada para el campo «correo electrónico». ¿Verdad? La misma tendencia.

Así que los tres me muestran y me indican lo mismo. Y, por cierto, ahora entiendo la causa raíz de mi problema incluso antes de haber abierto el artefacto. Y esa parte también funcionará sin IA. Pero como disponemos del historial y de ese registro de cambios, puedo ver que el problema proviene de mi trabajo de origen. Falta la asignación de campos para el campo de correo electrónico. El campo de origen «correo electrónico de origen» no está asignado al campo de destino «correo electrónico de destino». Puedo ver el impacto en cuanto a los registros afectados, y también puedo ver el historial de cambios que acabamos de revisar.

Un tal Chris Gilson borró el mapa. ¿Verdad? Así que sabemos a quién echarle la culpa, pero también sabemos cuál es nuestro problema. Y aquí abajo podéis ver el historial de la tarea. Esta es la tarea que estamos analizando ahora mismo. Esa es la tarea anterior y esa la posterior. Y tenemos una lista de acciones sugeridas.

Así pues, podemos utilizar esta instrucción en lenguaje natural, tal y como os mostré en la sección de calidad de datos, para realizar estos cambios. Por lo tanto, aquí voy a indicar que se actualice el trabajo de origen y se restablezca la asignación del campo de correo electrónico. Al hacer clic en «Enviar», lo que ocurre es que os mostraremos la parte exacta de la interfaz de usuario del trabajo de origen donde se está realizando el cambio, y tendréis la posibilidad de aprobarlo o cancelarlo. En este caso, voy a aprobarlo. Y una vez hecho esto, veréis que aparece tachado porque ya lo hemos realizado. A continuación, vamos a realizar un cambio en este trabajo y vamos a añadir una regla de corrección. Esto va a corregir todos esos valores nulos que se produjeron porque faltaba la asignación.

Como podéis ver, nuestra condición aquí está en blanco, así que la aprobaré. Y, por último, vamos a establecer una medida de seguridad para que, si alguna vez volvemos a tener un problema como este, se nos notifique. Así que, con esto, vamos a añadir una notificación con un umbral de finalización. Lo fijaremos en el 90 %, lo aprobaremos y lo implementaremos. ¿De acuerdo? Y esto es precisamente a lo que me refería al hablar de añadir algunos servicios de diseño a Integration Manager, para que, cada vez que surja un problema, el primer paso no sea simplemente descargar todo en tu repositorio local, resolver todas las dependencias y, a continuación, empezar a averiguar qué ha fallado. Y creo que eso es muy útil.

Y seré el primero en admitir que, si tienes problemas sistémicos en un proceso enorme de 1.500 pasos, probablemente esta no sea la mejor vía a seguir. ¿Verdad? Yo lo trasladaría al IDE y empezaría a resolverlo allí. Pero creo que la mayoría de los problemas con los que os encontréis, podremos ayudaros a resolverlos de forma rápida y segura con esto. Y, por último, tenemos otra sugerencia de IA aquí arriba, pero en este caso es un poco diferente, en el sentido de que podéis hacerle preguntas sobre esta tarea, pero también podéis realizar acciones. Como descargar e importar esto a mi repositorio. Sugerir mejores opciones de programación.

Hay un sinfín de cosas diferentes que podéis hacer con esto. Bueno, esto es un avance de nuestra versión 14.0 de calidad de datos, y también un adelanto de la próxima versión, la 14.1. Hay algo que tenía intención de mencionar al principio de la reunión, pero no lo hice, y me lo salté en mi prisa y mi entusiasmo: quería aseguraros que, con la versión 14, tenemos el mismo concepto de espacio de trabajo y proyecto que Eclipse tiene o tenía, y lo estamos apoyando y reforzando con la versión 14. Así que, cuando salga la versión 14, lo único que tendréis que hacer es dirigir la versión 14 a vuestro espacio de trabajo actual. No hay que actualizar, no hay que migrar, solo tenéis que dirigirla a vuestro espacio de trabajo actual y ya está. Bien, eso es todo por mi parte. Gracias.

Gracias, Chris. Sé que hemos repasado un montón de cosas. Espero que todos los que nos escuchan vean y estén tan ilusionados como nosotros con las novedades que se van a incorporar al producto. Y espero que podáis ver cómo estamos intentando abordarlo tanto desde el punto de vista técnico como, de nuevo, desde el punto de vista del valor empresarial, ¿verdad?, de modo que podamos hacer que sea más fácil de usar y más eficiente desde el punto de vista operativo. Dicho esto, vamos a pasar a la ronda de preguntas y respuestas y a abordar algunas de las que han surgido. La primera que aparece aquí trata sobre los cambios en la corrección. La pregunta es: «¿Se transfieren estos cambios en la corrección al sistema de origen?

«Y si no es así, ¿dónde se almacenan los datos de corrección?» Eso ya se ha respondido aquí: la corrección establece las reglas para realizar esos cambios, y luego tienes la opción de indicar que la corrección lo modifique en el origen o que intervenga en ello. Sí. Entonces, la corrección… y esa es una buena pregunta. Pues bien, nunca modificamos el código fuente. Nunca modificamos el código fuente en ninguna de nuestras herramientas, y nunca lo haremos en el futuro. La corrección se produce cuando se escribe en un destino, ¿verdad? Es decir, se lee de algún sitio y se quiere escribir en otro.

Y en Data Connect tienes la opción de ocultar los objetivos si lo deseas, en caso de que solo quieras que genere métricas. También tienes la opción de ocultar la corrección si no quieres que se aplique. Espero que esto responda a tu pregunta. Sí. Una aclaración perfecta. Otra pregunta que hemos recibido, y que acabas de mencionar, Chris, es la ruta de actualización, así que no creo que sea necesario volver a insistir en ello. Diré que, como mencioné al principio, cuando dimos inicio al seminario en línea, realmente estamos intentando seguir avanzando, ¿verdad?

Queremos que nuestra colaboración con todos vosotros continúe y sea sólida, y parte de ello consiste simplemente en asegurarnos de mantener un contacto regular y realizar evaluaciones periódicas sobre cómo habéis implementado la herramienta, cómo la estáis utilizando y qué funciona y qué no. Así que, cuando empecéis a evaluar la versión 14 y, esperemos, estéis tan ilusionados como nosotros por utilizarla, no dudéis en hacer que nos pongamos en contacto con vosotros para asegurarnos de que el proceso sea fluido para vosotros. Insisto, creo que la hemos diseñado para que así sea, pero también hay otros factores clave para el negocio en los que podemos ayudaros a alcanzar vuestros objetivos. ¿Algo que quieras añadir a eso, Chris, o algún otro aspecto que quieras destacar? Sí. Somos muy conscientes de que lo más importante para nuestros usuarios es todo el material que han creado, todos los años que han dedicado a desarrollar soluciones y a mantenerlas, y, desde luego, queremos que sigáis sacando partido de ello; no queremos que ese proceso os resulte complicado de ninguna manera. Simplemente queremos ser muy flexibles al respecto.

A ver. Aquí hay otra pregunta. A ver. Voy revisándolo. Bueno, aquí hay una pregunta sobre la disponibilidad de la V14. Pues esto va a... Obviamente, estamos aquí presentándosela a vosotros, así que será en muy poco tiempo. A finales de mes vamos a hacer un lanzamiento más público, o un relanzamiento, si se quiere.

Así que, por favor, visitad nuestra página web para más información. Parte del contenido ya está disponible allí. Se seguirá actualizando. Y, de nuevo, queremos asegurarnos de que nos estamos volcando en esto. Por eso, también nos encantaría recibir vuestros comentarios. Queremos asegurarnos de que lo que nos entusiasma a nosotros os entusiasma igualmente a vosotros. Además, contamos con varios programas a nivel interno.

Estamos poniendo en marcha una sección central. Esperamos contar también con una sección este y otra oeste. Todas ellas están pensadas como vías para recibir comentarios, ¿verdad? Así que, de nuevo, mientras seguimos trabajando en la versión 14, nos encantaría que os aseguraseis de echar un vistazo al lanzamiento, que nos dierais vuestra opinión siempre que podáis y que os pusierais en contacto con vuestro representante en vuestra zona. Si no sabéis quién es, no dudéis en poneros en contacto conmigo o incluso con Chris. Sé que cualquiera de los dos estará encantado de ayudaros en lo que necesitéis. Y creo que eso es todo.

Dejadme comprobarlo, para asegurarme de que no hay más preguntas en el chat. Un momento. Sí. Bueno, creo que con esto terminamos con las preguntas, a menos que alguien más quiera añadir algo en el último momento; si es así, no dudéis en hacerlo. Lauren y Chris, nos han llegado un par de preguntas. ¿Hay algún cambio en las opciones de implementación en la versión 14? Sí, y eso viene dado por la incorporación de Integration Manager.

Así pues, Integration Manager se puede implementar en cualquier lugar. Se puede implementar de forma local, como contenedor en una VPC o en la nube. Puedes instalar nuestros motores en cualquier lugar. Pero en cuanto a nuestro estudio de diseño, queríamos que fuera privado, de escritorio y de un único inquilino. Perdón, Integration Manager es multitenant. Desde el punto de vista de la arquitectura, tenemos la capacidad de implementar el estudio de diseño en la nube, pero, por ahora, nos centramos exclusivamente en la instalación local.

De acuerdo. Y había otra cosa más. Muchas organizaciones cuentan con sistemas de IA propios, así que cuando mencionaste que se podía utilizar la IA en ellos, surgieron algunas preguntas sobre qué es lo que admiten, y cosas por el estilo. Sí, buena pregunta. Sí, puedes integrar tu propio modelo en la versión 14. Por supuesto. Excelente.

Y con esto, no veo que haya llegado ninguna otra pregunta. Muy bien. Entonces, supongo que con esto ya podemos dar por terminada la sesión. Una vez más, quiero aprovechar para dar las gracias a todos los que se han tomado el tiempo de asistir a esta sesión. Tengo la sensación de que apenas hemos arañado la superficie. Hay muchas cosas realmente interesantes en lo que estamos haciendo en la versión 14. Es la dirección que estamos tomando dentro del propio producto, y todo gira siempre en torno a la fiabilidad de los datos, lo que realmente nos permite ser proactivos, reactivos, hacerlo desde una única perspectiva, por así decirlo, y hacerlo de forma más eficiente y eficaz.

Así que esperamos que lo veáis y lo tengáis en cuenta, y estamos deseando conectar con vosotros en directo. Os lo agradecemos. Gracias, chicos. Gracias.