Una plataforma practica, con IA integrada y pensada para que mejores desarrollando. Se adapta a tu ritmo, te corrige al instante y te muestra tu progreso real.
Correccion magica
Feedback inteligente
Aprende de cada acierto y fallo con explicaciones claras
¿A quién va dirigida esta formación en Google Cloud Cortex Framework?
Pensado para quienes deben dominar Google Cloud Cortex Framework en su día a día
Equipos de datos, analítica y BI
Este curso encaja con equipos que necesitan transformar datos empresariales complejos en modelos analíticos fiables, gobernados y reutilizables. Aprenderán a trabajar con Cortex Data Foundation, BigQuery, Dataform, data products, reporting y modelos listos para consumo por dashboards, analítica avanzada y casos de IA.
Arquitectos cloud y responsables de plataforma de datos
Los perfiles de arquitectura podrán evaluar cómo encaja Cortex Framework dentro de una plataforma moderna de datos en Google Cloud. El curso les ayuda a diseñar proyectos, permisos, despliegues, separación de entornos, control de costes, seguridad, integración, extensiones y patrones de operación mantenibles.
Equipos SAP, ERP y sistemas corporativos
Para equipos que trabajan con SAP ECC, SAP S/4HANA, Oracle EBS u otros sistemas operacionales, la formación aporta una forma estructurada de llevar datos críticos a BigQuery sin construir todos los modelos desde cero. Se trabaja cómo entender las capas, entidades, dependencias y lógica de negocio que hacen viable la analítica empresarial.
Equipos CRM, marketing analytics y revenue operations
Los perfiles que trabajan con Salesforce, Google Ads, Campaign Manager 360, Google Analytics 4, Meta, TikTok, LiveRamp o DV360 podrán entender cómo Cortex Framework ayuda a unificar datos de cliente, campañas, oportunidades, leads, actividad comercial, atribución y rendimiento de marketing en una base común.
Responsables de IA, agentes y analítica avanzada
Cortex Framework es especialmente relevante para equipos que quieren construir IA sobre datos fiables. El curso ayuda a preparar data products, metadatos, gobernanza, trazabilidad y modelos de BigQuery que puedan alimentar Gemini, agentes conversacionales, modelos de machine learning, asistentes analíticos y casos de RAG empresarial.
Equipos de seguridad, gobierno y compliance de datos
Los perfiles de seguridad y gobierno podrán trabajar los controles necesarios para que Cortex no se convierta en una copia desordenada de datos críticos. Se abordan IAM, segregación de proyectos, linaje, calidad, privacidad, acceso por rol, auditoría, costes, trazabilidad y gobierno del dato desde el diseño.
Proveedor con 16 años de experiencia en formación empresarial
Sobre
En Imagina Formación llevamos más de 16 años ayudando a profesionales y empresas a mejorar sus habilidades con formación práctica y totalmente adaptada a sus necesidades. Durante este tiempo, hemos formado a más de 480.000 personas y colaborado con más de 3.500 empresas, convirtiéndonos en un referente en el sector.
16
Años de liderazgo
+480.000
Alumnos formados en Imagina
¿Tienes dudas?
Resolvemos todas tus dudas sobre nuestra formación en Google Cloud Cortex Framework
Explora las respuestas a las preguntas que guian a nuestra comunidad. Aqui encontraras claridad sobre como funciona todo, desde el acceso hasta los detalles de los cursos. Si buscas respuestas, este es el lugar para comenzar.
Google Cloud Cortex Framework es un conjunto de aceleradores de data products para transformar datos de sistemas empresariales estratégicos en activos fiables y preparados para analítica avanzada e IA sobre Google Cloud. Su arquitectura actual usa BigQuery y Dataform como piezas clave.
No. SAP es uno de los casos más relevantes, pero el curso también cubre Salesforce Sales Cloud, Oracle EBS, fuentes de marketing como Google Ads, Campaign Manager 360, GA4, Meta, TikTok, LiveRamp, YouTube con DV360, Salesforce Marketing Cloud y casos conectados con IA y BI.
No es imprescindible. Lo recomendable es trabajar con datos ficticios, sample data o fuentes saneadas durante el laboratorio. Si se usan datos reales, deben estar autorizados, clasificados y protegidos con controles de acceso, privacidad y seguridad adecuados.
Es principalmente técnico-funcional. Los equipos de datos, cloud y BI profundizarán en arquitectura, despliegue, BigQuery y Dataform, mientras que negocio entenderá data products, KPIs, calidad, reporting, linaje, dashboards y casos de uso de IA.
Sí. El curso incluye explotación en Looker o BI equivalente, diseño de dashboards, capa semántica, KPIs, definición funcional, seguridad de acceso y validación con usuarios de negocio. El objetivo es que los modelos terminen en consumo real, no solo en tablas técnicas.
Sí. Cortex Framework se plantea como base para datos gobernados que puedan alimentar IA, Gemini, agentes, BigQuery Conversational Analytics, ML y aplicaciones inteligentes. El curso cubre cómo preparar data products confiables para estos casos sin perder seguridad ni trazabilidad.
Conviene tener experiencia básica en SQL, BigQuery o data warehouses, además de contexto sobre SAP, Salesforce, marketing analytics, ERP o BI según el dominio elegido. Para los bloques cloud, ayuda conocer IAM, proyectos, costes, Git y despliegues.
Sí. Hay bloques dedicados a extensiones, campos personalizados, lógica local, Dataform, validaciones, documentación y compatibilidad con futuras versiones. La personalización se trabaja con cuidado para no romper el estándar ni generar deuda técnica.
Sí. El curso incluye migración desde reporting heredado, ETLs, hojas manuales y data warehouses existentes. Se trabaja convivencia, reconciliación, equivalencia de KPIs, retirada progresiva de informes antiguos y adopción por negocio.
Sí. Al tratarse de una formación corporativa avanzada en cloud, datos, analítica, BI e IA empresarial, puede plantearse como formación bonificable hasta el 100% a través de FUNDAE, según el crédito disponible y cumpliendo los requisitos administrativos aplicables.
Google Cloud Cortex Framework es un conjunto de aceleradores de data products para transformar datos de sistemas empresariales estratégicos en activos fiables y preparados para analítica avanzada e IA sobre Google Cloud. Su arquitectura actual usa BigQuery y Dataform como piezas clave.
No. SAP es uno de los casos más relevantes, pero el curso también cubre Salesforce Sales Cloud, Oracle EBS, fuentes de marketing como Google Ads, Campaign Manager 360, GA4, Meta, TikTok, LiveRamp, YouTube con DV360, Salesforce Marketing Cloud y casos conectados con IA y BI.
No es imprescindible. Lo recomendable es trabajar con datos ficticios, sample data o fuentes saneadas durante el laboratorio. Si se usan datos reales, deben estar autorizados, clasificados y protegidos con controles de acceso, privacidad y seguridad adecuados.
Es principalmente técnico-funcional. Los equipos de datos, cloud y BI profundizarán en arquitectura, despliegue, BigQuery y Dataform, mientras que negocio entenderá data products, KPIs, calidad, reporting, linaje, dashboards y casos de uso de IA.
Sí. El curso incluye explotación en Looker o BI equivalente, diseño de dashboards, capa semántica, KPIs, definición funcional, seguridad de acceso y validación con usuarios de negocio. El objetivo es que los modelos terminen en consumo real, no solo en tablas técnicas.
Sí. Cortex Framework se plantea como base para datos gobernados que puedan alimentar IA, Gemini, agentes, BigQuery Conversational Analytics, ML y aplicaciones inteligentes. El curso cubre cómo preparar data products confiables para estos casos sin perder seguridad ni trazabilidad.
Conviene tener experiencia básica en SQL, BigQuery o data warehouses, además de contexto sobre SAP, Salesforce, marketing analytics, ERP o BI según el dominio elegido. Para los bloques cloud, ayuda conocer IAM, proyectos, costes, Git y despliegues.
Sí. Hay bloques dedicados a extensiones, campos personalizados, lógica local, Dataform, validaciones, documentación y compatibilidad con futuras versiones. La personalización se trabaja con cuidado para no romper el estándar ni generar deuda técnica.
Sí. El curso incluye migración desde reporting heredado, ETLs, hojas manuales y data warehouses existentes. Se trabaja convivencia, reconciliación, equivalencia de KPIs, retirada progresiva de informes antiguos y adopción por negocio.
Sí. Al tratarse de una formación corporativa avanzada en cloud, datos, analítica, BI e IA empresarial, puede plantearse como formación bonificable hasta el 100% a través de FUNDAE, según el crédito disponible y cumpliendo los requisitos administrativos aplicables.
Comprender Cortex Framework como un conjunto de aceleradores para transformar datos de sistemas estratégicos en activos fiables, reutilizables y preparados para analítica e IA.
Diferenciar Cortex Framework de un proyecto ETL tradicional, entendiendo que aporta modelos de referencia, lógica preconstruida, despliegue modular y orientación a data products.
Analizar en qué escenarios aporta más valor: SAP, Salesforce, marketing analytics, Oracle EBS, sostenibilidad, reporting ejecutivo, IA empresarial y modernización de datos.
Identificar cuándo Cortex Framework no debe implantarse sin preparación previa, especialmente si la organización carece de gobierno de datos, ownership o calidad mínima.
Conectar Cortex con la estrategia global de datos de la empresa: data warehouse, lakehouse, BI, IA generativa, agentes, aplicaciones analíticas y explotación corporativa.
Revisar el papel de BigQuery como base analítica central donde se materializan datos, vistas, transformaciones, modelos y data products.
Entender cómo Dataform ayuda a gestionar transformaciones SQL, dependencias, versionado, ejecución y ciclo de vida de modelos dentro de BigQuery.
Relacionar Cortex Framework con Looker, Gemini Enterprise, BigQuery Conversational Analytics, ML, dashboards y aplicaciones downstream.
Definir roles internos necesarios: data engineer, cloud architect, SAP owner, CRM owner, BI developer, data steward, security owner y business owner.
Construir una visión inicial de adopción que separe quickstart, piloto, despliegue controlado, industrialización y escalado empresarial.
Comprender Cortex Framework como un conjunto de aceleradores para transformar datos de sistemas estratégicos en activos fiables, reutilizables y preparados para analítica e IA.
Diferenciar Cortex Framework de un proyecto ETL tradicional, entendiendo que aporta modelos de referencia, lógica preconstruida, despliegue modular y orientación a data products.
Analizar en qué escenarios aporta más valor: SAP, Salesforce, marketing analytics, Oracle EBS, sostenibilidad, reporting ejecutivo, IA empresarial y modernización de datos.
Identificar cuándo Cortex Framework no debe implantarse sin preparación previa, especialmente si la organización carece de gobierno de datos, ownership o calidad mínima.
Conectar Cortex con la estrategia global de datos de la empresa: data warehouse, lakehouse, BI, IA generativa, agentes, aplicaciones analíticas y explotación corporativa.
Revisar el papel de BigQuery como base analítica central donde se materializan datos, vistas, transformaciones, modelos y data products.
Entender cómo Dataform ayuda a gestionar transformaciones SQL, dependencias, versionado, ejecución y ciclo de vida de modelos dentro de BigQuery.
Relacionar Cortex Framework con Looker, Gemini Enterprise, BigQuery Conversational Analytics, ML, dashboards y aplicaciones downstream.
Definir roles internos necesarios: data engineer, cloud architect, SAP owner, CRM owner, BI developer, data steward, security owner y business owner.
Construir una visión inicial de adopción que separe quickstart, piloto, despliegue controlado, industrialización y escalado empresarial.
Tema 1: Google Cloud Cortex Framework como acelerador de datos empresariales
Comprender Cortex Framework como un conjunto de aceleradores para transformar datos de sistemas estratégicos en activos fiables, reutilizables y preparados para analítica e IA.
Diferenciar Cortex Framework de un proyecto ETL tradicional, entendiendo que aporta modelos de referencia, lógica preconstruida, despliegue modular y orientación a data products.
Analizar en qué escenarios aporta más valor: SAP, Salesforce, marketing analytics, Oracle EBS, sostenibilidad, reporting ejecutivo, IA empresarial y modernización de datos.
Identificar cuándo Cortex Framework no debe implantarse sin preparación previa, especialmente si la organización carece de gobierno de datos, ownership o calidad mínima.
Conectar Cortex con la estrategia global de datos de la empresa: data warehouse, lakehouse, BI, IA generativa, agentes, aplicaciones analíticas y explotación corporativa.
Revisar el papel de BigQuery como base analítica central donde se materializan datos, vistas, transformaciones, modelos y data products.
Entender cómo Dataform ayuda a gestionar transformaciones SQL, dependencias, versionado, ejecución y ciclo de vida de modelos dentro de BigQuery.
Relacionar Cortex Framework con Looker, Gemini Enterprise, BigQuery Conversational Analytics, ML, dashboards y aplicaciones downstream.
Definir roles internos necesarios: data engineer, cloud architect, SAP owner, CRM owner, BI developer, data steward, security owner y business owner.
Construir una visión inicial de adopción que separe quickstart, piloto, despliegue controlado, industrialización y escalado empresarial.
Tema 2: Arquitectura de datos: raw layer, data foundation layer y data product layer
Analizar la capa raw como zona de aterrizaje en BigQuery para datos tal como llegan desde sistemas origen, CDC, extracciones batch o payloads externos.
Comprender la data foundation layer como representación limpia, estandarizada y actualizada de los registros más recientes de los sistemas origen.
Revisar la data product layer como capa orientada a negocio, KPIs, agregaciones, lógica funcional y consumo directo por BI, IA, agentes o aplicaciones.
Diferenciar entre almacenar datos, normalizar datos y convertir datos en productos de información reutilizables por varias áreas.
Diseñar criterios para no contaminar la capa raw con lógica de negocio ni convertir la capa de producto en una acumulación de consultas improvisadas.
Entender cómo las dependencias entre capas influyen en rendimiento, coste, trazabilidad, depuración y facilidad de extensión.
Revisar cómo el enfoque ELT permite aprovechar BigQuery para transformar datos después de la carga y mantener lógica cerca del motor analítico.
Preparar convenciones de nombres para datasets, tablas, vistas, entidades, sufijos, entornos, dominios y versiones.
Identificar puntos donde pueden aparecer errores: datos duplicados, registros obsoletos, transformaciones incompletas, modelos no actualizados o cambios de origen.
Crear un mapa arquitectónico de capas que sirva para explicar Cortex a negocio, IT, auditoría, seguridad y equipos de explotación.
Tema 3: Preparación de Google Cloud para Cortex Framework
Configurar la estructura base de proyectos Google Cloud para separar desarrollo, validación, producción, administración, facturación y datos sensibles.
Activar servicios necesarios de forma controlada, evitando permisos amplios o activaciones no documentadas en proyectos compartidos.
Definir cuentas de servicio para despliegue, ejecución, lectura, transformación, reporting y administración, aplicando mínimo privilegio.
Preparar BigQuery con datasets, ubicaciones, políticas de acceso, etiquetado, particionado, clustering y convenciones de gobierno.
Configurar Cloud Storage para staging, artefactos, configuraciones, scripts y ficheros auxiliares cuando el despliegue lo requiera.
Revisar Cloud Build como mecanismo de automatización de despliegues, validación y ejecución de scripts de infraestructura o configuración.
Configurar Dataform con repositorios, credenciales, entornos y permisos adecuados para transformar datos dentro de BigQuery.
Establecer presupuestos, alertas de coste, cuotas, etiquetas y reporting financiero antes de procesar cargas voluminosas.
Crear controles de seguridad básicos: IAM, auditoría, logs, claves, rotación, separación de entornos y revisión de acceso.
Documentar la preparación cloud para que el entorno pueda reproducirse, auditarse y mantenerse sin depender de una única persona.
Tema 4: Acceso al repositorio, versiones y estrategia de despliegue
Revisar el acceso al repositorio de Cortex Framework y distinguir entre documentación pública, repositorios oficiales, versiones disponibles y contenido en preview.
Entender la importancia de trabajar con una versión concreta del framework, documentando release, cambios, limitaciones y compatibilidad con el proyecto.
Clonar el repositorio de laboratorio y revisar su estructura, carpetas, scripts, configuración, documentación, ERDs y archivos de despliegue.
Diferenciar entre quickstart demo, despliegue de laboratorio, despliegue parcial y despliegue preparado para producción.
Preparar una estrategia de branching para adaptar Cortex sin modificar el estándar de forma desordenada o imposible de actualizar.
Revisar release notes antes de actualizar, prestando atención a funcionalidades, cambios de arquitectura, errores corregidos y elementos deprecados.
Diseñar un proceso de actualización que incluya pruebas, comparación de outputs, revisión de costes, validación de modelos y rollback.
Controlar dependencias del despliegue: APIs activas, service accounts, datasets, configuraciones, permisos, fuentes y parametrización.
Documentar decisiones locales de extensión o personalización para que futuras versiones de Cortex puedan incorporarse sin rehacer todo.
Crear una checklist de despliegue inicial con responsables, entorno, versión, fuentes incluidas, exclusiones, validaciones y evidencia final.
Tema 5: Configuración del despliegue y parametrización de workloads
Interpretar los archivos de configuración que determinan qué fuentes, workloads, datasets, proyectos, regiones, capas y componentes se desplegarán.
Seleccionar únicamente los data products necesarios para evitar procesar tablas, entidades o transformaciones que no aportan valor al caso de uso.
Ajustar parámetros por entorno para diferenciar laboratorio, desarrollo, preproducción y producción sin duplicar lógica innecesaria.
Configurar dependencias entre entidades para que el despliegue recupere y transforme las tablas necesarias sin procesar datos irrelevantes.
Revisar el impacto de activar o desactivar fuentes como SAP, Salesforce, Oracle EBS o marketing según madurez, datos disponibles y prioridad de negocio.
Preparar configuraciones específicas para extensiones, campos personalizados, lógica local y adaptación a particularidades del cliente.
Gestionar secretos, credenciales y parámetros sensibles fuera del repositorio, usando servicios corporativos de gestión de secretos.
Validar la configuración antes de ejecutar despliegues para detectar rutas incorrectas, permisos ausentes, datasets mal nombrados o regiones incompatibles.
Documentar cada parámetro relevante con su finalidad, valor esperado, responsable y posible impacto en coste o seguridad.
Crear plantillas de configuración reutilizables para acelerar nuevos entornos sin copiar configuraciones productivas con datos o permisos sensibles.
Tema 6: BigQuery como motor analítico de Cortex Framework
Diseñar datasets de BigQuery para capas raw, foundation y product con criterios de aislamiento, permisos, coste, gobernanza y claridad operativa.
Usar particionado y clustering para mejorar rendimiento y controlar costes en tablas de alto volumen, históricos, transaccionales o logs.
Revisar cómo las vistas, tablas materializadas o tablas incrementales afectan a latencia, coste, frescura, consumo downstream y mantenimiento.
Interpretar planes de consulta y métricas de ejecución para detectar transformaciones costosas, joins problemáticos o modelos mal filtrados.
Aplicar buenas prácticas de SQL analítico para evitar duplicados, cálculos incoherentes, castings peligrosos y lógica no documentada.
Controlar permisos por dataset, tabla, vista autorizada, columna o fila cuando los datos tienen sensibilidad diferente.
Integrar etiquetas y metadatos para identificar propietario, dominio, criticidad, coste, entorno y finalidad de cada activo.
Preparar consultas de validación para comprobar recuentos, claves, nulos, duplicados, frescura y coherencia entre capas.
Diseñar un modelo de consumo que evite que usuarios finales consulten directamente capas técnicas si deben usar data products gobernados.
Crear una guía de uso de BigQuery para equipos de BI, datos, negocio e IA que consumirán activos generados por Cortex.
Tema 7: Dataform en Cortex: transformación, dependencias y ciclo de vida
Comprender Dataform como pieza de gestión de transformaciones SQL, dependencias, ejecución y versionado dentro del enfoque actual de Cortex.
Revisar cómo Cortex genera y organiza código Dataform durante el proceso de build para transformar modelos y dependencias.
Interpretar acciones, declaraciones, dependencias, assertions y configuraciones de Dataform dentro de un proyecto analítico.
Diseñar transformaciones adicionales sin romper el patrón estándar ni introducir lógica difícil de mantener.
Crear validaciones de calidad en Dataform para detectar nulos críticos, duplicados, claves inválidas o relaciones inconsistentes.
Preparar ejecuciones programadas, manuales o integradas en pipelines, diferenciando cargas completas, incrementales y validaciones.
Gestionar errores de ejecución mediante logs, dependencias, retry, rollback lógico y análisis de causas raíz.
Controlar cambios en modelos Dataform con Git, revisión por pares, pruebas y separación entre ramas de desarrollo y producción.
Documentar transformaciones de negocio para que un KPI calculado en BigQuery pueda explicarse a finanzas, ventas, supply chain o dirección.
Crear un patrón interno para extender Dataform con lógica local sin aislarse del roadmap oficial de Cortex Framework.
Tema 8: Integración de datos SAP ECC y SAP S/4HANA
Identificar los dominios SAP más habituales en Cortex: finanzas, ventas, compras, inventario, supply chain, clientes, proveedores y operaciones.
Comprender cómo Cortex puede trabajar con SAP ECC y S/4HANA como fuentes operacionales para acelerar modelos analíticos en BigQuery.
Diferenciar extracción basada en CDC, replicación, conectores, batch y mecanismos externos según arquitectura SAP y capacidad de la empresa.
Revisar entidades SAP críticas, claves, relaciones, históricos, monedas, unidades, calendarios y lógica de negocio que afecta al análisis.
Preparar validaciones entre SAP origen y BigQuery para comprobar recuentos, frescura, saldos, documentos, estados y consistencia funcional.
Interpretar modelos preconstruidos de SAP sin tratarlos como una caja negra, revisando ERDs, transformaciones y dependencias.
Gestionar personalizaciones SAP, campos Z, ampliaciones locales, sociedades, centros, organizaciones de ventas y estructuras específicas.
Integrar datos SAP con fuentes externas para análisis de ventas, inventario, finanzas, marketing, riesgo o sostenibilidad.
Diseñar controles de acceso para datos SAP sensibles, especialmente finanzas, proveedores, clientes, márgenes y operaciones internas.
Crear un plan de adopción SAP que incluya propietario funcional, propietario técnico, datos prioritarios, validación de negocio y consumo analítico.
Tema 9: Integración de Salesforce Sales Cloud y datos CRM
Comprender cómo Cortex Framework puede acelerar modelos analíticos sobre Salesforce Sales Cloud para cuentas, contactos, leads, oportunidades y casos.
Diferenciar datos operacionales de CRM, datos de actividad comercial, pipeline, histórico, estado de oportunidades y métricas de conversión.
Preparar extracciones hacia BigQuery mediante pipelines o mecanismos compatibles, manteniendo control de permisos, frecuencia y cambios de esquema.
Revisar entidades CRM clave y relaciones que afectan a reporting: Account, Contact, Lead, Opportunity, Case, User, Task, Event y Campaign.
Gestionar duplicados, datos incompletos, estados inconsistentes, campos personalizados y definiciones comerciales divergentes entre equipos.
Crear validaciones para comparar Salesforce y BigQuery: número de oportunidades, importes, etapas, fechas, owners y conversiones.
Diseñar modelos de producto de datos para pipeline, win rate, ciclo de venta, actividad comercial, resolución de casos y productividad.
Integrar Salesforce con marketing, SAP, facturación o soporte para construir una visión de cliente más completa.
Controlar acceso a datos CRM sensibles, como oportunidades estratégicas, forecast, cuentas clave, incidencias y datos personales.
Preparar dashboards y KPIs que ventas pueda aceptar como fuente fiable, evitando discrepancias entre CRM operativo y reporting analítico.
Tema 10: Oracle EBS y otros sistemas operacionales
Identificar cuándo Oracle E-Business Suite u otros ERPs deben integrarse en Cortex para unificar datos financieros, operacionales o logísticos.
Evaluar la compatibilidad de fuentes no SAP con los modelos disponibles, las extensiones necesarias y la estrategia de ingesta más adecuada.
Diseñar staging y normalización para sistemas con estructuras, claves, calendarios, monedas o jerarquías distintas de SAP.
Revisar cómo adaptar modelos estándar a realidades heterogéneas sin convertir Cortex en un proyecto completamente artesanal.
Preparar validaciones de consistencia entre sistemas operacionales y BigQuery para detectar diferencias de extracción, frecuencia o transformación.
Definir metadatos de origen para no perder trazabilidad cuando un dato procede de Oracle EBS, SAP, CRM u otra fuente.
Diseñar reglas de conciliación cuando varias fuentes contienen información similar sobre clientes, proveedores, productos o pedidos.
Controlar permisos y segregación cuando distintos sistemas pertenecen a filiales, áreas de negocio o jurisdicciones diferentes.
Crear documentación funcional para explicar a negocio qué datos están incluidos, cuáles quedan fuera y qué supuestos se han aplicado.
Preparar un roadmap de incorporación gradual de fuentes operacionales sin bloquear el primer valor analítico.
Tema 11: Marketing Data Foundation: Google Ads, CM360, GA4, Meta, TikTok y DV360
Analizar el valor de unificar datos de marketing para medir inversión, campañas, audiencias, rendimiento, atribución y eficiencia comercial.
Revisar las fuentes de marketing soportadas o referenciadas por Cortex Data Foundation, incluyendo Google Ads, Campaign Manager 360, GA4, Meta, TikTok, LiveRamp y YouTube con DV360.
Diseñar ingestas por fuente considerando frecuencia, granularidad, ventanas de atribución, identificadores, costes, clics, impresiones y conversiones.
Gestionar diferencias entre plataformas publicitarias para evitar comparaciones incorrectas de métricas con definiciones distintas.
Crear modelos de data product para reporting de campaña, performance media, cross-media insights, leads, conversión y retorno.
Incorporar datos de Salesforce Marketing Cloud cuando la empresa necesita conectar campañas, clientes, journey y resultados comerciales.
Relacionar inversión de marketing con pipeline comercial, ventas SAP, CRM y datos de cliente para obtener análisis de extremo a extremo.
Controlar privacidad y consentimiento al combinar datos de marketing, CRM, identificadores, audiencias y conversiones.
Preparar dashboards de marketing que permitan distinguir entre reporting operativo, análisis estratégico y experimentación.
Diseñar validaciones para detectar cambios de APIs, discrepancias de métricas, retrasos de carga y campañas mal etiquetadas.
Tema 12: Cortex for Meridian y medición avanzada de marketing
Comprender el papel de Meridian como solución de marketing mix modeling y su conexión con análisis avanzado de inversión y rendimiento.
Evaluar cuándo una empresa está preparada para modelos de atribución o marketing mix y cuándo primero debe mejorar calidad, granularidad y gobierno de datos.
Preparar datos de medios, ventas, promociones, calendario, estacionalidad, mercado y variables externas para análisis de efectividad.
Diseñar una base de datos consistente para alimentar modelos de medición sin depender de exportaciones manuales dispersas.
Revisar riesgos de interpretación: correlación, causalidad, ventanas temporales, efectos retardados, saturación y datos incompletos.
Conectar resultados de medición con decisiones de presupuesto, canales, campañas, productos y mercados.
Preparar dashboards que expliquen resultados de manera comprensible para marketing, finanzas y dirección.
Incorporar gobernanza sobre variables, fuentes, supuestos y versiones para que los modelos sean auditables.
Definir criterios para industrializar medición avanzada sin convertir cada estudio en un proyecto aislado.
Crear una hoja de ruta para evolucionar desde reporting de campañas hacia optimización de inversión basada en modelos.
Tema 13: Data products: diseño, KPIs y lógica de negocio reutilizable
Definir qué convierte una tabla o vista en un verdadero data product: propósito, owner, contrato, calidad, documentación, usuarios y valor de negocio.
Diseñar data products orientados a finanzas, ventas, supply chain, marketing, CRM, operaciones, sostenibilidad o dirección ejecutiva.
Establecer contratos de datos con campos, definiciones, granularidad, actualización, restricciones, calidad esperada y consumidores previstos.
Incorporar KPIs con lógica de negocio documentada para que margen, ventas, pipeline, inventario o conversión no dependan de interpretaciones locales.
Diferenciar métricas operativas, métricas analíticas, métricas ejecutivas y métricas exploratorias dentro de los modelos Cortex.
Preparar data products reutilizables por Looker, consultas SQL, agentes, modelos de ML, aplicaciones internas y procesos automatizados.
Controlar cambios de contrato cuando una métrica, campo o lógica se modifica y puede afectar a dashboards o agentes downstream.
Crear documentación funcional para que negocio entienda de dónde viene cada dato y cómo debe interpretarse.
Diseñar criterios de certificación interna de data products antes de declararlos oficiales para consumo corporativo.
Medir adopción de data products mediante consultas, dashboards, consumidores, incidencias, duplicidades reducidas y decisiones soportadas.
Tema 14: Extensión y personalización de modelos Cortex
Identificar cuándo conviene extender un modelo estándar y cuándo es mejor crear un modelo local separado para no romper actualizaciones futuras.
Añadir campos personalizados de SAP, Salesforce u otras fuentes manteniendo trazabilidad, tipado, documentación y validaciones.
Incorporar lógica de negocio local sin ocultarla dentro de consultas ad hoc imposibles de auditar.
Crear modelos derivados que adapten jerarquías, sociedades, regiones, segmentos, productos o estructuras comerciales propias de la empresa.
Gestionar extensiones mediante Git, revisión por pares, pruebas y documentación para que no dependan de conocimiento tácito.
Validar que las extensiones no degradan rendimiento, coste, frescura, calidad ni compatibilidad con dashboards existentes.
Diseñar mecanismos para comparar modelo estándar y modelo extendido, detectando diferencias relevantes antes de publicar cambios.
Preparar una estrategia de actualización del framework cuando existen personalizaciones locales que deben conservarse.
Documentar ownership de cada extensión para saber quién responde ante cambios, incidencias o dudas funcionales.
Crear patrones internos de personalización repetibles para nuevos dominios, países, filiales o unidades de negocio.
Tema 15: Calidad de datos, validaciones y confianza en los modelos
Diseñar reglas de calidad para comprobar frescura, completitud, unicidad, integridad referencial, rangos válidos y coherencia entre capas.
Crear assertions en Dataform o validaciones equivalentes para detener errores antes de que lleguen a dashboards o agentes.
Comparar datos de origen y BigQuery mediante recuentos, totales, claves, fechas, estados, importes y muestras funcionales.
Identificar problemas habituales: cargas incompletas, duplicados, cambios de esquema, nulos inesperados, monedas incorrectas o unidades mal convertidas.
Definir umbrales de tolerancia para datos operativos, financieros, comerciales y de marketing según impacto de negocio.
Crear paneles de calidad que indiquen qué modelos son confiables, cuáles están degradados y qué owner debe actuar.
Integrar validaciones en pipelines para evitar publicar data products con errores silenciosos.
Documentar incidencias de calidad, causa raíz, corrección, impacto y medidas preventivas.
Definir procesos de reconciliación entre áreas cuando negocio no acepta una métrica por discrepancias con el sistema origen.
Construir una cultura de confianza basada en evidencia, no en suposiciones sobre modelos preconstruidos.
Tema 16: Seguridad, IAM y segregación de acceso
Diseñar un modelo IAM por proyectos, datasets, tablas, vistas, cuentas de servicio, usuarios, grupos y funciones operativas.
Aplicar mínimo privilegio para despliegue, transformación, lectura, reporting, administración y soporte técnico.
Separar entornos y accesos para evitar que usuarios de laboratorio puedan consultar datos productivos o ejecutar cambios no autorizados.
Usar vistas autorizadas, políticas de fila o columna y controles de acceso cuando existen datos personales, financieros o sensibles.
Controlar quién puede ver capas raw frente a data products certificados, reduciendo exposición innecesaria de datos de origen.
Integrar Cortex con políticas corporativas de identidad, grupos, revisiones periódicas de acceso y bajas de usuarios.
Auditar consultas, cambios de permisos, ejecuciones de pipelines, accesos anómalos y exportaciones de datos.
Diseñar controles para proveedores externos, consultores o partners que participen en despliegues o soporte.
Preparar documentación de seguridad para DPO, CISO, auditoría, arquitectura y propietarios de datos.
Crear un procedimiento de revisión de permisos antes de abrir nuevos dominios, dashboards o agentes basados en Cortex.
Tema 17: Gobierno del dato, linaje, metadatos y Knowledge Catalog
Definir ownership de fuentes, tablas, data products, KPIs, dashboards, modelos, agentes y procesos de actualización.
Incorporar metadatos de negocio directamente en BigQuery para traducir activos técnicos a lenguaje comprensible por usuarios y agentes.
Aprovechar catálogos, linaje y documentación para explicar de dónde viene un dato, cómo se transforma y quién lo valida.
Integrar Knowledge Catalog u opciones equivalentes para clasificar, descubrir, proteger y gobernar activos de datos.
Diseñar glosarios de negocio para términos como cliente, venta, margen, oportunidad, lead, pedido, factura o conversión.
Crear procedimientos de aprobación para declarar un data product como oficial, en revisión, experimental o deprecado.
Gestionar versiones de modelos y KPIs para evitar que informes antiguos convivan con métricas nuevas sin advertencias.
Documentar cambios de esquema, transformaciones y reglas de negocio que puedan afectar a consumidores downstream.
Preparar un catálogo navegable por dominio, fuente, owner, criticidad, calidad, frecuencia, consumidores y restricciones.
Conectar gobierno del dato con gobierno de IA para que agentes y modelos consuman información trazable y autorizada.
Tema 18: Looker, dashboards y capa semántica de negocio
Revisar cómo Looker puede consumir modelos de BigQuery generados o extendidos mediante Cortex Framework.
Diseñar dashboards por dominio: finanzas, ventas, supply chain, marketing, CRM, operaciones, sostenibilidad y dirección.
Crear una capa semántica que acerque datos técnicos a lenguaje de negocio, reduciendo discrepancias entre informes locales.
Definir medidas, dimensiones, filtros, jerarquías, drill-downs y exploraciones reutilizables por diferentes perfiles.
Controlar seguridad en Looker para que permisos de visualización respeten restricciones de datos de BigQuery y políticas internas.
Diseñar dashboards ejecutivos que muestren decisiones accionables, no solo tablas trasladadas desde sistemas origen.
Preparar dashboards operativos con alertas, excepciones, seguimiento diario y capacidad de investigar causas.
Validar KPIs con usuarios de negocio antes de publicar paneles como fuente oficial.
Medir adopción de dashboards mediante uso, consultas, feedback, incidencias, decisiones soportadas y reducción de reportes manuales.
Documentar cada dashboard con fuente, propietario, fecha de actualización, lógica de métricas y limitaciones conocidas.
Tema 19: Cortex Framework para IA, Gemini y agentes empresariales
Preparar data products de Cortex para alimentar casos de IA generativa con datos gobernados, trazables y semánticamente comprensibles.
Diferenciar entre usar datos en dashboards, modelos de ML, agentes conversacionales, asistentes analíticos y aplicaciones inteligentes.
Diseñar preguntas empresariales que puedan responderse sobre BigQuery con apoyo de Gemini o agentes analíticos sin romper controles de acceso.
Revisar cómo los metadatos, linaje y calidad de datos reducen respuestas poco fiables en sistemas de IA.
Crear patrones para grounding de agentes sobre modelos BigQuery, evitando que respondan con datos inventados o fuera de contexto.
Identificar riesgos al conectar agentes a datos empresariales: permisos excesivos, interpretación errónea, datos obsoletos o fuga de información.
Diseñar validaciones y límites para consultas generadas por IA sobre datasets de Cortex.
Preparar data products específicos para casos de RAG estructurado, análisis conversacional, explicación de KPIs y asistencia a negocio.
Medir calidad de respuestas de agentes con preguntas reales, discrepancias esperadas, fuentes citadas y validación de expertos.
Crear una hoja de ruta para pasar de reporting tradicional a experiencias analíticas asistidas por IA con gobierno real.
Tema 20: Machine learning, forecasting y analítica avanzada sobre Cortex
Identificar casos de ML viables sobre modelos Cortex: previsión de demanda, propensión, churn, anomalías, riesgo, optimización de inventario o segmentación.
Preparar features desde data products, evitando extraer variables directamente de capas técnicas sin control funcional.
Usar BigQuery ML o Vertex AI cuando el caso requiere modelos predictivos, entrenamiento, scoring, evaluación y despliegue.
Definir datasets de entrenamiento con control de leakage, sesgos, fechas, granularidad y calidad de datos.
Crear pipelines de scoring que escriban resultados de ML en BigQuery para consumo por Looker, aplicaciones o agentes.
Evaluar métricas de rendimiento del modelo junto con impacto de negocio, coste, explicabilidad y facilidad de mantenimiento.
Integrar datos SAP, Salesforce y marketing para modelos más ricos que combinen operación, cliente, venta y campaña.
Documentar variables, supuestos, versiones, calidad y owner de cada modelo para auditoría y continuidad.
Diseñar controles de acceso sobre predicciones sensibles, especialmente cuando afectan a clientes, empleados o decisiones comerciales.
Establecer un ciclo de reentrenamiento, monitorización y revisión para evitar modelos degradados por cambios de negocio o datos.
Tema 21: Costes, rendimiento y optimización de TCO
Identificar costes asociados a BigQuery, Dataform, Cloud Build, almacenamiento, consultas, logs, BI, conectores y procesamiento de datos.
Diseñar particionado, clustering, materialización y estrategia de consulta para reducir coste sin sacrificar utilidad analítica.
Medir coste por data product, dominio, fuente, dashboard, usuario, agente o caso de uso.
Evitar procesamiento innecesario seleccionando workloads y dependencias que realmente aportan valor al proyecto.
Preparar alertas de presupuesto por entorno, proyecto, equipo, dominio y fase de despliegue.
Detectar consultas caras, joins ineficientes, refresh excesivo, tablas sobredimensionadas y dashboards mal diseñados.
Aplicar incrementalidad cuando las fuentes y modelos lo permiten para reducir reprocesamientos completos.
Comparar coste de Cortex frente a construcción manual, mantenimiento de ETLs heredados, reporting local y duplicidad de modelos.
Crear reporting FinOps para que dirección entienda coste, valor, uso, reutilización y retorno de los data products.
Establecer prácticas de optimización continua tras el go-live, no solo durante el despliegue inicial.
Tema 22: Observabilidad, monitorización y soporte operativo
Diseñar monitorización de cargas, transformaciones, jobs BigQuery, ejecuciones Dataform, errores, latencia, frescura y consumo.
Crear alertas para fallos de ingesta, datos obsoletos, assertions rotas, costes anómalos o modelos no actualizados.
Preparar runbooks para incidencias habituales: permisos, datasets inexistentes, cambios de esquema, fallos de transformación o datos incompletos.
Registrar eventos de despliegue, cambios de configuración, errores y acciones manuales para reconstruir incidentes.
Definir niveles de severidad según impacto en dashboards, procesos, agentes, reporting financiero o decisiones críticas.
Crear paneles operativos para equipos de datos, cloud, soporte y propietarios de negocio.
Integrar logs y métricas con herramientas corporativas de observabilidad, SIEM, ITSM o gestión de incidencias.
Diseñar procedimientos de rollback lógico cuando una extensión o actualización introduce errores en modelos downstream.
Preparar comunicación a usuarios cuando un dashboard, data product o agente se ve afectado por problemas de datos.
Mantener una base de conocimiento de incidencias, causas, soluciones y mejoras preventivas.
Tema 23: CI/CD, control de cambios y lifecycle management
Versionar configuración, extensiones, modelos, scripts, documentación, tests y dashboards asociados al despliegue Cortex.
Crear pull requests con revisión técnica y funcional antes de modificar modelos, Dataform, configuraciones o data products oficiales.
Automatizar validaciones de SQL, dependencias, assertions, permisos, naming, documentación y costes estimados.
Separar pipelines de desarrollo, validación y producción con aprobaciones según criticidad del dominio.
Preparar despliegues incrementales que reduzcan riesgo y permitan validar cambios por fuente, dominio o data product.
Gestionar cambios de esquema en sistemas origen mediante análisis de impacto sobre transformaciones, dashboards y agentes.
Documentar releases con cambios funcionales, modelos afectados, migraciones, riesgos, owner y plan de verificación.
Mantener compatibilidad con extensiones locales cuando se actualiza Cortex Framework a una versión superior.
Crear procedimientos de retirada para modelos o dashboards obsoletos, evitando que usuarios sigan consumiendo métricas no vigentes.
Diseñar un ciclo de vida de data products desde experimental hasta certificado, mantenido, deprecado o retirado.
Tema 24: Migración desde data warehouses, ETLs y reporting heredado
Evaluar el estado actual de la empresa: ETLs existentes, data warehouse, reporting SAP, Salesforce, hojas manuales, BI local y procesos dependientes de personas.
Identificar qué modelos heredados se pueden sustituir por Cortex, cuáles deben convivir temporalmente y cuáles requieren rediseño.
Crear un mapa de equivalencias entre métricas antiguas y data products nuevos para reducir rechazo de usuarios.
Planificar migración por dominios para evitar un big bang que afecte a reporting financiero, comercial u operativo.
Reconciliar resultados entre sistemas antiguos y BigQuery, explicando diferencias por frescura, lógica, filtros o correcciones históricas.
Preparar formación a usuarios de BI para que entiendan nuevas fuentes, definiciones, dashboards y limitaciones.
Retirar procesos manuales cuando los data products alcanzan calidad, aceptación y soporte suficiente.
Documentar dependencias entre informes antiguos y nuevos para evitar duplicidades que generen cifras contradictorias.
Crear un plan de convivencia con fechas, responsables, criterios de retirada y comunicación a usuarios.
Medir éxito de migración por reducción de informes manuales, tiempos de entrega, discrepancias, coste y dependencia operativa.
Tema 25: Proyecto final integrador: implantación de Cortex Framework en una empresa
Definir una empresa ficticia o real autorizada con sistemas SAP, Salesforce, marketing o ERP, objetivos analíticos y necesidades de IA.
Diseñar la arquitectura Google Cloud con proyectos, BigQuery, Dataform, Cloud Build, IAM, datasets, entornos, seguridad y control de costes.
Seleccionar workloads prioritarios, justificando qué fuentes y data products se desplegarán primero y cuáles se dejarán para fases posteriores.
Preparar una configuración de despliegue documentada, con parámetros, convenciones, fuentes, exclusiones, permisos y evidencias de validación.
Modelar las capas raw, foundation y product para un dominio de negocio, explicando dependencias, transformaciones y reglas funcionales.
Extender un modelo estándar con campos personalizados, lógica local, validaciones de calidad y documentación funcional.
Diseñar dashboards en Looker o BI equivalente para un caso ejecutivo y otro operativo, conectados a data products de BigQuery.
Preparar un caso de IA sobre los data products: consulta conversacional, agente analítico, explicación de KPIs o modelo predictivo inicial.
Crear un plan de gobierno con owners, calidad, linaje, acceso, auditoría, costes, releases, runbooks y mantenimiento.
Presentar el proyecto final con arquitectura, decisiones, riesgos, costes, roadmap, métricas de éxito y plan de evolución empresarial.
Una plataforma practica, con IA integrada y pensada para que mejores desarrollando. Se adapta a tu ritmo, te corrige al instante y te muestra tu progreso real.
Correccion magica
Feedback inteligente
Aprende de cada acierto y fallo con explicaciones claras
Comprender Cortex Framework como un conjunto de aceleradores para transformar datos de sistemas estratégicos en activos fiables, reutilizables y preparados para analítica e IA.
Diferenciar Cortex Framework de un proyecto ETL tradicional, entendiendo que aporta modelos de referencia, lógica preconstruida, despliegue modular y orientación a data products.
Analizar en qué escenarios aporta más valor: SAP, Salesforce, marketing analytics, Oracle EBS, sostenibilidad, reporting ejecutivo, IA empresarial y modernización de datos.
Identificar cuándo Cortex Framework no debe implantarse sin preparación previa, especialmente si la organización carece de gobierno de datos, ownership o calidad mínima.
Conectar Cortex con la estrategia global de datos de la empresa: data warehouse, lakehouse, BI, IA generativa, agentes, aplicaciones analíticas y explotación corporativa.
Revisar el papel de BigQuery como base analítica central donde se materializan datos, vistas, transformaciones, modelos y data products.
Entender cómo Dataform ayuda a gestionar transformaciones SQL, dependencias, versionado, ejecución y ciclo de vida de modelos dentro de BigQuery.
Relacionar Cortex Framework con Looker, Gemini Enterprise, BigQuery Conversational Analytics, ML, dashboards y aplicaciones downstream.
Definir roles internos necesarios: data engineer, cloud architect, SAP owner, CRM owner, BI developer, data steward, security owner y business owner.
Construir una visión inicial de adopción que separe quickstart, piloto, despliegue controlado, industrialización y escalado empresarial.
Comprender Cortex Framework como un conjunto de aceleradores para transformar datos de sistemas estratégicos en activos fiables, reutilizables y preparados para analítica e IA.
Diferenciar Cortex Framework de un proyecto ETL tradicional, entendiendo que aporta modelos de referencia, lógica preconstruida, despliegue modular y orientación a data products.
Analizar en qué escenarios aporta más valor: SAP, Salesforce, marketing analytics, Oracle EBS, sostenibilidad, reporting ejecutivo, IA empresarial y modernización de datos.
Identificar cuándo Cortex Framework no debe implantarse sin preparación previa, especialmente si la organización carece de gobierno de datos, ownership o calidad mínima.
Conectar Cortex con la estrategia global de datos de la empresa: data warehouse, lakehouse, BI, IA generativa, agentes, aplicaciones analíticas y explotación corporativa.
Revisar el papel de BigQuery como base analítica central donde se materializan datos, vistas, transformaciones, modelos y data products.
Entender cómo Dataform ayuda a gestionar transformaciones SQL, dependencias, versionado, ejecución y ciclo de vida de modelos dentro de BigQuery.
Relacionar Cortex Framework con Looker, Gemini Enterprise, BigQuery Conversational Analytics, ML, dashboards y aplicaciones downstream.
Definir roles internos necesarios: data engineer, cloud architect, SAP owner, CRM owner, BI developer, data steward, security owner y business owner.
Construir una visión inicial de adopción que separe quickstart, piloto, despliegue controlado, industrialización y escalado empresarial.
Tema 1: Google Cloud Cortex Framework como acelerador de datos empresariales
Comprender Cortex Framework como un conjunto de aceleradores para transformar datos de sistemas estratégicos en activos fiables, reutilizables y preparados para analítica e IA.
Diferenciar Cortex Framework de un proyecto ETL tradicional, entendiendo que aporta modelos de referencia, lógica preconstruida, despliegue modular y orientación a data products.
Analizar en qué escenarios aporta más valor: SAP, Salesforce, marketing analytics, Oracle EBS, sostenibilidad, reporting ejecutivo, IA empresarial y modernización de datos.
Identificar cuándo Cortex Framework no debe implantarse sin preparación previa, especialmente si la organización carece de gobierno de datos, ownership o calidad mínima.
Conectar Cortex con la estrategia global de datos de la empresa: data warehouse, lakehouse, BI, IA generativa, agentes, aplicaciones analíticas y explotación corporativa.
Revisar el papel de BigQuery como base analítica central donde se materializan datos, vistas, transformaciones, modelos y data products.
Entender cómo Dataform ayuda a gestionar transformaciones SQL, dependencias, versionado, ejecución y ciclo de vida de modelos dentro de BigQuery.
Relacionar Cortex Framework con Looker, Gemini Enterprise, BigQuery Conversational Analytics, ML, dashboards y aplicaciones downstream.
Definir roles internos necesarios: data engineer, cloud architect, SAP owner, CRM owner, BI developer, data steward, security owner y business owner.
Construir una visión inicial de adopción que separe quickstart, piloto, despliegue controlado, industrialización y escalado empresarial.
Tema 2: Arquitectura de datos: raw layer, data foundation layer y data product layer
Analizar la capa raw como zona de aterrizaje en BigQuery para datos tal como llegan desde sistemas origen, CDC, extracciones batch o payloads externos.
Comprender la data foundation layer como representación limpia, estandarizada y actualizada de los registros más recientes de los sistemas origen.
Revisar la data product layer como capa orientada a negocio, KPIs, agregaciones, lógica funcional y consumo directo por BI, IA, agentes o aplicaciones.
Diferenciar entre almacenar datos, normalizar datos y convertir datos en productos de información reutilizables por varias áreas.
Diseñar criterios para no contaminar la capa raw con lógica de negocio ni convertir la capa de producto en una acumulación de consultas improvisadas.
Entender cómo las dependencias entre capas influyen en rendimiento, coste, trazabilidad, depuración y facilidad de extensión.
Revisar cómo el enfoque ELT permite aprovechar BigQuery para transformar datos después de la carga y mantener lógica cerca del motor analítico.
Preparar convenciones de nombres para datasets, tablas, vistas, entidades, sufijos, entornos, dominios y versiones.
Identificar puntos donde pueden aparecer errores: datos duplicados, registros obsoletos, transformaciones incompletas, modelos no actualizados o cambios de origen.
Crear un mapa arquitectónico de capas que sirva para explicar Cortex a negocio, IT, auditoría, seguridad y equipos de explotación.
Tema 3: Preparación de Google Cloud para Cortex Framework
Configurar la estructura base de proyectos Google Cloud para separar desarrollo, validación, producción, administración, facturación y datos sensibles.
Activar servicios necesarios de forma controlada, evitando permisos amplios o activaciones no documentadas en proyectos compartidos.
Definir cuentas de servicio para despliegue, ejecución, lectura, transformación, reporting y administración, aplicando mínimo privilegio.
Preparar BigQuery con datasets, ubicaciones, políticas de acceso, etiquetado, particionado, clustering y convenciones de gobierno.
Configurar Cloud Storage para staging, artefactos, configuraciones, scripts y ficheros auxiliares cuando el despliegue lo requiera.
Revisar Cloud Build como mecanismo de automatización de despliegues, validación y ejecución de scripts de infraestructura o configuración.
Configurar Dataform con repositorios, credenciales, entornos y permisos adecuados para transformar datos dentro de BigQuery.
Establecer presupuestos, alertas de coste, cuotas, etiquetas y reporting financiero antes de procesar cargas voluminosas.
Crear controles de seguridad básicos: IAM, auditoría, logs, claves, rotación, separación de entornos y revisión de acceso.
Documentar la preparación cloud para que el entorno pueda reproducirse, auditarse y mantenerse sin depender de una única persona.
Tema 4: Acceso al repositorio, versiones y estrategia de despliegue
Revisar el acceso al repositorio de Cortex Framework y distinguir entre documentación pública, repositorios oficiales, versiones disponibles y contenido en preview.
Entender la importancia de trabajar con una versión concreta del framework, documentando release, cambios, limitaciones y compatibilidad con el proyecto.
Clonar el repositorio de laboratorio y revisar su estructura, carpetas, scripts, configuración, documentación, ERDs y archivos de despliegue.
Diferenciar entre quickstart demo, despliegue de laboratorio, despliegue parcial y despliegue preparado para producción.
Preparar una estrategia de branching para adaptar Cortex sin modificar el estándar de forma desordenada o imposible de actualizar.
Revisar release notes antes de actualizar, prestando atención a funcionalidades, cambios de arquitectura, errores corregidos y elementos deprecados.
Diseñar un proceso de actualización que incluya pruebas, comparación de outputs, revisión de costes, validación de modelos y rollback.
Controlar dependencias del despliegue: APIs activas, service accounts, datasets, configuraciones, permisos, fuentes y parametrización.
Documentar decisiones locales de extensión o personalización para que futuras versiones de Cortex puedan incorporarse sin rehacer todo.
Crear una checklist de despliegue inicial con responsables, entorno, versión, fuentes incluidas, exclusiones, validaciones y evidencia final.
Tema 5: Configuración del despliegue y parametrización de workloads
Interpretar los archivos de configuración que determinan qué fuentes, workloads, datasets, proyectos, regiones, capas y componentes se desplegarán.
Seleccionar únicamente los data products necesarios para evitar procesar tablas, entidades o transformaciones que no aportan valor al caso de uso.
Ajustar parámetros por entorno para diferenciar laboratorio, desarrollo, preproducción y producción sin duplicar lógica innecesaria.
Configurar dependencias entre entidades para que el despliegue recupere y transforme las tablas necesarias sin procesar datos irrelevantes.
Revisar el impacto de activar o desactivar fuentes como SAP, Salesforce, Oracle EBS o marketing según madurez, datos disponibles y prioridad de negocio.
Preparar configuraciones específicas para extensiones, campos personalizados, lógica local y adaptación a particularidades del cliente.
Gestionar secretos, credenciales y parámetros sensibles fuera del repositorio, usando servicios corporativos de gestión de secretos.
Validar la configuración antes de ejecutar despliegues para detectar rutas incorrectas, permisos ausentes, datasets mal nombrados o regiones incompatibles.
Documentar cada parámetro relevante con su finalidad, valor esperado, responsable y posible impacto en coste o seguridad.
Crear plantillas de configuración reutilizables para acelerar nuevos entornos sin copiar configuraciones productivas con datos o permisos sensibles.
Tema 6: BigQuery como motor analítico de Cortex Framework
Diseñar datasets de BigQuery para capas raw, foundation y product con criterios de aislamiento, permisos, coste, gobernanza y claridad operativa.
Usar particionado y clustering para mejorar rendimiento y controlar costes en tablas de alto volumen, históricos, transaccionales o logs.
Revisar cómo las vistas, tablas materializadas o tablas incrementales afectan a latencia, coste, frescura, consumo downstream y mantenimiento.
Interpretar planes de consulta y métricas de ejecución para detectar transformaciones costosas, joins problemáticos o modelos mal filtrados.
Aplicar buenas prácticas de SQL analítico para evitar duplicados, cálculos incoherentes, castings peligrosos y lógica no documentada.
Controlar permisos por dataset, tabla, vista autorizada, columna o fila cuando los datos tienen sensibilidad diferente.
Integrar etiquetas y metadatos para identificar propietario, dominio, criticidad, coste, entorno y finalidad de cada activo.
Preparar consultas de validación para comprobar recuentos, claves, nulos, duplicados, frescura y coherencia entre capas.
Diseñar un modelo de consumo que evite que usuarios finales consulten directamente capas técnicas si deben usar data products gobernados.
Crear una guía de uso de BigQuery para equipos de BI, datos, negocio e IA que consumirán activos generados por Cortex.
Tema 7: Dataform en Cortex: transformación, dependencias y ciclo de vida
Comprender Dataform como pieza de gestión de transformaciones SQL, dependencias, ejecución y versionado dentro del enfoque actual de Cortex.
Revisar cómo Cortex genera y organiza código Dataform durante el proceso de build para transformar modelos y dependencias.
Interpretar acciones, declaraciones, dependencias, assertions y configuraciones de Dataform dentro de un proyecto analítico.
Diseñar transformaciones adicionales sin romper el patrón estándar ni introducir lógica difícil de mantener.
Crear validaciones de calidad en Dataform para detectar nulos críticos, duplicados, claves inválidas o relaciones inconsistentes.
Preparar ejecuciones programadas, manuales o integradas en pipelines, diferenciando cargas completas, incrementales y validaciones.
Gestionar errores de ejecución mediante logs, dependencias, retry, rollback lógico y análisis de causas raíz.
Controlar cambios en modelos Dataform con Git, revisión por pares, pruebas y separación entre ramas de desarrollo y producción.
Documentar transformaciones de negocio para que un KPI calculado en BigQuery pueda explicarse a finanzas, ventas, supply chain o dirección.
Crear un patrón interno para extender Dataform con lógica local sin aislarse del roadmap oficial de Cortex Framework.
Tema 8: Integración de datos SAP ECC y SAP S/4HANA
Identificar los dominios SAP más habituales en Cortex: finanzas, ventas, compras, inventario, supply chain, clientes, proveedores y operaciones.
Comprender cómo Cortex puede trabajar con SAP ECC y S/4HANA como fuentes operacionales para acelerar modelos analíticos en BigQuery.
Diferenciar extracción basada en CDC, replicación, conectores, batch y mecanismos externos según arquitectura SAP y capacidad de la empresa.
Revisar entidades SAP críticas, claves, relaciones, históricos, monedas, unidades, calendarios y lógica de negocio que afecta al análisis.
Preparar validaciones entre SAP origen y BigQuery para comprobar recuentos, frescura, saldos, documentos, estados y consistencia funcional.
Interpretar modelos preconstruidos de SAP sin tratarlos como una caja negra, revisando ERDs, transformaciones y dependencias.
Gestionar personalizaciones SAP, campos Z, ampliaciones locales, sociedades, centros, organizaciones de ventas y estructuras específicas.
Integrar datos SAP con fuentes externas para análisis de ventas, inventario, finanzas, marketing, riesgo o sostenibilidad.
Diseñar controles de acceso para datos SAP sensibles, especialmente finanzas, proveedores, clientes, márgenes y operaciones internas.
Crear un plan de adopción SAP que incluya propietario funcional, propietario técnico, datos prioritarios, validación de negocio y consumo analítico.
Tema 9: Integración de Salesforce Sales Cloud y datos CRM
Comprender cómo Cortex Framework puede acelerar modelos analíticos sobre Salesforce Sales Cloud para cuentas, contactos, leads, oportunidades y casos.
Diferenciar datos operacionales de CRM, datos de actividad comercial, pipeline, histórico, estado de oportunidades y métricas de conversión.
Preparar extracciones hacia BigQuery mediante pipelines o mecanismos compatibles, manteniendo control de permisos, frecuencia y cambios de esquema.
Revisar entidades CRM clave y relaciones que afectan a reporting: Account, Contact, Lead, Opportunity, Case, User, Task, Event y Campaign.
Gestionar duplicados, datos incompletos, estados inconsistentes, campos personalizados y definiciones comerciales divergentes entre equipos.
Crear validaciones para comparar Salesforce y BigQuery: número de oportunidades, importes, etapas, fechas, owners y conversiones.
Diseñar modelos de producto de datos para pipeline, win rate, ciclo de venta, actividad comercial, resolución de casos y productividad.
Integrar Salesforce con marketing, SAP, facturación o soporte para construir una visión de cliente más completa.
Controlar acceso a datos CRM sensibles, como oportunidades estratégicas, forecast, cuentas clave, incidencias y datos personales.
Preparar dashboards y KPIs que ventas pueda aceptar como fuente fiable, evitando discrepancias entre CRM operativo y reporting analítico.
Tema 10: Oracle EBS y otros sistemas operacionales
Identificar cuándo Oracle E-Business Suite u otros ERPs deben integrarse en Cortex para unificar datos financieros, operacionales o logísticos.
Evaluar la compatibilidad de fuentes no SAP con los modelos disponibles, las extensiones necesarias y la estrategia de ingesta más adecuada.
Diseñar staging y normalización para sistemas con estructuras, claves, calendarios, monedas o jerarquías distintas de SAP.
Revisar cómo adaptar modelos estándar a realidades heterogéneas sin convertir Cortex en un proyecto completamente artesanal.
Preparar validaciones de consistencia entre sistemas operacionales y BigQuery para detectar diferencias de extracción, frecuencia o transformación.
Definir metadatos de origen para no perder trazabilidad cuando un dato procede de Oracle EBS, SAP, CRM u otra fuente.
Diseñar reglas de conciliación cuando varias fuentes contienen información similar sobre clientes, proveedores, productos o pedidos.
Controlar permisos y segregación cuando distintos sistemas pertenecen a filiales, áreas de negocio o jurisdicciones diferentes.
Crear documentación funcional para explicar a negocio qué datos están incluidos, cuáles quedan fuera y qué supuestos se han aplicado.
Preparar un roadmap de incorporación gradual de fuentes operacionales sin bloquear el primer valor analítico.
Tema 11: Marketing Data Foundation: Google Ads, CM360, GA4, Meta, TikTok y DV360
Analizar el valor de unificar datos de marketing para medir inversión, campañas, audiencias, rendimiento, atribución y eficiencia comercial.
Revisar las fuentes de marketing soportadas o referenciadas por Cortex Data Foundation, incluyendo Google Ads, Campaign Manager 360, GA4, Meta, TikTok, LiveRamp y YouTube con DV360.
Diseñar ingestas por fuente considerando frecuencia, granularidad, ventanas de atribución, identificadores, costes, clics, impresiones y conversiones.
Gestionar diferencias entre plataformas publicitarias para evitar comparaciones incorrectas de métricas con definiciones distintas.
Crear modelos de data product para reporting de campaña, performance media, cross-media insights, leads, conversión y retorno.
Incorporar datos de Salesforce Marketing Cloud cuando la empresa necesita conectar campañas, clientes, journey y resultados comerciales.
Relacionar inversión de marketing con pipeline comercial, ventas SAP, CRM y datos de cliente para obtener análisis de extremo a extremo.
Controlar privacidad y consentimiento al combinar datos de marketing, CRM, identificadores, audiencias y conversiones.
Preparar dashboards de marketing que permitan distinguir entre reporting operativo, análisis estratégico y experimentación.
Diseñar validaciones para detectar cambios de APIs, discrepancias de métricas, retrasos de carga y campañas mal etiquetadas.
Tema 12: Cortex for Meridian y medición avanzada de marketing
Comprender el papel de Meridian como solución de marketing mix modeling y su conexión con análisis avanzado de inversión y rendimiento.
Evaluar cuándo una empresa está preparada para modelos de atribución o marketing mix y cuándo primero debe mejorar calidad, granularidad y gobierno de datos.
Preparar datos de medios, ventas, promociones, calendario, estacionalidad, mercado y variables externas para análisis de efectividad.
Diseñar una base de datos consistente para alimentar modelos de medición sin depender de exportaciones manuales dispersas.
Revisar riesgos de interpretación: correlación, causalidad, ventanas temporales, efectos retardados, saturación y datos incompletos.
Conectar resultados de medición con decisiones de presupuesto, canales, campañas, productos y mercados.
Preparar dashboards que expliquen resultados de manera comprensible para marketing, finanzas y dirección.
Incorporar gobernanza sobre variables, fuentes, supuestos y versiones para que los modelos sean auditables.
Definir criterios para industrializar medición avanzada sin convertir cada estudio en un proyecto aislado.
Crear una hoja de ruta para evolucionar desde reporting de campañas hacia optimización de inversión basada en modelos.
Tema 13: Data products: diseño, KPIs y lógica de negocio reutilizable
Definir qué convierte una tabla o vista en un verdadero data product: propósito, owner, contrato, calidad, documentación, usuarios y valor de negocio.
Diseñar data products orientados a finanzas, ventas, supply chain, marketing, CRM, operaciones, sostenibilidad o dirección ejecutiva.
Establecer contratos de datos con campos, definiciones, granularidad, actualización, restricciones, calidad esperada y consumidores previstos.
Incorporar KPIs con lógica de negocio documentada para que margen, ventas, pipeline, inventario o conversión no dependan de interpretaciones locales.
Diferenciar métricas operativas, métricas analíticas, métricas ejecutivas y métricas exploratorias dentro de los modelos Cortex.
Preparar data products reutilizables por Looker, consultas SQL, agentes, modelos de ML, aplicaciones internas y procesos automatizados.
Controlar cambios de contrato cuando una métrica, campo o lógica se modifica y puede afectar a dashboards o agentes downstream.
Crear documentación funcional para que negocio entienda de dónde viene cada dato y cómo debe interpretarse.
Diseñar criterios de certificación interna de data products antes de declararlos oficiales para consumo corporativo.
Medir adopción de data products mediante consultas, dashboards, consumidores, incidencias, duplicidades reducidas y decisiones soportadas.
Tema 14: Extensión y personalización de modelos Cortex
Identificar cuándo conviene extender un modelo estándar y cuándo es mejor crear un modelo local separado para no romper actualizaciones futuras.
Añadir campos personalizados de SAP, Salesforce u otras fuentes manteniendo trazabilidad, tipado, documentación y validaciones.
Incorporar lógica de negocio local sin ocultarla dentro de consultas ad hoc imposibles de auditar.
Crear modelos derivados que adapten jerarquías, sociedades, regiones, segmentos, productos o estructuras comerciales propias de la empresa.
Gestionar extensiones mediante Git, revisión por pares, pruebas y documentación para que no dependan de conocimiento tácito.
Validar que las extensiones no degradan rendimiento, coste, frescura, calidad ni compatibilidad con dashboards existentes.
Diseñar mecanismos para comparar modelo estándar y modelo extendido, detectando diferencias relevantes antes de publicar cambios.
Preparar una estrategia de actualización del framework cuando existen personalizaciones locales que deben conservarse.
Documentar ownership de cada extensión para saber quién responde ante cambios, incidencias o dudas funcionales.
Crear patrones internos de personalización repetibles para nuevos dominios, países, filiales o unidades de negocio.
Tema 15: Calidad de datos, validaciones y confianza en los modelos
Diseñar reglas de calidad para comprobar frescura, completitud, unicidad, integridad referencial, rangos válidos y coherencia entre capas.
Crear assertions en Dataform o validaciones equivalentes para detener errores antes de que lleguen a dashboards o agentes.
Comparar datos de origen y BigQuery mediante recuentos, totales, claves, fechas, estados, importes y muestras funcionales.
Identificar problemas habituales: cargas incompletas, duplicados, cambios de esquema, nulos inesperados, monedas incorrectas o unidades mal convertidas.
Definir umbrales de tolerancia para datos operativos, financieros, comerciales y de marketing según impacto de negocio.
Crear paneles de calidad que indiquen qué modelos son confiables, cuáles están degradados y qué owner debe actuar.
Integrar validaciones en pipelines para evitar publicar data products con errores silenciosos.
Documentar incidencias de calidad, causa raíz, corrección, impacto y medidas preventivas.
Definir procesos de reconciliación entre áreas cuando negocio no acepta una métrica por discrepancias con el sistema origen.
Construir una cultura de confianza basada en evidencia, no en suposiciones sobre modelos preconstruidos.
Tema 16: Seguridad, IAM y segregación de acceso
Diseñar un modelo IAM por proyectos, datasets, tablas, vistas, cuentas de servicio, usuarios, grupos y funciones operativas.
Aplicar mínimo privilegio para despliegue, transformación, lectura, reporting, administración y soporte técnico.
Separar entornos y accesos para evitar que usuarios de laboratorio puedan consultar datos productivos o ejecutar cambios no autorizados.
Usar vistas autorizadas, políticas de fila o columna y controles de acceso cuando existen datos personales, financieros o sensibles.
Controlar quién puede ver capas raw frente a data products certificados, reduciendo exposición innecesaria de datos de origen.
Integrar Cortex con políticas corporativas de identidad, grupos, revisiones periódicas de acceso y bajas de usuarios.
Auditar consultas, cambios de permisos, ejecuciones de pipelines, accesos anómalos y exportaciones de datos.
Diseñar controles para proveedores externos, consultores o partners que participen en despliegues o soporte.
Preparar documentación de seguridad para DPO, CISO, auditoría, arquitectura y propietarios de datos.
Crear un procedimiento de revisión de permisos antes de abrir nuevos dominios, dashboards o agentes basados en Cortex.
Tema 17: Gobierno del dato, linaje, metadatos y Knowledge Catalog
Definir ownership de fuentes, tablas, data products, KPIs, dashboards, modelos, agentes y procesos de actualización.
Incorporar metadatos de negocio directamente en BigQuery para traducir activos técnicos a lenguaje comprensible por usuarios y agentes.
Aprovechar catálogos, linaje y documentación para explicar de dónde viene un dato, cómo se transforma y quién lo valida.
Integrar Knowledge Catalog u opciones equivalentes para clasificar, descubrir, proteger y gobernar activos de datos.
Diseñar glosarios de negocio para términos como cliente, venta, margen, oportunidad, lead, pedido, factura o conversión.
Crear procedimientos de aprobación para declarar un data product como oficial, en revisión, experimental o deprecado.
Gestionar versiones de modelos y KPIs para evitar que informes antiguos convivan con métricas nuevas sin advertencias.
Documentar cambios de esquema, transformaciones y reglas de negocio que puedan afectar a consumidores downstream.
Preparar un catálogo navegable por dominio, fuente, owner, criticidad, calidad, frecuencia, consumidores y restricciones.
Conectar gobierno del dato con gobierno de IA para que agentes y modelos consuman información trazable y autorizada.
Tema 18: Looker, dashboards y capa semántica de negocio
Revisar cómo Looker puede consumir modelos de BigQuery generados o extendidos mediante Cortex Framework.
Diseñar dashboards por dominio: finanzas, ventas, supply chain, marketing, CRM, operaciones, sostenibilidad y dirección.
Crear una capa semántica que acerque datos técnicos a lenguaje de negocio, reduciendo discrepancias entre informes locales.
Definir medidas, dimensiones, filtros, jerarquías, drill-downs y exploraciones reutilizables por diferentes perfiles.
Controlar seguridad en Looker para que permisos de visualización respeten restricciones de datos de BigQuery y políticas internas.
Diseñar dashboards ejecutivos que muestren decisiones accionables, no solo tablas trasladadas desde sistemas origen.
Preparar dashboards operativos con alertas, excepciones, seguimiento diario y capacidad de investigar causas.
Validar KPIs con usuarios de negocio antes de publicar paneles como fuente oficial.
Medir adopción de dashboards mediante uso, consultas, feedback, incidencias, decisiones soportadas y reducción de reportes manuales.
Documentar cada dashboard con fuente, propietario, fecha de actualización, lógica de métricas y limitaciones conocidas.
Tema 19: Cortex Framework para IA, Gemini y agentes empresariales
Preparar data products de Cortex para alimentar casos de IA generativa con datos gobernados, trazables y semánticamente comprensibles.
Diferenciar entre usar datos en dashboards, modelos de ML, agentes conversacionales, asistentes analíticos y aplicaciones inteligentes.
Diseñar preguntas empresariales que puedan responderse sobre BigQuery con apoyo de Gemini o agentes analíticos sin romper controles de acceso.
Revisar cómo los metadatos, linaje y calidad de datos reducen respuestas poco fiables en sistemas de IA.
Crear patrones para grounding de agentes sobre modelos BigQuery, evitando que respondan con datos inventados o fuera de contexto.
Identificar riesgos al conectar agentes a datos empresariales: permisos excesivos, interpretación errónea, datos obsoletos o fuga de información.
Diseñar validaciones y límites para consultas generadas por IA sobre datasets de Cortex.
Preparar data products específicos para casos de RAG estructurado, análisis conversacional, explicación de KPIs y asistencia a negocio.
Medir calidad de respuestas de agentes con preguntas reales, discrepancias esperadas, fuentes citadas y validación de expertos.
Crear una hoja de ruta para pasar de reporting tradicional a experiencias analíticas asistidas por IA con gobierno real.
Tema 20: Machine learning, forecasting y analítica avanzada sobre Cortex
Identificar casos de ML viables sobre modelos Cortex: previsión de demanda, propensión, churn, anomalías, riesgo, optimización de inventario o segmentación.
Preparar features desde data products, evitando extraer variables directamente de capas técnicas sin control funcional.
Usar BigQuery ML o Vertex AI cuando el caso requiere modelos predictivos, entrenamiento, scoring, evaluación y despliegue.
Definir datasets de entrenamiento con control de leakage, sesgos, fechas, granularidad y calidad de datos.
Crear pipelines de scoring que escriban resultados de ML en BigQuery para consumo por Looker, aplicaciones o agentes.
Evaluar métricas de rendimiento del modelo junto con impacto de negocio, coste, explicabilidad y facilidad de mantenimiento.
Integrar datos SAP, Salesforce y marketing para modelos más ricos que combinen operación, cliente, venta y campaña.
Documentar variables, supuestos, versiones, calidad y owner de cada modelo para auditoría y continuidad.
Diseñar controles de acceso sobre predicciones sensibles, especialmente cuando afectan a clientes, empleados o decisiones comerciales.
Establecer un ciclo de reentrenamiento, monitorización y revisión para evitar modelos degradados por cambios de negocio o datos.
Tema 21: Costes, rendimiento y optimización de TCO
Identificar costes asociados a BigQuery, Dataform, Cloud Build, almacenamiento, consultas, logs, BI, conectores y procesamiento de datos.
Diseñar particionado, clustering, materialización y estrategia de consulta para reducir coste sin sacrificar utilidad analítica.
Medir coste por data product, dominio, fuente, dashboard, usuario, agente o caso de uso.
Evitar procesamiento innecesario seleccionando workloads y dependencias que realmente aportan valor al proyecto.
Preparar alertas de presupuesto por entorno, proyecto, equipo, dominio y fase de despliegue.
Detectar consultas caras, joins ineficientes, refresh excesivo, tablas sobredimensionadas y dashboards mal diseñados.
Aplicar incrementalidad cuando las fuentes y modelos lo permiten para reducir reprocesamientos completos.
Comparar coste de Cortex frente a construcción manual, mantenimiento de ETLs heredados, reporting local y duplicidad de modelos.
Crear reporting FinOps para que dirección entienda coste, valor, uso, reutilización y retorno de los data products.
Establecer prácticas de optimización continua tras el go-live, no solo durante el despliegue inicial.
Tema 22: Observabilidad, monitorización y soporte operativo
Diseñar monitorización de cargas, transformaciones, jobs BigQuery, ejecuciones Dataform, errores, latencia, frescura y consumo.
Crear alertas para fallos de ingesta, datos obsoletos, assertions rotas, costes anómalos o modelos no actualizados.
Preparar runbooks para incidencias habituales: permisos, datasets inexistentes, cambios de esquema, fallos de transformación o datos incompletos.
Registrar eventos de despliegue, cambios de configuración, errores y acciones manuales para reconstruir incidentes.
Definir niveles de severidad según impacto en dashboards, procesos, agentes, reporting financiero o decisiones críticas.
Crear paneles operativos para equipos de datos, cloud, soporte y propietarios de negocio.
Integrar logs y métricas con herramientas corporativas de observabilidad, SIEM, ITSM o gestión de incidencias.
Diseñar procedimientos de rollback lógico cuando una extensión o actualización introduce errores en modelos downstream.
Preparar comunicación a usuarios cuando un dashboard, data product o agente se ve afectado por problemas de datos.
Mantener una base de conocimiento de incidencias, causas, soluciones y mejoras preventivas.
Tema 23: CI/CD, control de cambios y lifecycle management
Versionar configuración, extensiones, modelos, scripts, documentación, tests y dashboards asociados al despliegue Cortex.
Crear pull requests con revisión técnica y funcional antes de modificar modelos, Dataform, configuraciones o data products oficiales.
Automatizar validaciones de SQL, dependencias, assertions, permisos, naming, documentación y costes estimados.
Separar pipelines de desarrollo, validación y producción con aprobaciones según criticidad del dominio.
Preparar despliegues incrementales que reduzcan riesgo y permitan validar cambios por fuente, dominio o data product.
Gestionar cambios de esquema en sistemas origen mediante análisis de impacto sobre transformaciones, dashboards y agentes.
Documentar releases con cambios funcionales, modelos afectados, migraciones, riesgos, owner y plan de verificación.
Mantener compatibilidad con extensiones locales cuando se actualiza Cortex Framework a una versión superior.
Crear procedimientos de retirada para modelos o dashboards obsoletos, evitando que usuarios sigan consumiendo métricas no vigentes.
Diseñar un ciclo de vida de data products desde experimental hasta certificado, mantenido, deprecado o retirado.
Tema 24: Migración desde data warehouses, ETLs y reporting heredado
Evaluar el estado actual de la empresa: ETLs existentes, data warehouse, reporting SAP, Salesforce, hojas manuales, BI local y procesos dependientes de personas.
Identificar qué modelos heredados se pueden sustituir por Cortex, cuáles deben convivir temporalmente y cuáles requieren rediseño.
Crear un mapa de equivalencias entre métricas antiguas y data products nuevos para reducir rechazo de usuarios.
Planificar migración por dominios para evitar un big bang que afecte a reporting financiero, comercial u operativo.
Reconciliar resultados entre sistemas antiguos y BigQuery, explicando diferencias por frescura, lógica, filtros o correcciones históricas.
Preparar formación a usuarios de BI para que entiendan nuevas fuentes, definiciones, dashboards y limitaciones.
Retirar procesos manuales cuando los data products alcanzan calidad, aceptación y soporte suficiente.
Documentar dependencias entre informes antiguos y nuevos para evitar duplicidades que generen cifras contradictorias.
Crear un plan de convivencia con fechas, responsables, criterios de retirada y comunicación a usuarios.
Medir éxito de migración por reducción de informes manuales, tiempos de entrega, discrepancias, coste y dependencia operativa.
Tema 25: Proyecto final integrador: implantación de Cortex Framework en una empresa
Definir una empresa ficticia o real autorizada con sistemas SAP, Salesforce, marketing o ERP, objetivos analíticos y necesidades de IA.
Diseñar la arquitectura Google Cloud con proyectos, BigQuery, Dataform, Cloud Build, IAM, datasets, entornos, seguridad y control de costes.
Seleccionar workloads prioritarios, justificando qué fuentes y data products se desplegarán primero y cuáles se dejarán para fases posteriores.
Preparar una configuración de despliegue documentada, con parámetros, convenciones, fuentes, exclusiones, permisos y evidencias de validación.
Modelar las capas raw, foundation y product para un dominio de negocio, explicando dependencias, transformaciones y reglas funcionales.
Extender un modelo estándar con campos personalizados, lógica local, validaciones de calidad y documentación funcional.
Diseñar dashboards en Looker o BI equivalente para un caso ejecutivo y otro operativo, conectados a data products de BigQuery.
Preparar un caso de IA sobre los data products: consulta conversacional, agente analítico, explicación de KPIs o modelo predictivo inicial.
Crear un plan de gobierno con owners, calidad, linaje, acceso, auditoría, costes, releases, runbooks y mantenimiento.
Presentar el proyecto final con arquitectura, decisiones, riesgos, costes, roadmap, métricas de éxito y plan de evolución empresarial.
Aulas Virtuales Personalizadas
¿Te imaginas tener un Temario 100% Personalizado para tu Empresa?
¿A quién va dirigida esta formación en Google Cloud Cortex Framework?
Pensado para quienes deben dominar Google Cloud Cortex Framework en su día a día
Equipos de datos, analítica y BI
Este curso encaja con equipos que necesitan transformar datos empresariales complejos en modelos analíticos fiables, gobernados y reutilizables. Aprenderán a trabajar con Cortex Data Foundation, BigQuery, Dataform, data products, reporting y modelos listos para consumo por dashboards, analítica avanzada y casos de IA.
Arquitectos cloud y responsables de plataforma de datos
Los perfiles de arquitectura podrán evaluar cómo encaja Cortex Framework dentro de una plataforma moderna de datos en Google Cloud. El curso les ayuda a diseñar proyectos, permisos, despliegues, separación de entornos, control de costes, seguridad, integración, extensiones y patrones de operación mantenibles.
Equipos SAP, ERP y sistemas corporativos
Para equipos que trabajan con SAP ECC, SAP S/4HANA, Oracle EBS u otros sistemas operacionales, la formación aporta una forma estructurada de llevar datos críticos a BigQuery sin construir todos los modelos desde cero. Se trabaja cómo entender las capas, entidades, dependencias y lógica de negocio que hacen viable la analítica empresarial.
Equipos CRM, marketing analytics y revenue operations
Los perfiles que trabajan con Salesforce, Google Ads, Campaign Manager 360, Google Analytics 4, Meta, TikTok, LiveRamp o DV360 podrán entender cómo Cortex Framework ayuda a unificar datos de cliente, campañas, oportunidades, leads, actividad comercial, atribución y rendimiento de marketing en una base común.
Responsables de IA, agentes y analítica avanzada
Cortex Framework es especialmente relevante para equipos que quieren construir IA sobre datos fiables. El curso ayuda a preparar data products, metadatos, gobernanza, trazabilidad y modelos de BigQuery que puedan alimentar Gemini, agentes conversacionales, modelos de machine learning, asistentes analíticos y casos de RAG empresarial.
Equipos de seguridad, gobierno y compliance de datos
Los perfiles de seguridad y gobierno podrán trabajar los controles necesarios para que Cortex no se convierta en una copia desordenada de datos críticos. Se abordan IAM, segregación de proyectos, linaje, calidad, privacidad, acceso por rol, auditoría, costes, trazabilidad y gobierno del dato desde el diseño.
Proveedor con 16 años de experiencia en formación empresarial
Sobre
En Imagina Formación llevamos más de 16 años ayudando a profesionales y empresas a mejorar sus habilidades con formación práctica y totalmente adaptada a sus necesidades. Durante este tiempo, hemos formado a más de 480.000 personas y colaborado con más de 3.500 empresas, convirtiéndonos en un referente en el sector.
16
Años de liderazgo
+480.000
Alumnos formados en Imagina
¿Tienes dudas?
Resolvemos todas tus dudas sobre nuestra formación en Google Cloud Cortex Framework
Explora las respuestas a las preguntas que guian a nuestra comunidad. Aqui encontraras claridad sobre como funciona todo, desde el acceso hasta los detalles de los cursos. Si buscas respuestas, este es el lugar para comenzar.
Google Cloud Cortex Framework es un conjunto de aceleradores de data products para transformar datos de sistemas empresariales estratégicos en activos fiables y preparados para analítica avanzada e IA sobre Google Cloud. Su arquitectura actual usa BigQuery y Dataform como piezas clave.
No. SAP es uno de los casos más relevantes, pero el curso también cubre Salesforce Sales Cloud, Oracle EBS, fuentes de marketing como Google Ads, Campaign Manager 360, GA4, Meta, TikTok, LiveRamp, YouTube con DV360, Salesforce Marketing Cloud y casos conectados con IA y BI.
No es imprescindible. Lo recomendable es trabajar con datos ficticios, sample data o fuentes saneadas durante el laboratorio. Si se usan datos reales, deben estar autorizados, clasificados y protegidos con controles de acceso, privacidad y seguridad adecuados.
Es principalmente técnico-funcional. Los equipos de datos, cloud y BI profundizarán en arquitectura, despliegue, BigQuery y Dataform, mientras que negocio entenderá data products, KPIs, calidad, reporting, linaje, dashboards y casos de uso de IA.
Sí. El curso incluye explotación en Looker o BI equivalente, diseño de dashboards, capa semántica, KPIs, definición funcional, seguridad de acceso y validación con usuarios de negocio. El objetivo es que los modelos terminen en consumo real, no solo en tablas técnicas.
Sí. Cortex Framework se plantea como base para datos gobernados que puedan alimentar IA, Gemini, agentes, BigQuery Conversational Analytics, ML y aplicaciones inteligentes. El curso cubre cómo preparar data products confiables para estos casos sin perder seguridad ni trazabilidad.
Conviene tener experiencia básica en SQL, BigQuery o data warehouses, además de contexto sobre SAP, Salesforce, marketing analytics, ERP o BI según el dominio elegido. Para los bloques cloud, ayuda conocer IAM, proyectos, costes, Git y despliegues.
Sí. Hay bloques dedicados a extensiones, campos personalizados, lógica local, Dataform, validaciones, documentación y compatibilidad con futuras versiones. La personalización se trabaja con cuidado para no romper el estándar ni generar deuda técnica.
Sí. El curso incluye migración desde reporting heredado, ETLs, hojas manuales y data warehouses existentes. Se trabaja convivencia, reconciliación, equivalencia de KPIs, retirada progresiva de informes antiguos y adopción por negocio.
Sí. Al tratarse de una formación corporativa avanzada en cloud, datos, analítica, BI e IA empresarial, puede plantearse como formación bonificable hasta el 100% a través de FUNDAE, según el crédito disponible y cumpliendo los requisitos administrativos aplicables.
Google Cloud Cortex Framework es un conjunto de aceleradores de data products para transformar datos de sistemas empresariales estratégicos en activos fiables y preparados para analítica avanzada e IA sobre Google Cloud. Su arquitectura actual usa BigQuery y Dataform como piezas clave.
No. SAP es uno de los casos más relevantes, pero el curso también cubre Salesforce Sales Cloud, Oracle EBS, fuentes de marketing como Google Ads, Campaign Manager 360, GA4, Meta, TikTok, LiveRamp, YouTube con DV360, Salesforce Marketing Cloud y casos conectados con IA y BI.
No es imprescindible. Lo recomendable es trabajar con datos ficticios, sample data o fuentes saneadas durante el laboratorio. Si se usan datos reales, deben estar autorizados, clasificados y protegidos con controles de acceso, privacidad y seguridad adecuados.
Es principalmente técnico-funcional. Los equipos de datos, cloud y BI profundizarán en arquitectura, despliegue, BigQuery y Dataform, mientras que negocio entenderá data products, KPIs, calidad, reporting, linaje, dashboards y casos de uso de IA.
Sí. El curso incluye explotación en Looker o BI equivalente, diseño de dashboards, capa semántica, KPIs, definición funcional, seguridad de acceso y validación con usuarios de negocio. El objetivo es que los modelos terminen en consumo real, no solo en tablas técnicas.
Sí. Cortex Framework se plantea como base para datos gobernados que puedan alimentar IA, Gemini, agentes, BigQuery Conversational Analytics, ML y aplicaciones inteligentes. El curso cubre cómo preparar data products confiables para estos casos sin perder seguridad ni trazabilidad.
Conviene tener experiencia básica en SQL, BigQuery o data warehouses, además de contexto sobre SAP, Salesforce, marketing analytics, ERP o BI según el dominio elegido. Para los bloques cloud, ayuda conocer IAM, proyectos, costes, Git y despliegues.
Sí. Hay bloques dedicados a extensiones, campos personalizados, lógica local, Dataform, validaciones, documentación y compatibilidad con futuras versiones. La personalización se trabaja con cuidado para no romper el estándar ni generar deuda técnica.
Sí. El curso incluye migración desde reporting heredado, ETLs, hojas manuales y data warehouses existentes. Se trabaja convivencia, reconciliación, equivalencia de KPIs, retirada progresiva de informes antiguos y adopción por negocio.
Sí. Al tratarse de una formación corporativa avanzada en cloud, datos, analítica, BI e IA empresarial, puede plantearse como formación bonificable hasta el 100% a través de FUNDAE, según el crédito disponible y cumpliendo los requisitos administrativos aplicables.