DifícilOpción múltiple

Pregunta de práctica de DA0-002

Una gran empresa minorista está integrando datos de clientes de dos sistemas CRM separados en un nuevo almacén de datos (data warehouse). El Sistema A almacena los ID de clientes como enteros (ej., 12345), mientras que el Sistema B los almacena como cadenas alfanuméricas (ej., 'CUST-12345-X'). Además, algunos clientes existen en ambos sistemas pero con ligeras variaciones en los nombres (ej., 'John Smith' frente a 'Jon Smith'). El almacén de datos requiere una tabla de clientes unificada con un único identificador único para cada cliente. El analista necesita diseñar el proceso de adquisición de datos. ¿Cuál de las siguientes opciones es el primer paso más apropiado?

Elige la mejor respuesta.

Respuesta correcta

  • CRealizar un perfilado de datos para analizar distribuciones de datos, tipos de datos y problemas de calidad en cada origen

Explicación

El perfilado de datos es el primer paso fundamental en cualquier proyecto de integración de datos. Evalúa sistemáticamente los tipos de datos de origen, los formatos, la integridad y los problemas de calidad (ej., ID enteros frente a alfanuméricos, variaciones de nombres) antes de diseñar la lógica de transformación. Sin el perfilado, los pasos posteriores como el emparejamiento difuso (fuzzy matching) o la estandarización de ID corren el riesgo de basarse en suposiciones incorrectas sobre los datos.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Utilizar una tabla cruzada simple basada en coincidencias exactas de nombres para vincular registros

La coincidencia exacta de nombres falla inmediatamente porque 'John Smith' y 'Jon Smith' difieren, y los formatos de ID son incompatibles, por lo que la tabla cruzada no puede vincular los registros. Es tentador porque una tabla cruzada es el artefacto correcto para mapear identificadores heredados a una clave unificada una vez que se define la lógica de coincidencia.

B

Incorrecta

Cargar todos los datos de ambos sistemas en una tabla de ensayo (staging table) y luego ejecutar un algoritmo de emparejamiento difuso (fuzzy matching) para identificar duplicados

El emparejamiento difuso presume que ya existe una clave común o un campo comparable; aquí los identificadores difieren en tipo de dato y formato, por lo que aún no hay disponible ninguna clave de combinación (join) o coincidencia confiable. Es tentador porque el emparejamiento difuso es genuinamente la herramienta correcta para reconciliar variaciones de nombres una vez que los registros tienen claves y están estandarizados.

C

Correcta

Realizar un perfilado de datos para analizar distribuciones de datos, tipos de datos y problemas de calidad en cada origen

El perfilado de datos expone primero la discrepancia exacta de tipos entre los ID de cliente enteros y de cadena, además de la escala de nombres casi duplicados como 'John Smith' frente a 'Jon Smith'. Esta evidencia, que cubre distribuciones, formatos y calidad, es necesaria antes de elegir una estrategia de coincidencia o estandarización para la tabla de clientes unificada.

D

Incorrecta

Estandarizar todos los ID de clientes a un formato común (ej., UUID) y luego fusionar las tablas

Asignar UUID crea nuevos identificadores pero no determina qué registros representan al mismo cliente, por lo que los duplicados persisten después de la fusión. Es tentador porque la generación de claves sustitutas es genuinamente necesaria para la tabla unificada, pero debe seguir a la resolución de entidades, no precederla.

Para profundizar

El perfilado de datos es el examen sistemático de los datos de origen para comprender los tipos de datos, distribuciones, tasas de valores nulos, rangos de valores y problemas de calidad antes de diseñar transformaciones. En este escenario, los dos sistemas CRM utilizan formatos de ID incompatibles y tienen variaciones en los nombres, por lo que el perfilado revela exactamente cómo se estructuran los ID, con qué frecuencia difieren los nombres y qué reglas de coincidencia son factibles. Solo después del perfilado el analista puede elegir la estandarización, el emparejamiento difuso o un enfoque de tabla cruzada (crosswalk). Omitir el perfilado arriesga construir un emparejamiento difuso sobre campos malinterpretados o estandarizar ID que pierden significado. Un caso realista es descubrir que el valor 'CUST-12345-X' del Sistema B incluye el entero del Sistema A, lo que simplifica el diseño de la tabla cruzada.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de DA0-002 de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.

Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.