En esta sesión presentaremos el caso de un cómo un startup fintech está cambiando su stack tecnológico y estrategia de data governance para poder enfrentar el crecimiento exponencial de datos.

1. Software Guru Data Day 2019
Francisco Padilla

2.  Ingeniero en Tecnologías Computacionales – Mención Honorífica
 Tec de Mty Campus Monterrey ’07
 10 años de experiencia en Estados Unidos en Inteligencia de Negocios
 Gobierno Federal de Estados Unidos (U.S. E.P.A.)
 Toys ”R” Us, The Home Depot, Citibank, AIG
 Cofundador y CTO de Konfío
 Fintech, 42 MM USD levantados de Capital, 60 MM USD de Deuda
 150 Empleados, 70 en Tecnología

3.  Si una empresa tiene bases de datos de capacidad industrial, ¿Porqué le sería
relevante validar el tamaño de los datasets con los que trabaja?
 La ley de Moore indica que el poder de procesamiento se duplica cada 2 años.
 ¿Una Arquitectura de clusters debería de poder resolverlo? No siempre.

4. OLTP
CDMX
OLTP
GDL
OLTP
MTY
OLTP
POS
CDMX
POS GDL POS MTY
12 AM – 7 AM
RW 7 AM – 12 AM
BI Reporting
RO
• Únicamente Datos Estructurados en la
Fuente
• Puntos ciegos operativos durante el día
• Agregación cada 30 minutos
• BD y BI Systems Caros (Enterprise)

7. HOT: Datos que requieran ingestión y procesamiento instantáneo, por lo general para alimentar
Modelos de AI de decisión crítica (Si falla el modelo, el negocio pierde dinero)
WARM: Datos que requieran ingestión y procesamiento intradía, por lo general para alimentar
decisiones tácticas (mini – micro batches): Operaciones, Finanzas, MKT
MILD: Proceso histórico tradicional, se puede consumir el dato analizado al día siguiente
COLD: Dato que se consume unas cuantas veces al mes, por lo general en grandes volúmenes
FROZEN: Dato que se consume unas cuantas veces al año, por lo general en grandes volúmenes

8. Predictability
Insight
Functionality
Consistency
Infrastructure

9. OLTP 1
OLTP n
FB Analytics
Google
Twitter
Public DBs
Call Center
Payroll
ODBC
API / WS
Streaming
FTP
Data Lake
ETL
Lambda
Files
OLTP
API
DWH
BI
Files
Fuentes Ingesta Almacenamiento Procesamiento Consumo

10. OLTP 1
OLTP n
FB Analytics
Google
Twitter
Public DBs
Call Center
Payroll
ODBC
API / WS
Streaming
FTP
Data Lake
ETL
Lambda
Files
OLTP
API
DWH
BI
Files
Fuentes Ingesta Almacenamiento Procesamiento Consumo

11.  El costo de almacenamiento está en el punto más bajo de su historia, y seguirá
bajando, crea las replicas que sean necesarias para poder trabajar con tus flujos.
 Gobierno de datos será más crítico que nunca
 Gestionar calidad en datos no estructurados es más complicado
 El impacto a negocio es mayor que nunca por AI
 El numero de fuentes y consumidores solo crecerá, hay que adoptar una
estructura diseñada para crecer