AWS Certified Data Engineer - Associate (DEA-C01) cubre más terreno que cualquier otro examen en este blog, respaldado por 19 artículos de profundización por dominio, y con buena razón. Valida el ciclo de vida completo de ingerir, almacenar, operar y proteger datos en una sola certificación. Así como un centro de distribución maneja recepción, inventario, despacho y seguridad como un solo sistema conectado, un ingeniero de datos es dueño de todo desde el momento en que el dato llega hasta el momento en que termina en manos de un analista. AWS introdujo esta certificación en 2023 para reconocer formalmente la ingeniería de datos como su propia disciplina, y el alcance del examen refleja eso: es considerablemente más práctico que las certificaciones de big data anteriores que reemplazó.
Quién Necesita Este Examen, y una Visión General
Un arquitecto dibuja el plano, pero el técnico de sistemas es quien realmente hace que el agua y la electricidad fluyan por el edificio. DEA-C01 es la certificación para el técnico que hace que los datos realmente fluyan dentro de una organización. Encaja con ingenieros de datos que construyen pipelines de ETL, especialistas en procesamiento en tiempo real que trabajan con datos en streaming, y arquitectos que diseñan data warehouses y data lakes. También es una opción sólida para analistas de datos que quieren pasar al lado de la construcción de pipelines en lugar de solo consumirlos. Solo 50 de las 65 preguntas se califican; las otras 15 son preguntas sin calificar que AWS está probando para exámenes futuros, y como no se puede saber cuáles son, conviene dedicarle atención completa a cada una. El costo del examen es 150 dólares, y la certificación permanece vigente durante tres años.
Formato del Examen: Inspeccionar un Pipeline Completo en 130 Minutos
Como un chequeo médico de rutina, este examen dedica 130 minutos a recorrer 65 preguntas que abarcan toda la amplitud de la ingeniería de datos. El puntaje de aprobación es 720 sobre 1000. Cubre notablemente más servicios de AWS que otros exámenes de nivel Associate, así que incluso cuando nombres como Kinesis, Glue, EMR, Redshift y Athena resultan familiares, saber exactamente cuándo recurrir a cada uno es lo que realmente determina si aprobás o no.
Dominio 1: Ingesta y Transformación de Datos (34%)
Así como afluentes más pequeños confluyen en un río más grande hasta formar un caudal único, este dominio cubre reunir datos de fuentes variadas y darles forma para que sean utilizables más adelante. Tiene el peso más alto de todos los dominios, así que define el resultado del examen más que ningún otro, y merece la mayor parte de tu tiempo de estudio antes de avanzar al resto. Lo esencial es la ingesta de streaming en tiempo real con Kinesis, ETL serverless con Glue, procesamiento a gran escala con Spark y Hadoop mediante EMR, y la orquestación de pipelines junto con conceptos centrales de programación. Ocho artículos relacionados cubren este dominio: Guía Completa de Servicios de Ingesta de Datos, Kinesis Explicado, AWS Glue Explicado, EMR Explicado, Ingesta de Datos en Streaming y por Lotes, Transformación y Procesamiento de Datos, Orquestación de Pipelines de Datos, y Programación, IaC y CI/CD.
Dominio 2: Gestión de Almacenes de Datos (26%)
Así como un gerente de depósito decide dónde van los artículos y cómo se categorizan según con qué frecuencia se necesitan, este dominio cubre decidir qué servicio de almacenamiento guarda tus datos y en qué estructura. Lo esencial es el data warehousing con Redshift, elegir el almacén correcto según la carga de trabajo, gestionar metadatos a través de un catálogo de datos, y las políticas de ciclo de vida junto con la evolución de esquemas. Cuatro artículos relacionados cubren este dominio: Redshift Explicado, Eligiendo y Configurando Almacenes de Datos, Sistemas de Catálogo de Datos, y Ciclo de Vida de Datos y Evolución de Esquemas.
Dominio 3: Operaciones y Soporte de Datos (22%)
Así como un controlador de tráfico aéreo vigila el estado de muchos vuelos a la vez, este dominio cubre confirmar que un pipeline ya construido realmente funciona bien y analizar los datos que fluyen a través de él. Lo esencial son las consultas serverless y el análisis con Athena, monitorear pipelines y gestionar la calidad de los datos, y la automatización de procesos. Cuatro artículos relacionados cubren este dominio: Athena Explicado, Monitoreo de Pipelines y Calidad de Datos, Análisis y Visualización de Datos, y Automatización del Procesamiento de Datos.
Dominio 4: Seguridad y Gobernanza de Datos (18%)
Un banco no le entrega la llave de la bóveda a cualquiera, y este dominio cubre controlar quién puede tocar los datos y cómo, a lo largo de todo el pipeline, desde la ingesta hasta el análisis final. Tiene el peso más bajo de los cuatro dominios, pero atraviesa los otros tres por completo, así que no se puede dejar para el final del estudio. Lo esencial es el registro de auditoría y el cumplimiento de privacidad, cifrar y enmascarar datos en reposo y en tránsito, y los mecanismos de autenticación y autorización. Tres artículos relacionados cubren este dominio: Registros de Auditoría y Gobernanza de Privacidad de Datos, Cifrado y Enmascaramiento de Datos, y Mecanismos de Autenticación y Autorización.
Un Orden de Estudio para Principiantes, y Errores Comunes
Caminar por una ciudad desconocida sin mapa significa recorrer las mismas calles dos veces, y prepararse para DEA-C01 sin orden funciona igual de mal dado lo amplio del temario. Si sos nuevo en ingeniería de datos, empezá por el Dominio 1 (ingesta y transformación), el de mayor peso, y probá Kinesis y Glue directamente en la consola, luego pasá al Dominio 2 (gestión de almacenes de datos) y ordená cómo se diferencia Redshift de otras opciones de almacenamiento. Desde ahí, corré consultas reales en Athena para el Dominio 3 (operaciones y soporte), y terminá sumando cifrado y autorización para el Dominio 4 (seguridad y gobernanza). El error más común, dada la cantidad de servicios que cubre este examen, es memorizar nombres y funciones como pares uno a uno; el examen real adora las preguntas comparativas del estilo "¿qué encaja mejor acá, Kinesis Data Streams o Kinesis Data Firehose?". Un segundo error común es meter a Glue y EMR juntos bajo la etiqueta genérica de "servicios de procesamiento de big data"; la distinción real es si querés simplicidad serverless o control fino sobre el clúster.
Resumen para el Examen
"Ingiere y procesa streams de datos en tiempo real" -- Amazon Kinesis "Entrega totalmente gestionada en tiempo real a S3 o Redshift" -- Kinesis Data Firehose "Trabajos de ETL serverless y un catálogo de datos compartido" -- AWS Glue "Clústeres gestionados de Spark y Hadoop para procesamiento a gran escala" -- Amazon EMR "Data warehouse a escala de petabytes" -- Amazon Redshift "Consultas SQL serverless directamente sobre datos en S3" -- Amazon Athena "Un catálogo compartido que centraliza metadatos" -- AWS Glue Data Catalog "Los datos poco accedidos pasan a un nivel más barato" -- políticas de ciclo de vida de S3 "Cifra los datos tanto en reposo como en tránsito" -- AWS KMS "Oculta campos sensibles para minimizar la exposición" -- enmascaramiento de datos
DEA-C01 evalúa si podés elegir el servicio correcto para una situación dada, no si conocés cada nombre de servicio de memoria, así que el atajo más seguro hacia aprobar es organizar los pares de servicios parecidos alrededor de la pregunta "cuándo este, y cuándo aquel en su lugar". Con 19 artículos de dominio detrás de esta guía, el temario es amplio, pero la lógica de decisión detrás de cada par de servicios comparados es siempre la misma.