En la revisión de agosto de 2026 de la guía del examen Cloud Digital Leader, el último apartado del dominio 2 (alrededor del 18%) trata de cómo el análisis inteligente, las herramientas de inteligencia de negocio (BI) y el análisis en streaming aportan valor a una empresa. Pregunta cómo Looker democratiza el acceso a los datos, el valor de analizar en Looker los datos de BigQuery para crear informes y paneles en tiempo real e integrarlos en los flujos de trabajo, por qué importa el análisis en streaming en tiempo real y qué productos modernizan los pipelines de datos: Pub/Sub, Dataflow y Managed Service for Apache Spark. Dataflow y Pub/Sub aparecen a menudo también en el banco de preguntas, y Dataproc pasó a llamarse Managed Service for Apache Spark en abril de 2026.
Este artículo empieza por la diferencia entre el procesamiento por lotes y en streaming, y recorre después por qué importa el análisis en tiempo real, los productos que modernizan los pipelines, cómo Looker democratiza los datos y los informes en tiempo real y la integración en los flujos de trabajo con BigQuery y Looker. La visión general del pipeline se trata primero en Transformación de datos, y la cadena de suministro de datos de la génesis a la activación, en Fundamentos de datos.
---
Procesamiento por lotes vs. procesamiento en streaming
Piensa en una oficina de correos. Clasificar de una vez por la tarde todo el correo del día es procesamiento por lotes; clasificar cada paquete en cuanto llega y cargarlo directamente en una furgoneta de reparto es procesamiento en streaming.
| Aspecto | Procesamiento por lotes | Procesamiento en streaming | |------|------|------| | Cuándo se ejecuta | Los datos se reúnen y se procesan de una vez a una hora fijada | De forma continua, en cuanto llegan los datos | | Tiempo hasta el resultado | De horas a un día | Unos segundos | | Ejemplos | Cierre de fin de mes, informes de ventas diarios, migración masiva de datos | Detección de fraude, inventario en tiempo real, alertas de IoT | | Ejemplos en Google Cloud | Trabajos por lotes de Dataflow, Managed Service for Apache Spark, BigQuery | Pub/Sub con Dataflow en streaming, consultas continuas de BigQuery |
Consejo para el examen: "Procesar los datos en el momento en que se generan y responder en segundos" es streaming; "reunir los datos de un día y procesarlos por la noche" es por lotes. Un rasgo distintivo de Dataflow es que gestiona ambos con el mismo modelo de programación.
---
Por qué importa el análisis en streaming en tiempo real
Algunos datos caducan pronto, como la leche. Puedes frenar un fraude en el momento en que se produce el pago, pero si te enteras por un informe a la mañana siguiente, el daño ya está hecho. Por eso la guía del examen describe el análisis en streaming en tiempo real como algo esencial para el negocio moderno.
| Sector | Qué hace el análisis en tiempo real | Qué pasa si llega tarde | |------|------|------| | Finanzas | Detecta transacciones sospechosas en el momento del pago | Crecen las pérdidas por fraude | | Comercio minorista | Ajusta el inventario y los precios en tiempo real y personaliza las recomendaciones | Roturas de stock y ventas perdidas | | Fabricación | Detecta señales de avería en los equipos a partir de los datos de sensores | Averías y paradas de producción | | Logística | Actualiza la ubicación de los vehículos y la hora estimada de llegada | Retrasos en las entregas y quejas de clientes | | Medios y videojuegos | Cambia contenidos y eventos según el comportamiento de los usuarios | Los usuarios se van |
Consejo para el examen: Las preguntas en las que importa el "ahora", como "enviar un cupón personalizado mientras el cliente sigue en la tienda" o "avisar antes de que la máquina se averíe", se responden con análisis en streaming.
---
Los productos que modernizan los pipelines: Pub/Sub, Dataflow y Managed Service for Apache Spark
Un pipeline de análisis en tiempo real suele estar formado por Pub/Sub para recibir los eventos, Dataflow para procesarlos, BigQuery para guardarlos y analizarlos, y Looker para mostrarlos y conectarlos. Si ya tienes trabajos creados con Spark o Hadoop, puedes trasladarlos tal cual a Managed Service for Apache Spark.
!Un pipeline de análisis en tiempo real que va de los orígenes de eventos a Pub/Sub, Dataflow, BigQuery y Looker, más la ruta de Managed Service for Apache Spark
| Producto | Función | Características | Cuándo encaja | |------|------|------|------| | Pub/Sub | Recibe y entrega mensajes (publicadores y suscriptores) | Asíncrono, latencia típica de unos 100 milisegundos, desacopla a quien envía de quien recibe | Reunir eventos de muchos dispositivos y aplicaciones, conectar sistemas | | Dataflow | Procesa streams y lotes a la vez | Basado en Apache Beam, totalmente administrado (crea y elimina automáticamente las máquinas virtuales de trabajo), procesa cada registro exactamente una vez de forma predeterminada | Transformación y agregación en tiempo real, ETL | | Managed Service for Apache Spark | Procesamiento de código abierto como Spark y Hadoop (antes Dataproc) | Opciones de clúster y serverless; los clústeres se crean rápido y se apagan cuando no hacen falta | Trasladar trabajos existentes de Spark y Hadoop, ciencia de datos | | Consultas continuas de BigQuery | Ejecutan SQL de forma continua dentro de BigQuery | Analizan con SQL en tiempo real los datos que llegan y exportan los resultados a Pub/Sub, Bigtable y otros | Procesamiento sencillo en tiempo real solo con SQL |
Quizá te preguntes para qué hace falta Pub/Sub. Si el sistema que envía llama directamente al sistema que recibe, el emisor se queda bloqueado cada vez que el receptor se detiene, aunque sea un momento. Con Pub/Sub haciendo de buzón en medio, el emisor solo deja los mensajes y el receptor los recoge a su ritmo. Desacoplarlos así hace todo el sistema más flexible y robusto.
Consejo para el examen: "Recibir eventos de miles de dispositivos y entregarlos a varios sistemas" es Pub/Sub. "Procesar streams y lotes con un solo código y sin servidores que administrar" es Dataflow. "Llevar a la nube los trabajos existentes de Hadoop y Spark con cambios mínimos" es Managed Service for Apache Spark.
---
Looker: democratizar el acceso a los datos
Democratizar los datos significa que cualquier persona de la organización pueda entenderlos y usarlos, no solo los especialistas en datos. El problema es que, cuando cada uno calcula las cifras a su manera, las reuniones acaban en discusiones sobre qué cifra es la correcta. Looker lo resuelve haciendo que todos usen el mismo diccionario.
| Cómo lo hace Looker | Descripción | Efecto | |------|------|------| | Capa semántica (LookML) | Define una sola vez, en un solo lugar, métricas como "ingresos" o "cliente activo" | Acaba con la confusión de que cada departamento obtenga cifras distintas | | Exploración de autoservicio | Explorar datos y crear gráficos con clics, sin necesidad de SQL | Menos tiempo pidiendo cosas al equipo de análisis y esperando | | Conexión directa a la base de datos | Consulta directamente bases de datos como BigQuery en lugar de copiar los datos | Siempre ves los datos más recientes | | Paneles y uso compartido | Crear paneles y programar su envío o compartirlos | La dirección y los equipos de primera línea ven las mismas cifras | | Inserción y API | Insertar paneles en otras aplicaciones y portales y enviar datos a otros sistemas | El análisis entra en las pantallas donde se trabaja |
Consejo para el examen: "Permitir que toda la organización explore los datos directamente con definiciones de métricas coherentes" y "democratizar el acceso a los datos" apuntan a Looker. Cuando veas la palabra LookML, piensa en Looker.
---
BigQuery y Looker: informes en tiempo real e integración en los flujos de trabajo
La guía del examen describe de tres maneras el valor de analizar y visualizar en Looker los datos de BigQuery: informes en tiempo real, paneles e integración de los datos en los flujos de trabajo.
| Uso | Ejemplo | |------|------| | Informes en tiempo real | Los pedidos que llegan a BigQuery por streaming aparecen en el informe en segundos | | Paneles | La dirección y los equipos de primera línea consultan las ventas y el inventario por zona con las mismas cifras | | Integración en los flujos de trabajo | Avisar al responsable cuando el inventario baja de un umbral, insertar paneles por cliente en el portal de ventas, pasar los resultados del análisis a otros sistemas de negocio |
Que los datos no se queden en un panel, sino que lleven a la siguiente acción de alguien: eso es la activación, la etapa final de la cadena de suministro de datos.
Cómo distinguir Looker y Data Studio
Google tiene dos herramientas de BI con nombres parecidos. La herramienta de visualización gratuita que pasó de llamarse Data Studio a Looker Studio en 2022 recuperó el nombre de Data Studio en abril de 2026. El motivo es evitar que se confunda la herramienta de visualización personal con Looker, la plataforma de BI empresarial.
| Aspecto | Looker | Data Studio (antes Looker Studio) | |------|------|------| | Naturaleza | Plataforma de BI empresarial centrada en la gobernanza | Herramienta de visualización e informes para personas y equipos | | Gestión de métricas | Se definen de forma centralizada en la capa semántica de LookML | Cada informe se conecta por su cuenta a sus fuentes de datos | | Cuándo encaja | Métricas estándar para toda la empresa, análisis integrado, integración en los flujos de trabajo | Informes rápidos para casos puntuales, paneles de marketing | | Precio | De pago | Gratuita (Data Studio Pro, de pago, va aparte) |
Consejo para el examen: "Definiciones de métricas coherentes en toda la empresa" y "gobernanza" apuntan a Looker; "crear y compartir informes rápido y gratis" apunta a Data Studio.
---
Referencia Rápida del Examen
Los puntos clave que conviene repasar por última vez an