<?xml version="1.0" encoding="UTF-8"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:dc="http://purl.org/dc/elements/1.1/">
  <channel>
    <title>DEV Community: VICTOR JOSEPH PLATERO MARON</title>
    <description>The latest articles on DEV Community by VICTOR JOSEPH PLATERO MARON (@victor_josephplateromar).</description>
    <link>https://dev.to/victor_josephplateromar</link>
    <image>
      <url>https://media2.dev.to/dynamic/image/width=90,height=90,fit=cover,gravity=auto,format=auto/https:%2F%2Fdev-to-uploads.s3.us-east-2.amazonaws.com%2Fuploads%2Fuser%2Fprofile_image%2F4024505%2Fbd14d789-570e-42de-b4fa-2529de2bbf2f.jpg</url>
      <title>DEV Community: VICTOR JOSEPH PLATERO MARON</title>
      <link>https://dev.to/victor_josephplateromar</link>
    </image>
    <atom:link rel="self" type="application/rss+xml" href="https://dev.to/feed/victor_josephplateromar"/>
    <language>en</language>
    <item>
      <title>Construyendo un Pipeline de Data Engineering moderno con Python, dbt y DuckDB (sin AWS)</title>
      <dc:creator>VICTOR JOSEPH PLATERO MARON</dc:creator>
      <pubDate>Sun, 15 Nov 2026 04:41:26 +0000</pubDate>
      <link>https://dev.to/victor_josephplateromar/construyendo-un-pipeline-de-data-engineering-moderno-con-python-dbt-y-duckdb-sin-aws-81i</link>
      <guid>https://dev.to/victor_josephplateromar/construyendo-un-pipeline-de-data-engineering-moderno-con-python-dbt-y-duckdb-sin-aws-81i</guid>
      <description>&lt;h1&gt;
  
  
  Implementación de un pipeline de Ingeniería de Datos con herramientas Open Source
&lt;/h1&gt;

&lt;p&gt;Como parte de la Actividad Grupal 01 – Unidad 2 del curso de Inteligencia de Negocios de la Universidad Privada de Tacna, desarrollamos una solución de Ingeniería de Datos (Data Engineering) orientada a la recopilación, procesamiento, transformación y análisis de información climática de diferentes regiones del Perú.&lt;/p&gt;

&lt;p&gt;El objetivo del proyecto fue implementar un pipeline de datos automatizado mediante una arquitectura ELT (Extract, Load, Transform), capaz de recopilar información meteorológica, garantizar su calidad y facilitar su análisis mediante herramientas gratuitas y de código abierto, sin depender de servicios de AWS.&lt;/p&gt;

&lt;p&gt;Para su desarrollo utilizamos las siguientes tecnologías:&lt;/p&gt;

&lt;ul&gt;
&lt;li&gt;Python: Extracción automatizada de información climática desde la API de Open-Meteo, utilizando las librerías requests y pandas.&lt;/li&gt;
&lt;li&gt;DuckDB: Motor de base de datos analítica utilizado para almacenar y procesar los registros meteorológicos.&lt;/li&gt;
&lt;li&gt;dbt (Data Build Tool): Transformación de datos mediante modelos SQL, implementación de pruebas de calidad y generación de documentación.&lt;/li&gt;
&lt;li&gt;GitHub Actions: Automatización de la ejecución diaria del pipeline, validación de procesos e integración y despliegue continuo (CI/CD).&lt;/li&gt;
&lt;li&gt;GitHub Pages: Publicación del dashboard interactivo, documentación técnica y archivos de datos procesados.&lt;/li&gt;
&lt;li&gt;Plotly.js: Visualización de indicadores y tendencias climáticas mediante gráficos interactivos.&lt;/li&gt;
&lt;/ul&gt;

&lt;p&gt;El proyecto contempla información meteorológica de 12 ciudades distribuidas entre la Costa, Sierra y Selva del Perú, permitiendo analizar diferentes condiciones climáticas y detectar eventos extremos.&lt;/p&gt;

&lt;p&gt;La arquitectura implementada organiza los datos en diferentes capas de procesamiento: Raw, Seeds, Staging y Marts. Esta estructura facilita la limpieza, transformación y preparación de la información para su posterior análisis.&lt;/p&gt;

&lt;p&gt;Asimismo, se desarrollaron procesos de ingesta incremental e idempotente, evitando la duplicación de registros y optimizando la incorporación de nuevos datos.&lt;/p&gt;

&lt;p&gt;Mediante dbt se implementaron 27 pruebas automáticas de calidad, orientadas a verificar la integridad, consistencia y validez de la información procesada.&lt;/p&gt;

&lt;p&gt;El sistema también permite identificar eventos climáticos como lluvias intensas, temperaturas elevadas, heladas y ráfagas de viento, además de generar indicadores y comparaciones históricas por ciudad.&lt;/p&gt;

&lt;p&gt;Como resultado, se obtuvo una solución que integra más de 12 000 registros climáticos diarios, procesos automatizados de extracción y transformación, validaciones de calidad y un portal público con visualizaciones interactivas.&lt;/p&gt;

&lt;p&gt;La implementación de GitHub Actions permite ejecutar el pipeline diariamente, mientras que GitHub Pages facilita el acceso a los resultados, la documentación y los conjuntos de datos en formatos CSV y Parquet.&lt;/p&gt;

&lt;p&gt;Esta experiencia permitió fortalecer nuestros conocimientos en Ingeniería de Datos, arquitectura ELT, modelado de datos, automatización de procesos, control de calidad e integración continua.&lt;/p&gt;

&lt;p&gt;El proyecto demuestra cómo es posible desarrollar infraestructuras de datos funcionales y automatizadas mediante tecnologías open source, aplicando conceptos de Inteligencia de Negocios a un caso de análisis climático en el Perú.&lt;/p&gt;

&lt;p&gt;Repositorio del proyecto:&lt;br&gt;
&lt;a href="https://github.com/VictorPlatero/Data-Enginnering" rel="noopener noreferrer"&gt;https://github.com/VictorPlatero/Data-Enginnering&lt;/a&gt;&lt;/p&gt;

</description>
      <category>dataengineering</category>
      <category>dbt</category>
      <category>duckdb</category>
      <category>python</category>
    </item>
    <item>
      <title>Construyendo una solución OLAP con DuckDB y Streamlit: de modelo estrella a la nube con CI/CD</title>
      <dc:creator>VICTOR JOSEPH PLATERO MARON</dc:creator>
      <pubDate>Sun, 15 Nov 2026 04:23:32 +0000</pubDate>
      <link>https://dev.to/victor_josephplateromar/construyendo-una-solucion-olap-con-duckdb-y-streamlit-de-modelo-estrella-a-la-nube-con-cicd-2fd3</link>
      <guid>https://dev.to/victor_josephplateromar/construyendo-una-solucion-olap-con-duckdb-y-streamlit-de-modelo-estrella-a-la-nube-con-cicd-2fd3</guid>
      <description>&lt;p&gt;Implementación de una solución OLAP con herramientas Open Source&lt;/p&gt;

&lt;p&gt;Como parte de la Actividad Grupal 01 – Unidad 2 del curso de Inteligencia de Negocios de la Universidad Privada de Tacna, desarrollamos una solución de procesamiento analítico en línea (OLAP), utilizando herramientas gratuitas y de código abierto.&lt;/p&gt;

&lt;p&gt;El objetivo del proyecto fue implementar una infraestructura capaz de procesar, analizar y visualizar grandes volúmenes de información, facilitando la identificación de tendencias y la toma de decisiones empresariales.&lt;/p&gt;

&lt;p&gt;Para su desarrollo utilizamos las siguientes tecnologías:&lt;/p&gt;

&lt;ul&gt;
&lt;li&gt;DuckDB: Motor de base de datos analítica orientado al procesamiento eficiente de grandes volúmenes de información.&lt;/li&gt;
&lt;li&gt;Streamlit y Plotly: Herramientas para desarrollar una aplicación web interactiva y visualizar indicadores.&lt;/li&gt;
&lt;li&gt;Docker: Contenedorización de la aplicación para facilitar su ejecución y despliegue.&lt;/li&gt;
&lt;li&gt;GitHub Actions: Automatización de pruebas y procesos de integración y despliegue continuo (CI/CD).&lt;/li&gt;
&lt;li&gt;Hugging Face Spaces: Plataforma utilizada para alojar y publicar la aplicación.&lt;/li&gt;
&lt;/ul&gt;

&lt;p&gt;El proyecto se desarrolló mediante un modelo dimensional de esquema estrella, utilizando aproximadamente un millón de transacciones simuladas de ventas retail en Perú, correspondientes al periodo 2023–2025.&lt;/p&gt;

&lt;p&gt;Se implementaron operaciones OLAP como Roll-up, Drill-down, Slice, Dice, Pivot y CUBE, que permiten analizar los datos desde diferentes dimensiones y niveles de detalle.&lt;/p&gt;

&lt;p&gt;Asimismo, se desarrolló una aplicación con seis módulos de análisis, que incluyen indicadores de ventas, visualizaciones interactivas, consultas SQL y exploración del modelo de datos.&lt;/p&gt;

&lt;p&gt;Como resultado, se obtuvo una solución analítica que integra almacenamiento, procesamiento, visualización y automatización, sin depender de servicios de AWS ni de infraestructura compleja.&lt;/p&gt;

&lt;p&gt;Esta experiencia permitió fortalecer nuestros conocimientos en Inteligencia de Negocios, modelado dimensional, consultas SQL, análisis de datos y despliegue de aplicaciones mediante herramientas open source.&lt;/p&gt;

&lt;p&gt;El proyecto demuestra cómo estas tecnologías pueden integrarse para construir soluciones de análisis de datos eficientes, accesibles y orientadas a las necesidades de una organización.&lt;/p&gt;

&lt;p&gt;Repositorio del proyecto:&lt;br&gt;
&lt;a href="https://github.com/VictorPlatero/Online-Analitycal-Processing" rel="noopener noreferrer"&gt;https://github.com/VictorPlatero/Online-Analitycal-Processing&lt;/a&gt;&lt;/p&gt;

</description>
      <category>duckdb</category>
      <category>dataengineering</category>
      <category>python</category>
      <category>tutorial</category>
    </item>
  </channel>
</rss>
