Athena consulta S3 con SQL estándar y cobra por los datos escaneados, así que particionar bien y usar formatos columnares como Parquet no es una optimización opcional, es la diferencia entre una factura razonable y una desproporcionada.
Usuarios, roles y policies de IAM explicados desde el punto de vista de un pipeline de datos: cómo dar a un job de Glue o a Redshift justo los permisos que necesita sobre S3, ni uno más.
Un repaso a cómo distribuye Redshift el trabajo entre nodo líder y nodos de computación, qué papel juegan distribution styles y sort keys, y cómo Redshift Spectrum permite consultar S3 sin cargar los datos al cluster.
Los crawlers infieren el esquema, el Data Catalog lo guarda y los jobs ETL lo transforman: así encajan las piezas de AWS Glue. Repaso práctico a crawlers, catálogo, jobs Spark/Python shell, triggers y workflows.
Cómo montar un data lake sobre S3 sin acabar con un "data swamp": zonas raw y curated, particionado eficiente y un catálogo de metadatos centralizado con AWS Glue Data Catalog y Lake Formation.