Una guía para principiantes sobre AWS Redshift: Qué es y cómo comenzar

Si has estado escuchando sobre almacenes de datos en la nube y te preguntas de qué se trata todo el alboroto, estás en el lugar correcto. Hoy hablaremos sobre AWS Redshift, la potencia que Amazon utiliza para almacenar y analizar grandes cantidades de datos. No te preocupes, lo mantendremos sencillo y fácil de seguir, como un ceviche fresco, pero enfocada en datos.

¿Qué es AWS Redshift?

AWS Redshift es un almacén de datos basado en la nube. Piénsalo como un gran garage virtual donde puedes guardar todos tus datos—solo que en lugar de guardar bicicletas viejas y herramientas de jardín, estás almacenando datos importantes que te ayudarán a tomar decisiones. Redshift es excelente para analizar datos rápidamente, generar informes y responder preguntas como “¿Cómo fueron nuestras ventas el trimestre pasado?” o “¿Qué compran más nuestros clientes?”

En términos más técnicos, AWS Redshift es un servicio que te permite recopilar y organizar grandes cantidades de datos y realizar consultas para obtener información. Es perfecto para empresas que quieren profundizar en sus datos y obtener respuestas valiosas. También es completamente administrado, lo que significa que Amazon se encarga de todo el trabajo pesado, por lo que no tienes que preocuparte por el mantenimiento del servidor. Bastante impresionante, ¿verdad?

Competencia en el mercado

Por supuesto, AWS Redshift no es el único almacén de datos en el vecindario. Aquí hay algunos de los grandes competidores:

Google BigQuery: La versión de Google de un almacén de datos, diseñado para una escalabilidad masiva y consultas rápidas.
Snowflake: Un almacén de datos en la nube, muy popular, conocido por su escalabilidad y facilidad de uso.
Azure Synapse Analytics: La oferta de Microsoft, que se integra bien con otros servicios de Azure.

Cada una de estas soluciones tiene sus fortalezas, pero hoy nos enfocaremos en Redshift.

¿Por qué usar AWS Redshift?

Entonces, ¿por qué deberías considerar AWS Redshift? Aquí algunas razones clave:

Escalable: A medida que tus datos crecen, Redshift puede crecer contigo. ¿Necesitas más almacenamiento o más potencia? No te preocupes, solo añádelo con unos pocos clics.
Rendimiento rápido: Redshift está optimizado para procesar consultas rápidamente, incluso con grandes volúmenes de datos.
Rentable: Amazon ha configurado Redshift para ayudarte a gestionar tus costos. Puedes comenzar con poco e ir escalando según sea necesario, pagando solo por lo que usas.
Integración con servicios de AWS: Redshift se integra perfectamente con otros servicios de AWS, como S3 para el almacenamiento de datos y QuickSight para la visualización de datos.

Vamos a lo práctico: Configuración de AWS Redshift Serverless

Muy bien, amigo, suficiente charla. A remangarse las mangas y configuremos tu primer namespace de AWS Redshift usando la opción sin servidor (serverless). AWS proporciona un crédito especial de $300 para usuarios que usan Redshift Serverless por primera vez, lo cual es perfecto para principiantes que quieren explorar sin preocuparse demasiado por los costos.

Paso 1: Inicia sesión en AWS

Primero lo primero, necesitarás una cuenta de AWS. Dirígete a aws.amazon.com e inicia sesión. Si no tienes una cuenta, puedes registrarte y empezar a utilizar la capa gratuita. Si estás en un entorno corporativo, considera usar una cuenta de pruebas (sandbox) para explorar de forma segura.

Paso 2: Navega a Redshift

Una vez que estés dentro, escribe “Redshift” en la barra de búsqueda de AWS en la parte superior. Esto te llevará al panel de Redshift. Haz clic en Prueba gratuita de Redshift Serverless para empezar a configurar tu almacén de datos sin tener que lidiar con configuraciones complejas.

Paso 3: Configura tu Namespace de Redshift Serverless

Con Redshift Serverless, no necesitas preocuparte por tipos de nodos o tamaños de clúster—AWS se encarga de todo eso por ti. Verás dos opciones: Use default settings y Customize settings. Si seleccionas Use default settings y Customize, el namespace se nombrará automáticamente como ‘default-namespace’ y no podrás modificarlo. Por ahora, solo elige Use default settings y Customize para mantener las cosas simples y dejar que AWS maneje la configuración.

Por cierto, quizá te preguntes qué es un ‘namespace’. Bueno, piénsalo como tu propio cuartel general de datos—un lugar donde sucede toda la magia. Es donde almacenas, gestionas y consultas tus datos, sin necesidad de preocuparte por la infraestructura. Es como tener una cocina de lujo donde solo necesitas cocinar, y AWS se encarga de toda la limpieza después. ¿Chevere, no?

A continuación, verás otras opciones de configuración:

1. Nombre de la base de datos y contraseña

Database Name: De forma predeterminada, AWS Redshift Serverless crea una base de datos llamada dev. No puedes cambiar este nombre si seleccionaste Use default settings. Si eliges Customize settings, podrías tener la flexibilidad de modificarlo.
Admin User Credentials: Se crea automáticamente un usuario administrador y la contraseña se gestiona a través de tus permisos de IAM.

2. Roles IAM asociados

Create or Associate an IAM Role: Verás una opción etiquetada como Associated IAM roles. Si aún no tienes un rol IAM, haz clic en Create IAM role. Este botón te guiará para crear un rol con los permisos necesarios (política AmazonRedshiftAllCommandsFullAccess). Sigue los pasos para crear este rol.
Attach IAM Role: Una vez que hayas creado el rol IAM, deberás asociarlo con tu namespace de Redshift. Para hacerlo, selecciona el rol recién creado de la lista y configúralo como predeterminado.
¿Por qué es esto importante?: El rol IAM es como dar permisos a tu namespace de Redshift para comunicarse con otros servicios de AWS—piénsalo como darle a tu almacén de datos un conjunto de llaves para acceder a diferentes partes de tu ecosistema de AWS.

Paso 4: Configuración del Workgroup

Muy bien, hablemos de los workgroups—en términos simples, es como la sala de máquinas de tu almacén de datos. Aquí es donde se organizan todos los recursos de cómputo. Tienes algunas configuraciones aquí, pero no te preocupes, solo sigue estos simples pasos:

Workgroup Name: Se configura como default-workgroup. No hay de qué preocuparse aquí—déjalo como está.
Capacity: La capacidad predeterminada es 128 RPUs, lo cual es suficiente para comenzar. Básicamente, es la cantidad de poder de cómputo que estás asignando.
Network and Security: AWS asigna automáticamente una VPC (Virtual Private Cloud), subredes y grupos de seguridad para ti. Esto mantiene tus datos seguros de cualquier amenaza de Internet. Nuevamente, déjalos como están a menos que tengas una buena razón para no hacerlo.

Como estamos manteniendo las cosas fáciles, no necesitas ajustar nada. Solo haz clic en Guardar configuración y sigue adelante.

Paso 5: Lanza tu entorno Redshift Serverless

Una vez que hayas configurado el namespace y el workgroup, haz clic en Continue. Redshift Serverless ahora creará tu entorno de almacén de datos. Esto puede tomar unos minutos, así que tómate un café mientras esperas.

Con Redshift Serverless, ya no existe el concepto de un clúster tradicional—trabajarás con tu namespace y workgroup en su lugar. Una vez que el entorno esté listo, ¡es hora de empezar a usarlo!

Paso 6: Conéctate a tu Namespace

Una vez que tu namespace sin servidor esté funcionando, querrás conectarte a él. AWS proporciona una herramienta llamada Query data (Query Editor v2) directamente en la consola de Redshift que te permite interactuar con tu namespace. Alternativamente, puedes usar herramientas como SQL Workbench o pgAdmin si deseas un poco más de control.

Para conectarte usando el Query Editor:

Ve a los detalles de tu namespace de Redshift.
Haz clic en Query data.
Verás un elemento llamado Serverless: default-workgroup en la lista a la izquierda. Haz clic en él.
Aparecerá una ventana emergente titulada Conectar a default-workgroup, donde la base de datos dev se selecciona de manera predeterminada.
Haz clic en Create connection para empezar a realizar consultas en la base de datos dev.

Paso 7: Crear una tabla y cargar algunos datos

Ahora que estás conectado a la base de datos dev, vamos a crear una tabla vacía para almacenar los datos de nuestro archivo CSV:

Crear una tabla: Usa el siguiente comando SQL para crear una tabla:

CREATE TABLE my_table (
  id VARCHAR(50),
  title VARCHAR(255),
  type VARCHAR(100),
  genres VARCHAR(255),
  averageRating DECIMAL(3, 1),
  numVotes INT,
  releaseYear INT
);

Este esquema está diseñado para alinearse con la estructura del conjunto de datos de IMDB, con tipos de datos apropiados para cada columna.

Ahora que tenemos una tabla lista, ¡vamos a cargar algunos datos! Utilizaremos un archivo CSV de Kaggle, y eres libre de crear una cuenta en Kaggle o usar un conjunto de datos que hemos preparado para hacerte la vida más fácil. Puedes encontrar el conjunto de datos aquí: IMDB Full Dataset. Redshift Serverless puede extraer datos directamente de AWS S3, así que una vez que tengas el CSV, puedes copiarlo fácilmente a Redshift.

data Download

Sube tu archivo CSV a un bucket de S3.
Usa el comando COPY para cargar los datos en Redshift. Aquí tienes un ejemplo de comando:

COPY my_table
FROM 's3://my-bucket-name/my-file.csv'
IAM_ROLE 'arn:aws:iam::your-iam-role'
FORMAT AS CSV
DELIMITER ','
QUOTE '"'
IGNOREHEADER 1;

Solo reemplaza my_table, my-bucket-name y your-iam-role con tus detalles reales.

Paso 8: Ejecuta algunas consultas

Con los datos en tu tabla, ahora puedes ejecutar algunas consultas básicas. Prueba algo como:

SELECT * FROM my_table LIMIT 100;

Esto te mostrará las primeras diez filas de tus datos—como un adelanto para asegurarte de que todo se vea bien. Query Editor v2 hace que sea fácil ejecutar consultas y ver tus resultados al instante.

Nota importante: Evita costos innecesarios

Una vez que hayas terminado de explorar, es una buena idea eliminar el namespace y el workgroup para evitar incurrir en costos innecesarios. Redshift Serverless escala los recursos automáticamente, pero aún podrian cobrarte algo por mantener el entorno activo.

Para eliminarlo:

Ve a la consola de AWS Redshift.
Elimina tanto el namespace como el workgroup.

Esto asegurará que no se te cobre por recursos que ya no estás utilizando.

Conclusión

¡Y ahí lo tienes! Acabas de crear tu primer entorno AWS Redshift Serverless, cargaste algunos datos y ejecutaste una consulta. AWS Redshift Serverless es una herramienta poderosa para almacenar y analizar grandes conjuntos de datos, y aunque hoy solo hemos tocado la superficie, ahora estás listo para comenzar a explorar por tu cuenta.

Recuerda, el almacenamiento de datos no es solo para grandes empresas—es para cualquiera que quiera darle sentido a sus datos y tomar mejores decisiones. Y bueno, ¿quién no quiere eso?

Así que a celebrar! 🎉