Data Quality · Multi-Engine
Calidad de dato ágil para analistas funcionales.
Define reglas en lenguaje de negocio. El equipo de ingeniería las implementa en SQL o notebook. NeptunoDQ las ejecuta sobre Apache Spark y Databricks — sin lock-in, con trazabilidad completa.
Apache Spark · Databricks · Multi-engine ready
Para quién
Una herramienta, tres perfiles.
Analista funcional · Auditoría
Define qué validar en lenguaje de negocio. Lanza propuestas, revisa cambios y firma aprobaciones con trazabilidad completa.
Ingeniero de datos
Implementa la regla en SQL o notebook, configura variables y umbrales, integra con tu pipeline existente sobre Spark o Databricks.
Equipo de plataforma
Despliega un único motor de calidad sobre múltiples engines. Sin lock-in. Sin tener que mantener un framework casero.
Capacidades
Define una vez. Despliega con confianza.
Pensado para el funcional
Propuestas, revisiones y aprobaciones en lenguaje de negocio. El analista no necesita pelear con Spark para definir una regla.
Reglas declarativas
JSON o YAML. SQL_FILE, SQL_TEXT, TABLE, FILE o ADBNOTEBOOK. Sin código boilerplate.
DAG con dependencias
Si una regla depende de otra, el motor la espera. Si la padre falla, la hija se salta. Sin ejecuciones huérfanas.
Ejecución paralela
Spark Fair Scheduler reparte las ramas independientes del DAG entre pools. Suite completa en una fracción del tiempo.
Multi-engine real
Apache Spark open source y Databricks runtimes. Mismo flujo, mismo inventario, despliegue distinto.
Auditable end-to-end
Cada cambio queda registrado: propuestas, revisiones, hotfixes y ejecuciones. La trazabilidad no es un extra, es el diseño.
Engines
Multi-engine de verdad.
El mismo inventario de reglas. El mismo flujo de aprobación. Distintos motores de ejecución.
Configuración
project_id: "neptuno-demo"
department: "analytics"
rules:
- control_type: SQL_FILE
rule_id: check_total_money
file: "${PATH}/rules/validate_money.sql"
table: "${USERS_TABLE}"
umbral: "0.01"
variables:
table: "${NEPTUNO_SCHEMA}.${USERS_TABLE}"
max_age: "75"
sql_aggregations:
total_money: "sum(money)"YAML o JSON. Sin boilerplate.
Define cada control de calidad en un fichero declarativo. El motor se encarga del resto: dependencias, paralelismo, notificaciones y trazabilidad.
- SQL_FILE / SQL_TEXT
Lógica en ficheros .sql o inline. Variables y umbrales configurables por entorno.
- TABLE / FILE
Checks de nulos, duplicados y espacios en blanco sin escribir SQL.
- ADBNOTEBOOK
Ejecuta un notebook de Databricks como paso de calidad dentro del mismo DAG.
Producto
Define together. Deploy with trust.
Una plataforma de calidad de dato pensada para auditoría y para analistas funcionales — sin perder rigor técnico.