Cerramos el Capítulo 29 con un aspecto crucial cuando una empresa acumula muchos datos: el gobierno de datos (data governance). Tener un data lake (subcapítulo 29.1) lleno de información valiosa está muy bien, pero plantea preguntas serias: ¿quién puede ver qué datos? ¿Cómo proteges la información sensible? ¿Cómo controlas el acceso de forma centralizada cuando tienes datos de toda la empresa? Para responder a esto, AWS ofrece Lake Formation: un servicio para construir, asegurar y gobernar tu data lake de forma centralizada.

Un data lake reúne muchos datos de toda la empresa en un sitio (S3). Eso es potente, pero también peligroso si no controlas bien quién accede a qué:

Sin un buen control de acceso:

• Cualquiera con acceso al lago podría ver datos sensibles que no le corresponden (un riesgo grave, recuerda la privacidad y el cumplimiento del Capítulo 23).
• Gestionar los permisos «a mano» sobre millones de archivos en S3 sería inviable y propenso a errores.
• Sería difícil demostrar (a auditores, por normativa) que los datos están bien protegidos.

Necesitas una forma centralizada y fina de gobernar quién accede a qué datos. Eso es Lake Formation.

AWS Lake Formation es un servicio que facilita construir, asegurar y gobernar un data lake de forma centralizada. Su función más destacada es el control de acceso fino y centralizado a los datos: definir, desde un solo sitio, quién puede acceder a qué datos (hasta el nivel de tablas y columnas concretas), de forma sencilla.

Analogía: Lake Formation es como el sistema de control de accesos y seguridad de una gran biblioteca o archivo nacional. No basta con tener todos los documentos guardados (eso es el data lake); necesitas controlar quién puede entrar a qué sección: el público general accede a la sala común, los investigadores acreditados a los archivos especiales, y solo personal autorizado a los documentos confidenciales. Lake Formation es ese sistema que, desde un punto central, decide y vigila quién accede a cada parte de tus datos.

Ayuda a montar el data lake de forma más sencilla: facilita traer datos, organizarlos y catalogarlos (trabaja junto con Glue, subcapítulo 29.1). Simplifica los pasos de crear el lago.

Esta es la pieza estrella. Desde un solo sitio, defines quién puede acceder a qué datos, con mucho detalle:

En vez de gestionar permisos archivo por archivo en S3 (un caos), defines reglas claras a nivel de datos (bases de datos, tablas, columnas), de forma centralizada. Esto conecta con el mínimo privilegio que vimos en IAM (subcapítulo 7.2): cada quien accede solo a los datos que necesita.

Gracias a ese control fino, puedes proteger la información sensible (datos personales, financieros) asegurando que solo quien debe puede verla, mientras otros acceden al resto. Es clave para cumplir normativas de privacidad.

Permite registrar y demostrar quién accede a qué datos, lo cual es esencial para auditorías y para cumplir regulaciones (enlaza con el cumplimiento del Capítulo 23). Tienes una visión central de la seguridad de tus datos.

El gran valor de Lake Formation es convertir un data lake potencialmente caótico e inseguro en uno gobernado: donde sabes exactamente quién accede a qué, proteges lo sensible y puedes demostrarlo. Sin gobierno, un data lake lleno de datos valiosos es también una bomba de relojería de seguridad y cumplimiento. Con Lake Formation, es un activo seguro y bien controlado.

Ejemplo del mundo real: una empresa de salud tiene un data lake con datos de pacientes (muy sensibles), datos operativos y datos públicos. Usan Lake Formation para gobernarlo. Definen, de forma centralizada: los investigadores acceden a datos anonimizados y agregados (sin ver identidades), el personal médico autorizado accede a los datos completos de sus pacientes, y el equipo de marketing solo accede a datos públicos. Las columnas con datos personales identificables están protegidas y solo visibles para quien tiene autorización explícita. Cuando llega una auditoría de protección de datos, la empresa demuestra fácilmente quién accede a qué. Lo que sin gobierno sería un riesgo legal enorme, con Lake Formation es un sistema controlado, seguro y conforme a la normativa.

Lake Formation completa la plataforma de datos que hemos construido en este capítulo:

Las primeras piezas construyen y explotan los datos; Lake Formation se asegura de que todo ello sea seguro, controlado y conforme. Una plataforma de datos completa necesita las dos cosas: capacidad y gobierno.

• Un data lake reúne muchos datos (incluidos sensibles) de toda la empresa; sin control de acceso, es un riesgo grave de seguridad y cumplimiento, y gestionar permisos «a mano» sobre millones de archivos es inviable.
• AWS Lake Formation facilita construir, asegurar y gobernar un data lake de forma centralizada. Como el sistema de control de accesos de un gran archivo.
• Su pieza estrella es el control de acceso fino y centralizado: defines desde un solo sitio quién accede a qué datos, hasta nivel de tablas y columnas (en línea con el mínimo privilegio de IAM), en vez de gestionar archivos sueltos en S3.
• Aporta: construir el lago más fácil, proteger datos sensibles (clave para la privacidad) y auditoría/cumplimiento (demostrar quién accede a qué).
• Convierte un data lake caótico e inseguro en uno gobernado y seguro: la diferencia entre un riesgo y un activo. Capacidad (29.1-29.3) más gobierno (Lake Formation) = plataforma de datos completa.

¡Has completado el Capítulo 29 y dominas las plataformas de datos en AWS: data lakes, streaming, data warehouse y gobierno de datos! En el Capítulo 30 volveremos al terreno de la organización a gran escala: cómo estructurar múltiples cuentas y landing zones para empresas grandes.