Cato PerezIngeniero de datos

Ingeniero de datos · PySpark · Databricks · AWS

Hola, soy Cato. Construyo pipelines que convierten fuentes desordenadas en tablas fiables.

Ingeniero de datos con más de 6 años de experiencia construyendo pipelines de integración de datos para finanzas, seguros, movilidad y marketing, de Spark sobre Hadoop a Azure Data Factory y BigQuery. Mi último proyecto es un lakehouse de registros mercantiles europeos sobre Databricks y AWS: mantiene al día 52 millones de filas de registro cada mes, y sus resultados están en vivo en este sitio.

Ver mis proyectos Contactar

Disponible para puestos de ingeniería de datos: plantilla o freelance, en remoto o presencial en Europa.

Experiencia con

  • Corum L'Épargne
  • RiverBank
  • Epsilon France (Publicis Groupe)
  • Mobilize Financial Services
  • PMU
  • Allianz France
Cato Perez

AWS Certified Cloud PractitionerNueva

Amazon Web Services · obtenida en octubre 2026

Verificar credencial
Seis registros nacionales que pasan por las capas landing, bronze, silver y gold hasta un mapa

En producción · Actualizado el 15 de octubre de 2026

Lakehouse de registros mercantiles europeos

Seis registros mercantiles nacionales (52 millones de filas) ingeridos, limpiados, historizados y geocodificados sobre Databricks serverless y AWS, y publicados como un mapa interactivo y unos análisis que se actualizan cada mes.

  • 52 Mfilas de registro, actualizadas cada mes
  • 6registros nacionales, un único modelo armonizado
  • 97 %de las empresas en el mapa, con geocodificación gratuita
  • ~200tests, todos ejecutables en un portátil
Qué incluye
  • Ingesta con AWS Lambda y S3, programada con EventBridge y desplegada con SAM mediante GitHub OIDC.
  • Arquitectura medallion sobre Databricks serverless: bronze en bruto, silver SCD tipo 2 con un MERGE de Delta por instantánea, gold Kimball.
  • Motor de calidad de datos con cuarentena y umbrales de parada, contratos de deriva de esquema y parseo seguro en modo ANSI de las peculiaridades de cada registro.
  • Geocodificación por niveles con cruces sin conexión y geocodificadores públicos gratuitos, en lugar de una API de pago.
  • Detección de cambios: un mes sin cambios cuesta una sola tarea pequeña. CI/CD con tests, aprobación y despliegues como service principal.
  • Resultados publicados como JSON estático: un mapa en vivo y análisis sobre empresas en actividad, polos pesqueros y supervivencia de empresas.
Leer el caso de estudio Explorar los datos

En qué estoy trabajando

  • En producción Un lakehouse que limpia, historiza y geocodifica seis registros mercantiles europeos cada mes sobre Databricks serverless y AWS, con un mapa en vivo de los resultados.
  • Certificado AWS Certified Cloud Practitioner, obtenida en octubre de 2026. En producción en mi lakehouse: Lambda, S3, IAM, EventBridge, CloudWatch y SAM.
  • Escribiendo Guías de estudio pregunta a pregunta sobre AWS, PySpark, Python, PostgreSQL y dbt.

Proyectos recientes

Todos los proyectos

Competencias y herramientas

Languages
  • Python
  • SQL
  • Scala
Big Data
  • Apache Spark
  • PySpark
  • Hadoop
  • Hive
  • Apache NiFi
Cloud & lakehouse
  • Databricks
  • Delta Lake
  • AWS
  • Google BigQuery
  • Azure Data Factory
Data modelling
  • Data Vault 2.0
  • Medallion architecture
  • Dimensional modelling
  • PostgreSQL
Orchestration
  • Apache Airflow
  • Control-M
  • Azure Data Factory
  • AWS Lambda
Quality & DevOps
  • pytest
  • ScalaTest
  • Docker
  • Git
  • GitLab

Últimos artículos

Archivo del blog

Hablemos de datos

¿Buscas un ingeniero de datos o quieres hablar de un pipeline? Estaré encantado de leerte.

Contactar