BI con QuickSight y el capstone integral del lakehouse

Dieciséis lecciones construyeron algo que produce números: bronze en S3, silver y gold como tablas Iceberg, un catálogo de Glue, Step Functions sosteniendo el calendario, Lake Formation decidiendo quién puede leer cada fila, Macie encontrando los datos personales, Glue Data Quality rechazando los lotes malos y una escalera de costes que nadie tiene permitido saltarse. Nada de eso es el punto de un lakehouse. El punto es que una gerente regional en Frankfurt abre un enlace un lunes por la mañana y ve sus regiones, sus tiendas, sus ingresos, en menos de dos segundos, y no ve los de nadie más.

Esta es la lección. La capa de BI es donde cada decisión aguas arriba o se paga sola o te avergüenza: una concesión de Lake Formation que falta aparece como un cuadro de mando vacío, una instantánea de SPICE aparece como uno obsoleto, una elección de columna de texto frente a numérico aparece como una seguridad a nivel de fila que deja de funcionar en silencio, y una consulta directa sin podar aparece en la factura de Athena tres semanas después. Configurarás QuickSight de principio a fin, y después darás un paso atrás y redibujarás todo el curso como una arquitectura de referencia con diecisiete capas, más el plan de 30/60/90 días que lleva a un equipo hasta allí.

Al final de esta lección sabrás:

• decir qué cambió y qué no cambió cuando QuickSight se convirtió en Quick Suite y después en Amazon Quick, y tasar un despliegue real línea por línea;
• elegir entre SPICE y consulta directa usando el medidor de bytes escaneados de Athena en lugar de una intuición, y defender la elección con aritmética;
• dimensionar un dataset de SPICE a partir de una lista de columnas con la fórmula de tamaño lógico, y programar actualizaciones que ni choquen ni queden obsoletas en silencio;
• conectar correctamente una fuente del lakehouse: Athena a través de Lake Formation, un manifiesto de S3 para extracts, Redshift para cargas de trabajo densas de almacén;
• construir la cadena de contenido dataset → análisis → cuadro de mando → tema → carpeta, y elegir una familia de visuales a propósito;
• separar los tres mecanismos de seguridad a nivel de fila y decir, para cada uno, a quién aplica, qué tipos de datos restringe y cuánto te cuesta;
• ensamblar las diecisiete capas en una sola arquitectura de referencia y secuenciarlas a lo largo de un plan de 30/60/90 días;
• leer los resultados publicados de Trustly en QuickSight como los lee un profesional: como un resultado de cliente con una fecha, nunca como una garantía del servicio.

---

1. Nombrar lo que estás configurando

Antes de un solo ajuste: el 2025-10-09 AWS anunció que «Amazon QuickSight está evolucionando hacia Amazon Quick Suite», con la mitad de BI renombrada como Quick Sight y «Más allá de las capacidades de BI conocidas (ahora llamadas Quick Sight), Quick Suite introduce varias funciones impulsadas por IA» (AWS BI Blog, 2025-10-09). La guía de usuario de hoy describe el servicio como Amazon Quick, que «evolucionó desde Amazon QuickSight. QuickSight continúa como Amazon Quick Sight, una función dentro de Quick» (Quick User Guide, What is Amazon Quick?, consultado 2026-10-11).

La mitad operativa de ese anuncio es la parte que realmente necesitas:

«Todo tu entorno de QuickSight, incluidos cuadros de mando, datasets y análisis, permanece sin cambios… Tus integraciones existentes de API siguen funcionando como antes, y no se requiere ninguna migración de datos.»: AWS BI Blog, 2025-10-09

y

«Todas las APIs, SDKs e integraciones existentes de QuickSight siguen funcionando sin cambios.»: Quick User Guide, consultado 2026-10-11

Dos consecuencias para todo lo que viene abajo:

1. Los ARNs y las acciones de IAM siguen diciendo quicksight. Un ARN de usuario sigue siendo arn:aws:quicksight:{region}:{account}:user/{namespace}/{username}, el rol de servicio por defecto sigue siendo aws-quicksight-service-role-v0, y cada API que toques en esta lección (CreateIngestion, GenerateEmbedUrlForRegisteredUser, CreateAccountCustomization) conserva su nombre antiguo (AWS Machine Learning Blog, 2026-06-08; AWS Builder Center, 2026-03-27).
2. Las tablas de precios se mudaron a la marca nueva. Las tarifas de abajo se leyeron en la página de precios de QuickSight el 2026-10-11, donde las trae el panel de Quick Suite.

• 📚 ¿Sabías que…? La abreviatura de «Quick Suite» a «Amazon Quick» no tiene fecha en ninguna parte de la propia documentación de AWS. Las publicaciones del 2025-10-09 dicen Quick Suite; la guía de usuario simplemente dice Amazon Quick, sin una fila de anuncio para el segundo renombrado. La afirmación defendible es «anunciado como Quick Suite en octubre de 2025; para octubre de 2026 la guía de usuario llama al servicio Amazon Quick»: asignar una fecha precisa a la abreviatura sería inventar una fuente.

---

2. Personas, ediciones y la pila de precios de octubre de 2026

2.1 Las tres personas, y por qué los Admins se facturan como Authors

Fuente de cada fila: página de precios de QuickSight y FAQs, consultada el 2026-10-11.

La trampa de esa tabla es la fila de Admin: un Admin que «solo gestiona usuarios» sigue siendo un Author en la factura. La segunda trampa es que los Readers no retienen SPICE en absoluto: SPICE es propiedad de la cuenta, no del usuario.

2.2 Dos ediciones, y solo una de ellas hace seguridad a nivel de fila

Fuentes: página de precios, Data source quotas, Refreshing SPICE data, Using row-level security, Embedding overview: todas consultadas el 2026-10-11.

2.3 Ejemplo resuelto E1: tasar un despliegue real, línea por línea

Un equipo despliega 3 Authors, 1 Admin, 60 Readers, un dataset de SPICE de 52 GB, sin usuarios Pro, sin topics de Q, sin Dashboard Q&A (lista de us-east-1, en oct 2026).

Ahora dos cambios que parecen pequeños en una diapositiva:

La cuota de infraestructura duplicó la factura por una sola bandera de función. Se aplica «si tu cuenta tiene alguno de los siguientes: al menos un usuario Pro / Q&A activado mediante topics / Dashboard Q&A activado» (página de precios y FAQs, consultada 2026-10-11), y, la parte que atrapa a la gente, eliminar los usuarios Pro no la detiene mientras exista un Q Topic en cualquier Región de la cuenta (AWS re:Post Knowledge Center, 2026-08-27).

---

3. SPICE: qué es, cuánto cuesta y cómo lo rellenas

3.1 El motor en un párrafo

SPICE es el Super-fast, Parallel, In-memory Calculation Engine: una instantánea materializada y actualizable de tu dataset construida a partir de «una combinación de almacenamiento columnar, tecnologías en memoria… y generación de código de máquina» (AWS BI Blog, Best practices for Amazon QuickSight SPICE and direct query mode, 2024-07-17). En la edición Enterprise la instantánea está cifrada en reposo, gestionada por AWS por defecto, o con una clave gestionada por el cliente en AWS KMS, y cifrada en tránsito con TLS (misma fuente; Importing data into SPICE, consultado 2026-10-11).

Cuatro propiedades deciden cada elección de diseño que vas a hacer:

• La capacidad se agrupa por cuenta y por Región de AWS, no por usuario: «La capacidad de SPICE se asigna por separado para cada Región de AWS… compartida por todas las personas que usan QuickSight en una sola Región de AWS» (Managing SPICE memory capacity, consultado 2026-10-11).
• La compra automática de capacidad está activada por defecto en las cuentas creadas desde la consola, y «la compra automática de capacidad no admite el decremento automático»: puede hacer crecer tu pool, nunca encogerlo. Desactívala con la capacidad sobreasignada y la siguiente ingesta o refresh fallará.
• Se te cobra por la consulta de origen en la ingesta, no en el momento de verla: «Si usas una fuente de datos que cobra por consulta, se te cobra por consultar los datos cuando creas el dataset y más adelante cuando actualizas el dataset» (Importing data into SPICE).
• Los cuadros de mando siguen sirviendo la instantánea anterior mientras corre un refresh, y después de uno fallido, sin ningún banner de obsolescencia en el lienzo por defecto.

3.2 Tamaño lógico: la aritmética que decide tu factura de capacidad

Lo que consume capacidad no es el fichero Parquet en S3 ni el recuento de filas: es el tamaño lógico, calculado después de la coerción de tipos y de las columnas calculadas:

Fuente: Importing data into SPICE, consultado 2026-10-11. «Solo los cambios guardados en el dataset se aplican a la capacidad de SPICE».

3.3 Ejemplo resuelto E2: dimensionar el dataset del capstone antes de ingerirlo

La tabla gold del capstone gold.sales contiene 40,000,000 filas, unos 3 GB de Parquet en S3. El dataset de QuickSight usa este SQL personalizado (fíjate en lo que se descartó):

Tamaño lógico por fila:

Dos movimientos hicieron que cupiera: descartar columnas sin uso en el SQL (una columna de texto customer_note de 200 caracteres de media habría añadido 24 + 200 bytes por fila: 8.96 GB por sí sola, lo que ya habría superado el pool) y truncar el timestamp a una fecha, el mismo movimiento que hace posible el refresh incremental y la seguridad a nivel de fila en absoluto.

• 📚 ¿Sabías que…? Los cuatro pasos de preparación de datos Append, Aggregate, Pivot y Unpivot no pueden ejecutarse en el momento de la consulta: son exclusivos de SPICE, lo que significa que QuickSight los materializa en SPICE en lugar de ejecutarlos en cada carga de visual (SPICE-only features, consultado 2026-10-11). Eso los convierte en la palanca documentada de «preagregar para encoger tu dataset»: un paso de agregación aplicado en el momento de la autoría se paga una vez por refresh en lugar de en cada visualización.

3.4 Refresh: calendarios, cuotas y el fallo que no verás

De ahí salen directamente dos reglas operativas. Escalona los calendarios para que los datasets no se disparen todos en el mismo minuto (AWS re:Post, 2026-06-26), y trata un refresh fallido como un incidente, porque el cuadro de mando seguirá renderizando con gusto los números de ayer como si nada hubiera pasado.

3.5 Buenas prácticas de autoría en SPICE

1. Selecciona columnas en el momento de la autoría. Cada columna de texto que arrastras al dataset se factura a 24 + longitud UTF-8 bytes por fila, para siempre. Desselecciona lo que ningún visual use.
2. Agrega antes de importar. Usa el paso Aggregate exclusivo de SPICE, o agrega en la capa gold, que es aún mejor, cuando un cuadro de mando necesite medidas por día en lugar de por transacción.
3. Convierte las claves sobre las que vas a restringir. La seguridad a nivel de fila solo funciona en campos de texto, así que convierte las claves de región numéricas o de fecha a cadena en el SQL del dataset (sección 7).
4. Programa después del ETL, nunca cerca de él. Un refresh completo diario a las 04:00 que se dispara antes de que termine el job de silver a gold importa la instantánea equivocada y la reporta con confianza. La llamada CreateIngestion dirigida por eventos desde Step Functions después del job es la versión determinista; el calendario es solo el suelo.
5. Un dataset, muchos cuadros de mando. El consumo en cualquier número de cuadros de mando y usuarios «no genera cargos»: el medidor es capacidad en GB-mes, no visualizaciones (página de precios, consultada 2026-10-11).

---

4. SPICE frente a consulta directa: la factura de Athena es el desempate

4.1 El intercambio, enunciado en las dos direcciones

Fuentes: Data source quotas (2026-10-11); mejores prácticas del AWS BI Blog (2024-07-17).

4.2 El híbrido recomendado por AWS

La propia guía de AWS no es «elige uno»: usa una hoja de aterrizaje de SPICE para los KPI agregados actualizados diaria o incrementalmente, más una hoja de detalle de consulta directa, y avisa al lector de la inconsistencia de frescura entre ambas (BI Blog, 2024-07-17). El patrón existe porque los dos modos de fallo son opuestos: SPICE falla por quedar obsoleto, la consulta directa falla por ser lenta y cara.

4.3 Ejemplo resuelto E3: el mismo cuadro de mando, dos medidores

Escenario. 200 lectores, 4 visualizaciones de cuadro de mando cada uno al día, cada visualización escaneando 200 MB de Parquet con poda de particiones en modo de consulta directa, frente a los mismos datos importados en un dataset de SPICE de 6 GB. Athena cuesta $5.00 por TB escaneado (precios de Amazon Athena, consultados 2026-10-11).

El punto de equilibrio es aritmética, no opinión: el coste de la capacidad de SPICE iguala al coste de Athena cuando

Por debajo de unas 76 vistas al día, la consulta directa es más barata y más fresca; por encima, SPICE gana y sigue ganando, porque la línea de SPICE es plana en número de visualizaciones. La columna sin podar es la que debería preocuparte: la misma forma de SQL sin poda de particiones es 15 veces la factura: que es por lo que los reductores de la lección 09 son un prerrequisito de esta lección y no un extra opcional.

4.4 Ejemplo resuelto E4: la factura híbrida

Mismo público, 4,000 visualizaciones al día: 3,600 aterrizan en la hoja de KPI de SPICE, 400 caen en la hoja de detalle de consulta directa a 200 MB cada una.

Añade el cuadro de texto de la advertencia en la hoja de consulta directa, «las filas de detalle son en vivo; los mosaicos de KPI se actualizan cada día a las 04:00 UTC», y tienes la forma recomendada por AWS con su coste cuantificado.

• 📚 ¿Sabías que…? Athena factura bytes escaneados, redondeados al megabyte más cercano, con un mínimo de 10 MB por consulta para las fuentes federadas: así que un cuadro de mando que renderiza 40 visuales pequeños de consulta directa puede facturar 40 mínimos en lugar de un solo escaneo fusionado. Fusionar filtros y emitir menos consultas y más anchas mediante parámetros del dataset es una palanca de coste tanto como de rendimiento (precios de Amazon Athena, consultados 2026-10-11).

Las líneas se cruzan en torno a 2,280 visualizaciones al mes: unas 76 al día. A la izquierda del cruce, la consulta directa es más barata y más fresca; a la derecha, SPICE cuesta lo mismo si lo miran 10 personas o 10,000. La línea de SPICE también esconde un cargo fijo de ingesta de $0.45/mes (E3), que mueve el cruce solo marginalmente.

---

5. Fuentes del lakehouse: Athena, el manifiesto de S3 y Redshift

QuickSight admite una lista larga de fuentes, Athena, Aurora, el Glue Data Catalog, OpenSearch, Redshift, Redshift Spectrum, S3, S3 Tables, RDS, más BigQuery, Databricks, Snowflake, Trino y Q Business, con una regla dura de ubicación: «Los clústeres de Amazon Redshift, las bases de datos de Amazon Athena y las instancias de Amazon RDS deben estar en AWS» (Supported data sources, consultado 2026-10-11). Para este curso, tres importan.

La regla de decisión para este curso: todo lo gobernado vive detrás de Athena (o Redshift), nunca detrás de un manifiesto. Un manifiesto es un volcado de ficheros; sin entrada de catálogo, sin time travel, sin concesión de Lake Formation, sin filtro de datos.

Un manifiesto como el de arriba se importa bien y sigue siendo la respuesta equivocada para gold.sales: en cuanto importen la gobernanza a nivel de fila, la evolución de esquema o el time travel, la vía de Athena es la única que hereda lo que construyeron las lecciones 04, 07 y 12.

Dos detalles de conexión que fallan en silencio:

• El rol de servicio de QuickSight, por defecto aws-quicksight-service-role-v0, necesita sus propias concesiones de Lake Formation, además de las concesiones dadas a los ARNs de usuario y de grupo de QuickSight (Using AWS Lake Formation with Amazon QuickSight, consultado 2026-10-11; AWS Builder Center, 2026-03-27).
• Con S3 Tables (Iceberg gestionado) el catálogo es s3tablescatalog, no el catálogo por defecto de Glue: necesitas glue:GetCatalog sobre ese ARN de catálogo, y debes usar SQL personalizado, porque el explorador de tablas solo muestra el catálogo por defecto (AWS Builder Center, 2026-03-27).

Y la regla de ordenación de la propia guía de AWS: consigue que la consulta funcione primero en Athena, y después abre QuickSight: un paso que separa un problema de Lake Formation de un problema de QuickSight.

---

6. El modelo de contenido: datasets, análisis, cuadros de mando, temas y carpetas

Familias de visuales disponibles en un análisis: barras y columnas (apiladas), mapa de calor, líneas y áreas, dispersión, tartas y donuts, treemap, embudo, medidor/KPI, nube de palabras, diagrama de caja, histograma, mapa de dispersión, mapa de capas, componente de imagen, Highcharts, tablas y tablas dinámicas, y widgets de texto con narrativa automática (historial de documentos de la Quick User Guide y documentación de previsión/insight, consultada 2026-10-11).

Temas. El servicio trae cuatro ARNs de temas iniciales, arn:aws:quicksight:aws:theme/CLASSIC, .../MIDNIGHT, .../SEASIDE, .../RAINIER, y el valor por defecto de la cuenta o del espacio de nombres se establece con CreateAccountCustomization / UpdateAccountCustomization mediante un DefaultTheme, lo que exige que el tema esté compartido primero (Setting a default theme, consultado 2026-10-11). Los cuadros de mando incrustados añaden tematización en tiempo de ejecución desde Embedding SDK 2.5.0 en adelante (setTheme, setThemeOverride, hasta cinco temas precargados).

Carpetas (Enterprise). Carpetas personales, carpetas compartidas y carpetas compartidas restringidas: las restringidas se crean solo a través de la API CreateFolder y obligan a que los recursos creados desde su contenido permanezcan dentro del árbol de carpetas. Lee el límite con cuidado: cubre análisis, cuadros de mando, datasets, fuentes de datos y topics, pero no superficies más nuevas como los agentes de chat, que aún pueden recuperar detalles de un dataset dentro de una carpeta restringida (Organizing assets into folders, consultado 2026-10-11).

---

7. Seguridad a nivel de fila: tres mecanismos que no son intercambiables

Esta es la sección que decide si tu cuadro de mando del capstone es una victoria de gobernanza o una fuga de datos. Hay tres mecanismos a nivel de fila, resuelven problemas distintos y ninguno de ellos se convierte en otro automáticamente.

7.1 Mecanismo uno: un dataset de reglas de usuario o grupo (Enterprise)

Una tabla de permisos adjunta a tu dataset: una columna de identidad (UserName y GroupName, o UserARN y GroupARN) más una columna por campo restringido. La adjuntas con «Conceder acceso al dataset».

Fuentes: Using row-level security y Using RLS with user-based rules, consultadas 2026-10-11.

Una ingesta del dataset de reglas rota deja por tanto el dataset restringido con ninguna regla seleccionada, lo que significa que los lectores no ven nada hasta que adjuntes reglas nuevas. Monitoriza el estado de la ingesta y activa las alertas por correo de fallo.

7.2 Mecanismo dos: reglas basadas en etiquetas (solo incrustación anónima)

Las reglas de etiquetas mapean una clave de etiqueta a una columna e inyectan valores en tiempo de ejecución a través de SessionTags en GenerateEmbedUrlForAnonymousUser, configuradas mediante RowLevelPermissionTagConfiguration.TagRules (TagKey, ColumnName, TagMultiValueDelimiter, MatchAllValue). La declaración de alcance de AWS es inequívoca: las reglas basadas en etiquetas existen cuando «estás usando cuadros de mando incrustados y quieres asegurar los datos de usuarios no aprovisionados (usuarios no registrados)», y se admiten solo para incrustación anónima: no para GenerateEmbedURLForRegisteredUser, no para el GetDashboardEmbedUrl heredado y no para la identidad de consola (Using RLS with tag-based rules, consultado 2026-10-11).

7.3 Mecanismo tres: Lake Formation en el origen, a través de Athena

Registra la ubicación de S3 en Lake Formation, revoca IAMAllowedPrincipals, y concede SELECT y DESCRIBE (más permisos de filtro de datos) a los ARNs de usuario y de grupo de QuickSight en Enterprise, y también al rol de servicio. Esos filtros los aplica Athena en el momento de la consulta, que es todo el problema y toda la oportunidad:

• un dataset de consulta directa respeta los filtros de datos de Lake Formation por usuario;
• un dataset de SPICE no, porque «cuando se usa SPICE, los datos se importan (replican) y por tanto los derechos en el origen no pueden usarse» (AWS Big Data Blog, Automate replication of row-level security from AWS Lake Formation to Amazon QuickSight, 2025-05-07).

AWS documenta exactamente dos puentes a través de ese hueco:

1. Propagación de identidad de confianza (TIP). Solo IAM Identity Center, solo consulta directa: «no se puede usar QuickSight SPICE con la propagación de identidad de confianza». La identidad del lector se propaga a Athena, a Redshift y a Lake Formation cuando entra en juego Redshift Spectrum, de modo que los permisos a nivel de esquema, tabla, fila y columna se hacen cumplir en el origen y esto «elimina la necesidad de crear reglas adicionales de seguridad a nivel de fila y de columna en QuickSight» (AWS BI Blog, 2024-05-16; entrada del historial de documentos «Trusted identity propagation support with Athena data sources», 2025-06-30).
2. Replicación automatizada. Una Lambda lee ListDataCellFilters y ListPermissions, transforma los predicados PartiQL en filas del dataset de reglas de QuickSight y actualiza un dataset de RLS de QuickSight. Funciona con SPICE y sin Identity Center, pero debe re-ejecutarse en cada cambio de Lake Formation, y la ventana de retardo es un riesgo que asumes tú.

• 📚 ¿Sabías que…? La frase «las etiquetas se convierten en RLS» describe dos funciones no relacionadas. Las etiquetas de Lake Formation impulsan el alcance de tabla y columna y no pueden llevar filtros de datos de fila en absoluto, mientras que las reglas de etiquetas de QuickSight impulsan la seguridad a nivel de fila solo para incrustación anónima. No hay ninguna función documentada de AWS que mapee una sobre la otra: para gerentes regionales registrados necesitas un dataset de reglas de usuario/grupo, punto y final (documentación de QuickSight y Lake Formation, consultada 2026-10-11).

7.4 Ejemplo resuelto E5: qué mecanismo para qué público

---

8. Q, visuales de ML e incrustación: mapa a nivel de conciencia

8.1 Lenguaje natural y funciones generativas

El linaje son tres generaciones de una misma idea: QuickSight Q, después Amazon Q in QuickSight (GA 2024-04-30), después integrado en Amazon Quick (2025-10-09). Lo que importa operativamente en octubre de 2026:

• El Q&A está incluido en las plazas de Reader y de Author, pero activarlo cuesta dinero. Crea Q Topics (modelos semánticos curados con instrucciones personalizadas, creados por Author Pro) o activa el Dashboard Q&A de un clic (disponible desde 2025-01-31, sin necesidad de topic), y cualquiera de las dos cosas enciende la cuota de infraestructura de $250/mes por cuenta.
• Los Q Topics se facturan y siguen siendo creables. No se encontró ninguna declaración de AWS que los deprecie, aunque el Dashboard Q&A se promocione como la vía sin topics.
• Existe capacidad de preguntas de Amazon Q por lotes para escenarios incrustados y de escala: 500 preguntas/mes por $250, 60,000/año por $18,000, 600,000/año por $120,000 (página de precios, consultada 2026-10-11).
• Las plazas Pro añaden construcción de cuadros de mando en lenguaje natural, resúmenes ejecutivos, historias de datos generativas y escenarios.
• La barra de búsqueda de Q incrustada se etiqueta como Classic; el sustituto declarado por AWS es la experiencia Generative Q&A incrustada.

8.2 Visuales impulsados por ML

Fuentes: Forecasting and what-if scenarios, Insights and anomaly detection, página de precios: todas consultadas el 2026-10-11.

8.3 Incrustación, a nivel de conciencia

Solo Enterprise, con dos vías de autenticación: usuarios registrados (GenerateEmbedUrlForRegisteredUser, más copia con un clic) y usuarios anónimos (GenerateEmbedUrlForAnonymousUser, etiquetas de sesión para RLS, sin aprovisionamiento de usuarios). Las listas blancas de dominio deben usar HTTPS y admitir hasta 100 dominios, estáticos más los añadidos en tiempo de ejecución. El amazon-quicksight-embedding-sdk de npm suministra callbacks, conexión de control, tematización en tiempo de ejecución y vistas incrustadas compartidas.

La nota de seguridad que AWS añadió el 2026-01-27 merece tratamiento de advertencia: orientación explícita contra las vulnerabilidades de evasión de AllowedEmbeddingDomains, más orientación de RLS multitenante: porque una lista blanca permisiva combinada con RLS basada en etiquetas es exactamente la combinación en la que un portal multitenante se equivoca.

El precio para un público incrustado son Readers aprovisionados a $3 o capacidad de sesión de lector: una sesión es un periodo de 30 minutos, 500 sesiones cuestan $250 al mes con sesiones extra a $0.50, y los planes anuales van desde 50,000/año por $20,000 hasta $0.16 por sesión en el plan de 1.6M/año. La capacidad anual es además lo que elimina la marca «Powered by Quick», y el precio de capacidad es obligatorio para la actualización programática de cuadros de mando.

• 📚 ¿Sabías que…? El precio de Reader está escrito solo para interacciones de sesión manuales: AWS «se reserva el derecho de cobrar por el lector a la tarifa mensual más alta de Author» si las sesiones de lector se usan para consultas programáticas o automatizadas (QuickSight FAQs, consultado 2026-10-11). Una pantalla de pared que sondea un cuadro de mando con un temporizador es la vía documentada del shock de factura, y es precisamente el uso que requiere precio de capacidad en lugar de plazas.

---

9. Ejemplo resuelto capstone: de gold.sales a SPICE, a la RLS regional y al cuadro de mando del gerente

Todo lo de las lecciones 01 to 16 converge ahora en una sola construcción. Puesta en marcha: tabla Iceberg gold.sales con las columnas order_id, order_ts, region, store_id, product, qty, revenue, 40,000,000 filas, unos 3 GB de Parquet en S3, registrada en Lake Formation, grupo de trabajo de Athena qs-bi.

Paso 1: Concesiones de Lake Formation. SELECT y DESCRIBE sobre gold.sales al ARN del grupo QuickSight_Authors y a aws-quicksight-service-role-v0. Revoca IAMAllowedPrincipals de la ubicación registrada.

Paso 2: Dataset sobre Athena, en modo SPICE. SQL personalizado con las columnas sin uso descartadas, order_ts truncado a order_day, region convertida a texto (la RLS necesita texto). Tamaño lógico 5.68 GB (E2), dentro de los 20 GB del pool incluido.

Paso 3, Refresh. Refresh completo diario a las 04:00 UTC después del job de silver a gold, más una llamada CreateIngestion dirigida por eventos desde Step Functions cuando ese job termine, el calendario es el suelo, el evento es la verdad. Retrospectiva incremental semanal de 7 días sobre order_day si la tabla es de mucha inserción. Mantente por debajo del tope de 32 refreshes completos a demanda cada 24 horas.

Paso 4: Dataset de reglas de RLS. Crea rls_region_rules con las columnas GroupARN, region; las filas mapean arn:…:group/default/regional-managers-eu a EU y …-us a US; márcala con UseAs: RLS_RULES, lo cual es irreversible. Adjúntala al dataset con «Conceder acceso al dataset».

Paso 5: Verificar de tres formas. El autor ve todas las regiones (a los propietarios del dataset no se les restringe); un miembro de regional-managers-eu ve solo la UE; una exportación CSV respeta la misma restricción.

Paso 6: Construir y publicar. Una hoja de KPI (ingresos, pedidos, valor medio de pedido por región), una hoja de tendencia con una previsión de ML de 14 periodos y un insight de anomalía sobre los ingresos diarios; publicar, compartir con el grupo como Reader y suscribir a los gerentes regionales a un informe de correo programado (la entrega de correo programada respeta la RLS).

Paso 7: Poner precio (us-east-1, en oct 2026):

Lo que demuestra esta construcción. Cada lección anterior es portante: sin la lección 04 la tabla es un montón de ficheros; sin la 07 Athena no puede resolver gold.sales; sin la 12 el gerente ve todas las regiones; sin la 15 el cuadro de mando reporta datos malos con confianza; sin la 16 el respaldo de consulta directa cuesta tranquilamente más que toda la línea de BI.

---

10. El capstone: diecisiete capas como una sola arquitectura de referencia

Abajo está el curso entero como un único diagrama. Léelo como una columna vertebral que va de izquierda a derecha (ingerir, almacenar, catalogar, transformar, consultar, servir), con planos de control envolviéndola (orquestación, gobernanza, privacidad, seguridad, calidad, coste), y nota que QuickSight es el único nodo que un usuario de negocio toca alguna vez.

10.1 Las diecisiete capas, y la decisión que cada una posee

• 📚 ¿Sabías que…? La propia página What is a Data Lakehouse? de AWS nombra la misma columna vertebral que describe esta tabla, ingesta, almacenamiento, metadatos, API, semántica/consumo, y la capa semántica es donde se sientan las herramientas de BI. Las diecisiete lecciones son una expansión de las cinco capas publicadas de AWS hasta las decisiones servicio por servicio que un equipo realmente tiene que tomar, y por eso el diagrama del capstone tiene diecisiete casillas pero solo cinco columnas de flujo (páginas What-is de AWS, consultadas 2026-10-11).

---

11. La hoja de ruta de implementación de 30/60/90 días

Una arquitectura de referencia es una imagen; una hoja de ruta es un orden de operaciones. La regla que gobierna la secuencia es simple: nada aguas abajo puede construirse antes de que aquello de lo que depende exista y haya sido verificada. No puedes conceder sobre una ubicación no registrada, no puedes refrescar antes de que haya una tabla, no puedes restringir filas sobre una columna que sigue siendo numérica.

11.1 Ejemplo resuelto E7: dimensionar el público incrustado antes de comprar nada

Un ISV incrusta un cuadro de mando en una aplicación multitenante para 50,000 visitantes mensuales, con una media de 2 sesiones de 30 minutos cada uno: 100,000 sesiones al mes, o 1.2 millones al año.

Lee esto como un ejercicio de aritmética, no como una fórmula publicada por AWS: AWS no publica ninguna guía de punto de equilibrio entre capacidad y plazas, y la definición de sesión de 30 minutos significa que un usuario que reabre un cuadro de mando cuatro veces al día consume cuatro sesiones. Lo que los números sí establecen es la dirección: con 100,000 sesiones al mes, el precio por plaza no es una opción seria; la capacidad anual es unas 2.3 veces más barata que la mensual para el mismo volumen; y solo el plan anual elimina la marca «Powered by Quick» y habilita la actualización programática de cuadros de mando.

---

Actualizaciones de 2026 (en octubre de 2026)

---

Casos Reales

Cada cifra de abajo es un resultado de cliente que AWS eligió publicar, nunca una promesa de AWS. Las páginas de caso no llevan fecha de publicación, así que lo que llevan es una fecha de consulta: consultado en octubre de 2026.

Caso A, Trustly: insights 4x más rápidos, coste un 50 % menor, de 80 a 300 usuarios

Leyéndolo como un profesional. Aquí se movieron tres palancas separadas, y vale la pena separarlas: el ritmo de 15 minutos es una decisión de calendario de refresh de SPICE (sección 3.4); el crecimiento de usuarios con menor coste es una decisión de economía por plaza frente a capacidad (ejemplo resuelto E8 más abajo); y el 89 % de precisión en 15,000 preguntas es un resultado de cliente sobre un conjunto de preguntas concreto: no una garantía de precisión de Amazon Q, ni una afirmación que puedas reformular como «Amazon Q tiene un 89 % de precisión».

Caso B: dos resultados más de QuickSight del mismo corpus

Ambos son resultados de cliente, no garantías de nivel de servicio, y ambos describen migraciones concretas, que es la única forma en que este curso permite citar un porcentaje.

Caso C: el punto de equilibrio de Trustly, calculado con tarifas publicadas

Toma los 300 usuarios publicados por Trustly y las tarifas de octubre de 2026 de la sección 2, y después encuentra el número de sesiones al que los Readers aprovisionados y la capacidad de sesión de lector cuestan lo mismo:

Esto es aritmética sobre tarifas publicadas, no una fórmula de AWS: AWS no publica ninguna guía de punto de equilibrio, y una «sesión» es un periodo de 30 minutos, de modo que un lector que reabre un cuadro de mando tres veces en una hora consume tres sesiones. La pregunta transferible para cualquier despliegue de BI es la que fuerza este ejercicio: ¿cuántas sesiones de 30 minutos consume un lector real al mes? Mídelo antes de comprometerte, porque esa respuesta decide si un parque de 300 lectores cuesta $900,$600 o $1,500.

• 📚 ¿Sabías que…? El ritmo de cuadro de mando de 15 minutos de Trustly es exactamente el intervalo mínimo de calendario que ofrece QuickSight: las frecuencias van de «Cada 15 minutos, cada 30 minutos, por horas, diario, semanal o mensual», y la ingesta ocurre dentro de los 10 minutos de la hora programada (Refreshing SPICE data, consultado 2026-10-11). Un cuadro de mando de «15 minutos» es en realidad un cuadro de mando de 15 a 25 minutos, y por eso una marca de tiempo visible de «fecha de datos» en el lienzo es práctica estándar y no decoración.

---

Preguntas de Práctica (Practice Questions)

Doce ítems, todos en la serie lh-17-qN: una respuesta correcta, tres o cuatro distractores, con el desmontaje dentro de cada explicación. Precios de lista de us-east-1 en octubre de 2026.