Visão Geral

Curso Data Quality Engineering. Este curso aprofunda práticas, técnicas e arquiteturas para garantir qualidade de dados em plataformas modernas. O foco está em engenharia de qualidade aplicada a pipelines, tabelas analíticas e produtos de dados, tratando qualidade como um requisito técnico contínuo e mensurável.

Objetivo

Após realizar este curso Data Quality Engineering, você será capaz de:

• Definir dimensões técnicas de qualidade de dados
• Implementar validações automatizadas em pipelines
• Monitorar qualidade de dados continuamente
• Tratar qualidade como código
• Detectar e corrigir problemas de dados em produção
• Integrar qualidade com observabilidade e governança
• Reduzir impacto de dados incorretos no negócio

Publico Alvo

•  
• Engenheiros de dados
• Analytics engineers
• Profissionais de BI
• Arquitetos de dados
• Profissionais responsáveis por qualidade de dados
•  

Pre-Requisitos

•  
• Conhecimentos de engenharia de dados
• Experiência com SQL
• Noções de pipelines ETL ou ELT
• Familiaridade com Python
• Conceitos básicos de dados analíticos
•  

Materiais

Conteúdo Programatico

Module 1: Data Quality Fundamentals

1. What is data quality
2. Why data quality fails
3. Quality as an engineering problem
4. Quality vs governance

Module 2: Data Quality Dimensions

1. Accuracy
2. Completeness
3. Consistency
4. Timeliness

Module 3: Data Validation Techniques

1. Rule-based validation
2. Schema validation
3. Referential integrity
4. Statistical checks

Module 4: Quality in Data Pipelines

1. Ingestion validation
2. Transformation checks
3. Output validation
4. Incremental quality

Module 5: Data Quality Monitoring

1. Quality metrics
2. Thresholds and alerts
3. Anomaly detection
4. Quality dashboards

Module 6: Data Quality Automation

1. Quality as code
2. CI/CD integration
3. Automated remediation
4. Backfill strategies

Module 7: Data Incidents and Resolution

1. Detecting quality issues
2. Root cause analysis
3. Data incident response
4. Preventive strategies

Module 8: Quality at Scale

1. Multi-domain data quality
2. Cost vs quality trade-offs
3. Maturity models
4. Production best practices