DP-700: cómo implementar políticas de retención y ciclo de vida de datos en Fabric

João Barros 05 de October de 2026 4 min de lectura

Te voy a enseñar la competencia de implementar políticas de retención y ciclo de vida de datos en Microsoft Fabric, una aptitud exigida en el DP-700 que garantiza cumplimiento, reduce costes de almacenamiento y mantiene el rendimiento. En la práctica, esto significa configurar reglas que mueven, archivan o eliminan datos según su antigüedad, sensibilidad y uso.

Qué necesitas saber

Las políticas de retención y ciclo de vida definen cómo se gestionan los datos desde su creación hasta su eliminación. En el contexto de Fabric y de un Data Lakehouse (OneLake/Delta), esto incluye:

Retención: durante cuánto tiempo conservar datos por motivos legales, de auditoría o de negocio.
Tiering/Archivado: mover datos a capas de almacenamiento más económicas (por ejemplo, archivar archivos más antiguos) o a formatos optimizados para consultas poco frecuentes.
Eliminación segura: eliminar datos de forma irreversible cuando el periodo de retención expira, respetando políticas legales y de seguridad.

Ejemplo práctico: un conjunto de logs de aplicación puede mantenerse 90 días en almacenamiento caliente para análisis rápidos, luego moverse a archivado durante 2 años adicionales y finalmente eliminarse tras 2 años y 90 días.

Cómo funciona (paso a paso práctico)

Sigue un proceso práctico, con acciones concretas que aplicas en Fabric y en los artefactos asociados (OneLake, Delta tables, Dataflows, Synapse).

Inventaría los datos y define requisitos: categoriza datasets por sensibilidad, frecuencia de acceso y requisitos legales. Usa el catálogo de datos para registrar metadatos: propietario, clasificación y periodo de retención.
Elige estrategia de almacenamiento: decide cuándo usar capas (hot/warm/cold), archivos Delta optimizados para lectura vs archivos para archivado (parquet compactado). Para datos transaccionales, mantiene versión Delta; para logs raramente accedidos, considera copias en formato optimizado para archivado.

Implementa reglas automáticas de ageing: crea pipelines (Dataflow, Synapse Spark o Notebooks en Fabric) que ejecuten operaciones basadas en la fecha:

# Exemplo conceptual en pseudocódigo PySpark
from delta.tables import DeltaTable

# carregar a tabela Delta
delta = DeltaTable.forPath(spark, "/lakehouse/areas/prod/logs")

# identificar partições antigas
old_df = spark.read.format("delta").load("/lakehouse/areas/prod/logs") \
    .filter("event_date < date_sub(current_date(), 90)")

# mover dados para arquivamento (escrever em local de arquivamento)
old_df.write.mode("append").parquet("/archive/logs/year=2023")

# apagar das tabelas activas (gerir transacção Delta)
delta.delete("event_date < date_sub(current_date(), 90)")

Este script ilustra: identificar datos antiguos, copiar a archivado y eliminar de la tabla activa garantizando consistencia con Delta.

Automatiza y programa tareas: usa pipelines/Jobs en Fabric para ejecutar estas acciones en intervalos regulares. Añade logs y alertas ante fallos.
Registra y monitoriza cambios: mantiene un inventario con timestamps de movimientos y eliminaciones. Usa el catálogo y auditorías (audit logs) como evidencia de cumplimiento.
Implementa eliminación segura: cuando un registro alcanza el fin del ciclo, asegura que se elimina en todos los lugares (OneLake, snapshots Delta, backups). En Delta, gestiona snapshots y vacuum con cuidado:
```
# Exemplo conceptual: executar VACUUM com retenção segura
# vacuum('/lakehouse/areas/prod/logs', retentionHours=168)  # 7 dias
```
No reduzcas la retención del VACUUM por debajo de las necesidades legales; esto puede eliminar snapshots que otras operaciones aún referencien.

Errores comunes

Eliminar snapshots o archivos demasiado pronto: reducir la ventana de retención de VACUUM para recuperar espacio sin evaluar dependencias puede romper la reproducibilidad y la recuperación.
No sincronizar catálogo y almacenamiento: mover archivos sin actualizar el catálogo provoca consultas fallidas y confusión sobre la ubicación de los datos.
No completar la eliminación: olvidar backups, copias o logs con datos sensibles impide cumplir requisitos de eliminación y puede crear riesgos legales.

Cómo practicar

Practica con un laboratorio simple: crea una tabla Delta con datos simulados de logs, implementa un notebook que archive y elimine registros antiguos, y usa VACUUM y el catálogo para verificar resultados. Para preparación formal, haz el Practice Assessment OFICIAL gratuito de Microsoft y consulta la study guide oficial del DP-700 (ambos gratuitos). Estos recursos te ayudan a evaluar lagunas de conocimiento sin recurrir a material no autorizado.

En resumen

Las políticas de retención y ciclo de vida protegen el cumplimiento, reducen costes y mantienen el rendimiento del entorno analytics.
Implementa un proceso: inventario → diseño de reglas → automatización → monitorización → eliminación segura.
Sé cauteloso con VACUUM y snapshots Delta; sincroniza siempre catálogo y almacenamiento.
Usa los recursos oficiales de Microsoft (Practice Assessment y study guide gratuitos) para validar y reforzar la práctica.