---
title: "Crear Data Pipeline"
url: https://docs.catalyst.zoho.com/es/tutorials/credit-card-fraud-detection/create-data-pipeline/
description: "Detección de Fraude en Tarjetas de Crédito. Crea un poderoso pipeline de ML que puede usarse para detectar fraudes en transacciones de tarjetas de crédito usando el servicio Catalyst QuickML."
last_updated: 2026-08-17T12:16:04Z
service: All Services
type: tutorial
related_links:
  - name: "Data Cleaning"
    url: /es/quickml/help/data-preprocessing/data-cleaning
  - name: "Data Transformation"
    url: /es/quickml/help/data-preprocessing/data-transformation
  - name: "Data Profiler and Viewer"
    url: /es/quickml/help/data-profiler-and-viewer/
---

# Crear un data pipeline

Ahora que hemos subido el dataset, procederemos a crear un [data pipeline](https://docs.catalyst.zoho.com/es/quickml/help/create-data-pipeline/) con el dataset.

1. Navega al componente **Datasets** en el menú izquierdo. Hay dos formas de crear un data pipeline:
    - Puedes hacer clic en el dataset y luego hacer clic en `Create Pipeline` en la esquina superior derecha de la página.
    ![create-pipeline](https://catalyst-docs-development.zohostratus.in/images/tutorials/credit-card-fraud-detection/create-pipeline.webp)

    - Puedes hacer clic en el ícono de lápiz ubicado a la izquierda del nombre del dataset, como se muestra en la imagen a continuación.
      ![pen-icon](https://catalyst-docs-development.zohostratus.in/images/tutorials/credit-card-fraud-detection/pen-icon.webp)

2. Nombra el pipeline "**Fraud Detection Data Pipeline**" y haz clic en `Create Pipeline`.
![Pipeline Name](https://catalyst-docs-development.zohostratus.in/images/tutorials/credit-card-fraud-detection/pipeline-name.webp)

La [interfaz del pipeline builder](https://docs.catalyst.zoho.com/es/quickml/help/pipeline-builder-interface/walkthrough/#pipeline-builder-interface-1) se abrirá como se muestra en la captura de pantalla a continuación.
![Initial Pipeline](https://catalyst-docs-development.zohostratus.in/images/tutorials/credit-card-fraud-detection/initial-pipeline.webp)

Realizaremos el siguiente conjunto de operaciones de preprocesamiento de datos para limpiar, refinar y transformar los datasets, y luego ejecutar el data pipeline. Cada una de estas operaciones involucra [nodos de datos](https://docs.catalyst.zoho.com/es/quickml/help/data-preprocessing/data-cleaning/) individuales que se usan para construir el pipeline.

### Preprocesamiento de datos con QuickML
1. #### Seleccionar/eliminar columnas
    Seleccionar o eliminar columnas de un dataset es un paso común de preprocesamiento de datos en análisis de datos y aprendizaje automático. La elección de seleccionar o eliminar columnas depende de los objetivos específicos y los requisitos de tu análisis o tarea de modelado.
    Las columnas que no necesitamos para el entrenamiento de nuestro modelo de este dataset son "**ID**", "**trans_date_trans_time**", "**cc_num**", "**Merchant**", "**First**", "**Last**", "**Street**", "**City**", "**Zip**", "**Lat**", "**Long**", "**job**", "**dob**", "**Trans_num**", "**Unix_Time**", "**merch_lat**", "**merch_long**" en los datasets proporcionados. Usando QuickML, puedes seleccionar rápidamente los campos necesarios del dataset para el entrenamiento del modelo usando el nodo **Select/Drop** del componente **Data Cleaning**.
    ![required-field-selection](https://catalyst-docs-development.zohostratus.in/images/tutorials/credit-card-fraud-detection/required-field-selection.webp)

2. #### Filtrar datos
    Filtrar un dataset típicamente involucra seleccionar un subconjunto de filas de un DataFrame que cumplen ciertos criterios o condiciones. Aquí estamos usando el nodo [Filter](http://localhost:1313/es/quickml/help/data-preprocessing/data-cleaning/#filter) de la sección Data Cleaning para filtrar la columna "**state**" cuyos valores no están vacíos.
    ![Data Filter](https://catalyst-docs-development.zohostratus.in/images/tutorials/credit-card-fraud-detection/data-filter.webp)

3. #### Guardar y ejecutar
    Ahora, conecta el [nodo](http://localhost:1313/es/quickml/help/data-preprocessing/data-cleaning/#filter) `Filter` al nodo `Destination`. Una vez que todos los nodos estén conectados, haz clic en el botón `Save` para guardar el pipeline. Luego haz clic en el botón `Execute` para ejecutar el pipeline.
    ![Completed data pipeline](https://catalyst-docs-development.zohostratus.in/images/tutorials/credit-card-fraud-detection/completed-data-pipeline.webp)

Serás redirigido a la página que se muestra a continuación, que muestra el pipeline ejecutado con el estado de ejecución. Podemos ver aquí que la ejecución del pipeline fue exitosa.

![Executed data pipeline](https://catalyst-docs-development.zohostratus.in/images/tutorials/credit-card-fraud-detection/executed-pipeline.webp)

Haz clic en `Execution Stats` para acceder a más detalles sobre el uso de cómputo, como se muestra a continuación.

![Execution stats for data pipeline](https://catalyst-docs-development.zohostratus.in/images/tutorials/credit-card-fraud-detection/execution-stats.webp)

En esta parte, hemos visto cómo procesar datos usando QuickML, brindándote una variedad de formas efectivas de preparar tus datos para la creación de modelos de aprendizaje automático. Este data pipeline puede reutilizarse para crear múltiples experimentos de ML para casos de uso variados dentro de tu proyecto de Catalyst.