El primer pipeline de un equipo de datos suele ser unos cuantos scripts con un temporizador: exportar las ventas a la 1:00, cargarlas a la 1:30, montar el informe a las 2:00 y confiar en que cada paso haya terminado antes de que empiece el siguiente. Apache Airflow sustituye esa confianza por certeza. Describes el trabajo como un Dag (un grafo dirigido acíclico): un conjunto de tareas y el orden en que se ejecutan. El planificador de Airflow lanza una ejecución del Dag cuando toca según la programación, ejecuta cada tarea cuando sus tareas upstream han terminado bien, reintenta lo que falla y guarda un registro de cada intento.
Cada tarea en cada ejecución es una instancia de tarea, y el Grid las muestra como cuadrados: una columna por ejecución, una fila por tarea, con un color según el estado.
Este espacio de trabajo simula Airflow 3.3 en tu navegador: un editor de Python a la izquierda y, a la derecha, la lista de Dags, el Grid, el Graph, los Assets, el Admin y una terminal con la línea de comandos airflow. Los Dags nuevos empiezan en pausa, como en Airflow, hasta que los activas.
Un Dag diario para Marigold Grocers, una cadena de supermercados ficticia: dos tareas, y la segunda lee lo que devuelve la primera.