Contenido Unidad 3

25/10/2020 3.2.3. Aplicaciones del Big Data | 3.
BIG DATA Y ANALÍTICA AVANZADA
3.2.3. Aplicaciones del Big Data
El Big Data nos puede resultar útil en diferentes ámbitos empresariales y sociales.
Pasaremos a continuación a destacar los más relevantes.
Marketing
Big Data pone al servicio del marketing un conjunto de técnicas, procesos,

herramientas y tecnología de gran valor, para poner grandes volúmenes de datos
en tiempo real al servicio del principal objetivo de esta disciplina: incrementar las
ventas. Analizar el comportamiento de los consumidores para atraerlos y
fidelizarlos cuenta, desde hace pocos años, con un gran aliado como es el Big
Data, que permite a las compañías desarrollar actividades que antes eran o
imposibles o ineficaces como:
1. Integración de
datos de
distintas fuentes.
Es de vital
importancia
conocer el
resultado de
nuestras campañas
online, offline o de
páginas web. En
pequeñas
compañías, es
posible acceder a
las diferentes herramientas de seguimiento que existen en el mercado y
conocer la evolución de la actividad de nuestra marca en redes sociales y
páginas web, pero ¿qué ocurre en grandes compañías con presencia
internacional? Las tecnologías basadas en Big Data ofrecen potentes
herramientas capaces de obtener, unificar, gestionar y manipular grandes
volúmenes de datos para analizarlos, interpretarlos y así poder tomar
decisiones informadas.
2. Visualización de datos masivos. Ya sabemos que es de gran utilidad ya
que permite, de una forma muy visual, establecer las correlaciones y
causalidades entre distintos datos.
3. Segmentación inteligente de audiencias. A partir de comportamientos
comunes de diferentes usuarios, que vendrán determinados por los
contenidos que leen o las interacciones con las marcas a través de «me
gusta», analizaremos datos de la navegación dentro de los diferentes sitios
web, las redes sociales, los blogs y los canales temáticos. Gracias a ellos, las
compañías pueden determinar aquellos contenidos a los que los usuarios son
más sensibles o por cuáles se preocupan más. Con esta segmentación
inteligente es posible elaborar actividades de marketing como es el caso de:
https://senacamacoes.adalidinmark.co/mod/scorm/player.php?a=135&currentorg=eXeed3_v1_3_458ca6b01253f1c2d079c&scoid=1419&sesske… 1/18
25/10/2020 3.2.3. Aplicaciones del Big Data | 3. BIG DATA Y ANALÍTICA AVANZADA
inteligente es posible elaborar actividades de marketing como es el caso de:
Ténicas de Upselling: técnicas mediante las cuales se sugiere al usuario
la adquisición de un modelo de producto ligeramente mejor y más caro
que el escogido inicialmente.
Ténicas de Cross-selling: que proponen a los usuarios accesorios o
complementos para añadir a su pedido original.
Mailing personalizado: conociendo los grupos de usuarios con gustos
comunes es posible personalizar los correos electrónicos con fines
comerciales, ofreciendo a cada uno los productos y servicios que mejor
encajan con su perfil, aumentando así las posibilidades de compra.
Salud
Sin duda, uno de los grandes avances de la medicina de los últimos tiempos ha
sido la incorporación del Big Data al campo de la salud. La capacidad de analizar
imágenes mediante análisis automáticos sobre partículas minúsculas e
inapreciables para el ojo humano, la posibilidad de combinar grandes cantidades
de datos de diferentes fuentes e idiomas, la capacidad de combinar complejas
operaciones sobre datos para hacer predicciones, análisis o simulaciones permiten
a los científicos, a los centros de salud o a la industria farmacéutica, disponer de
poderosas herramientas al servicio de la salud.
Algunos casos concretos donde es viable la aplicación Big Data son:
Predicción de
enfermedades. El
análisis de
imágenes aplicado
a radiografías y
demás documentos
de salud, pueden
establecer posibles
anomalías dentro
de las células y e
incluso crear
patrones de
evolución de células malignas. Sin lugar a duda, la detección de
enfermedades es uno de los grandes avances en el mundo de la medicina,
que además representa un gran avance en la calidad de vida de los
pacientes.
Stock de medicamentos. Los estamentos responsables de velar por la
salud de los diferentes países hacen acopio de medicamentos basándose en
las previsiones realizadas con los datos de consumos de años anteriores.
Pero de un año para otro, ni la pirámide de población es la misma, ni el
clima, ni el grado de polinización, por poner algunos ejemplos. Gracias a la
tecnología Big Data, es posible contar con datos suficientes que apoyan la
toma de decisiones sobre el stock de medicamentos necesarios para cubrir
las necesidades de la población.
p
Resultados de estudios clínicos. Antes de lanzar un medicamento al
mercado, son numerosos los estudios y ensayos a los que son sometidos
para ser aprobados. El análisis de todos los estudios, que combina informes
de pacientes de diferentes zonas del planeta, y por tanto en diversos
formatos y estructuras, permite a los especialistas disponer de resultados de
manera rápida, permitiendo profundizar en cuestiones no visibles fácilmente.
Mejora de la atención a pacientes. A través de un estudio sobre los
pacientes que ya han sido atendidos, es posible establecer patrones que
relacionan los síntomas con las patologías. De esta manera, podemos
predecir los diagnósticos de los pacientes y simplificar el número de pruebas,
y con ello, mejorar la calidad y rapidez del servicio prestado al paciente.
Política
En la actualidad, el uso de los datos para la captación de votos es algo natural.

Las campañas actuales están basadas en análisis de datos previos sobre los
votantes y sus inquietudes. Las campañas presidenciales llevadas a cabo en
Estados Unidos, han estado condicionadas principalmente por las campañas en
redes sociales, sobre un gran trabajo de campo desarrollado por expertos en
datos. La última en unirse a este efecto es la campaña sobre el Brexit, llevada a
cabo recientemente en
Gran Bretaña.
Gracias a Big Data, la

política encuentra dos
beneficios importantes:
1. Mejora de la
popularidad de
los candidatos:
los candidatos
intentan mejorar
sus ratios de
popularidad sobre la totalidad de votantes a través, entre otros, de análisis
de sentimiento en redes sociales.
2. Influencia sobre el voto: el análisis de perfiles de los usuarios en redes
sociales permite ofrecer una radiografía aproximada de los sentimientos y
preocupaciones de los votantes. Esta información ayuda considerablemente
en el diseño de las campañas electorales online y offline.
EJEMPLO
En las últimas elecciones nacionales, un centenar de personas trabajaron en

recoger y analizar distintos datos sobre los votantes con la idea de llevar a cabo
una campaña de éxito. Este equipo se repartió en dos grupos con dos tareas
diferenciadas: un grupo se encargó de recolectar datos de los votantes mientras el
otro grupo se encargaba de analizar estos datos. A partir de los resultados
obtenidos, se extrajeron conclusiones y se diseñó la campaña.
Una parte del estudio consistió en hacer una división de votantes según si eran
partidarios, si estaban con dudas o si, por el contrario, estaban en contra. De esta
forma, el diseño de la campaña se centró en atraer a los indecisos. Esta atracción
se basó en captarlos centrándose en otra de las conclusiones del estudio: qué
preocupaciones tenían este grupo de votantes indecisos, una información que fue
extraída por los grupos de análisis. Otro campo de acción fue asegurarse que los
votantes partidarios no faltasen a su cita en las urnas.
Compañías de seguros
El sector de las compañías de seguros, donde se mueven grandes cantidades de

dinero, debe ser muy meticuloso en su trabajo, ya que un pequeño error de
cálculo, en una sola de sus operaciones habituales, puede llevar asociado grandes
pérdidas económicas. Esta puede que sea una de las principales causas que han
llevado a estas compañías a realizar grandes inversiones en tecnología de datos.
A continuación, ofrecemos algunas de las utilidades del Big Data en este sector:
Gestión del riesgo de las

operaciones. Las compañías
aseguradoras pueden cruzar
datos como índices de
morosidad, informes de salud,
etc., junto con otros datos que
puedan asignar riesgos a
determinadas operaciones, como
son estudios sísmicos o
probabilidad de catástrofes como
inundaciones o incendios. El
objetivo es evitar operaciones
que pongan en riesgo la
solvencia de las operaciones
asociadas a los grupos de
clientes objetivo o target. De
esta forma, se dirige hacia cada cliente potencial, una oferta personalizada
que tenga un precio que concuerde con sus riesgos potenciales.
Detección de estafas. Una de las misiones de la tecnología Big Data es
crear patrones a través del análisis de una importante cantidad de datos
relacionados. Las demandas de pago sobre clientes afectados, que sigan
patrones que no se correspondan con lo esperado, puede alertar a las
compañías sobre posibles estafas sobre las que poner especial atención.
Personalización de productos. Las compañías aseguradoras usan la
información personal de los usuarios con el fin de ofrecer, a los posibles
clientes, los productos que mejor se ajusten a sus necesidades. Así podrían
ajustar su oferta para ser capaces de ofrecer, por ejemplo, seguros para
motos para la población joven o seguros de defunción para las personas de
mediana edad.
EJEMPLO
Una compañía de seguros podría decidir diseñar una campaña dirigida a aquellos
usuarios que tengan mascotas. Para ello, crearía un sistema capaz de identificar,
de entre todos los usuarios de una determinada red social, aquellos que posean
animales de compañía. Esta búsqueda se realizaría a través de un análisis aplicado
a las imágenes del perfil público de los usuarios en redes, tratando de identificar y
localizar la existencia de una mascota como totalidad o como parte de esa foto.
Finanzas
El sector finanzas es uno de los sectores donde en la actualidad existe el mayor

número de proyectos Big Data en desarrollo. Algunas de las aplicaciones de este
tipo de proyectos para el sector bancario son:
1. Gestión del
riesgo. Las
operaciones de
préstamo son
aquellas donde la
entidad financiera
facilita una
cantidad de dinero
a la persona o
empresa que lo
solicita, que esta
devolverá en un
plazo de tiempo determinado, junto a los intereses derivados de la
operación. La insolvencia, la posible quiebra del negocio, el cierre de la
empresa o la morosidad al no poder hacer frente a la deuda contraída,
pueden hacer que el banco pierda el dinero prestado en la operación. Por
esto, las entidades bancarias evalúan, a través de sistemas complejos de
análisis de información, el riesgo y la viabilidad de la operación de préstamo
en tiempo real antes de conceder el préstamo.
2. Gestión de fraudes. Las operaciones de compra con tarjetas de crédito
sustraídas o extraviadas.
3. Gestión de activos. La conexión con datos de otros mercados, los precios
de la moneda, la inflación, los datos de deuda pública, etc., hacen posible
evaluar en tiempo real la rentabilidad de las inversiones, reduciendo el alto
grado de incertidumbre en la toma de decisiones que se llevan a cabo
continuamente en este sector.
Logística
El auge del comercio electrónico, expandido como una práctica común en todo el
mundo, así como la globalización de los mercados, han planteado nuevos retos en
el sector de la logística. La logística que antes se centraba en la distribución entre
grandes almacenes y plataformas de distribución y provisión, se ha ampliado y
ahora es común incorporar la entrega de paquetes en algún paraje perdido y de
difícil acceso que, con anterioridad, resultaría inaccesible.
Con anterioridad a la llegada de la tecnología Big Data, la gestión de la operativa

diaria se desarrollaba a través de aplicaciones como los ERP o los CRM. Este
cambio de contexto y de paradigma, ha dejado ineficientes e inoperantes a estos
ó f ñí í
anteriores sistemas de gestión, de tal forma que las compañías de logística han
evolucionado y migrado progresivamente hacia sistemas basados en Big Data.
Las ventajas de la aplicación de esta tecnología se han visto reflejadas sobre todo
en los siguientes procesos:
Optimización de
rutas: gracias a la
información
gratuita abierta de
plataformas como
OpenStreetMap es
posible determinar
las rutas más
rápidas y con un
eficiente consumo
de combustible,
para las solitudes
de distribución
existentes en cada
momento.
Optimización de recursos: agrupar las entregas por rutas de recogida o
entrega, junto a las características de los productos (refrigerados, artículos
sensibles, etc.) es otras de las grandes aplicaciones que la tecnología Big
Data ofrece al sector de la logística.
Respuesta a incidencias: los sistemas basados en Big Data son capaces de
ofrecer, en tiempo real, rutas alternativas cuando detectan incidentes en las
vías causados por atascos o accidentes.
Eficiencia de la distribución: establecer puntos donde se pueden suprimir
y detectar «cuellos de botella» en el proceso de distribución. Con ayuda de
los GPS es posible identificar aquellos puntos susceptibles de ocasionar
retrasos debido a incidencias con el tráfico o atascos. Gracias al análisis de
los archivos que contienen las rutas efectuadas por los vehículos de reparto
es posible proponer rutas alternativas o eliminar paradas innecesarias, así
como optimizar los puntos y momentos de repostaje.
Retail
El escenario actual del sector minorista es un mercado altamente dinámico que se

encuentra plagado de competencia, con la acuciante amenaza del mercado digital
y con un público cada más vez más informado y exigente. Es en este escenario
donde cualquier información útil para la toma de decisiones es crucial y supone
una ventaja competitiva en este mercado tan complejo.
Y es precisamente en este contexto donde la tecnología Big Data tiene una mayor
cabida y donde marca un punto de inferencia para aquellas compañías que la
incorporan, ofreciendo un conjunto de soluciones que ayudan en la toma de
decisiones estratégicas como:
decisiones estratégicas como:
1. Optimización del
planograma. La
disposición de los
productos a lo
largo del
establecimiento,
que es recogida en
el planograma,
predispone a los
consumidores a
elegir unos
determinados
productos. El
análisis sobre datos que reflejan la edad media de los clientes de la zona
donde está ubicado un establecimiento o los hábitos de consumo, o incluso
el nivel de estudios medios, permiten a los minoristas la ubicación
estratégica de los productos en la tienda para conseguir un mayor volumen
de ventas.
2. Optimización del surtido. El surtido es la oferta de productos dentro de un
establecimiento. No encontramos los mismos productos, ni tan siquiera en
establecimientos de la misma cadena, y esto es debido a cuestiones
estratégicas aplicadas en cada establecimiento. Los datos que
mencionábamos en el punto anterior, sumados a las preferencias de
consumo de nuestros clientes, determinan las necesidades de surtido. Y todo
esto es debido a que la tecnología Big Data supone una gran ayuda en esta
toma de decisiones.
3. Previsión de ventas. La previsión de ventas no solo tiene interés para el
departamento financiero de las cadenas minoristas. La disponibilidad de los
productos o el control de la caducidad de productos perecederos, son
actividades para la cuales la predicción efectuada por los sistemas de datos
resulta de gran utilidad.
4. Gestión de stock. Este punto, que está estrechamente relacionado con el
anterior, procura que cada establecimiento tenga la cantidad óptima de
productos. Y esto, no solo para que no falten suministros en almacén, sino
porque reducir al mínimo la cantidad stock y, a la que vez, ser capaz de
responder adecuadamente a la demanda de productos que van a ser
adquiridos, reduce considerablemente los costes. Los costes asociados al
exceso de stock son los gastos de electricidad de las cámaras frigoríficas
donde se conservan los productos perecederos, así como el mantenimiento
de los almacenes, etc.
5. Fidelización. Conservar a los clientes actuales y captar nuevos son los dos
objetivos primordiales de la fidelización. No podemos conservar ni captar
nuevos clientes sin conocerlos a ellos, sin conocer sus gustos o sus
preferencias de consumo. La gran cantidad de información disponible,
relativa a estos aspectos, solo puede ser analizada con potentes
herramientas tecnológicas para el análisis de datos.
6. Análisis de precios. Los mismos productos no presentan los mismos
precios en los distintos establecimientos. La política de precios responde a un
ajuste entre la demanda, la oferta y la estrategia empresarial. El estudio de
j , y g p
los precios de la competencia, a veces, es tan sencillo como hacer un análisis
sobre los contenidos publicados en las páginas web de la competencia.
7. Publicidad. La publicidad online, los folletos en papel que encontramos en
nuestros buzones o los anuncios publicados en medios de comunicación, se
acercarán más al cumplimiento de su misión de motivación para la compra
cuanto mejor se conozcan y más acertados sean los perfiles del público
objetivo al que se dirigen. El análisis de datos públicos, los análisis sobre
redes sociales o el análisis de la compra, arrojan unos patrones que ayudan
a perfilar este público objetivo.
A mayor conocimiento de nuestro público objetivo, mayor será el retorno de
la inversión publicitaria, en términos de venta asociados al coste de la
campaña, como uno de los principales indicadores de medición del éxito de
la iniciativa.
8. Análisis de hábitos de compra. Incluso un pequeño establecimiento de
barrio genera una cantidad de transacciones, cuyo análisis es susceptible de
escapar al entendimiento humano. Los análisis de los hábitos de compra, por
ejemplo, ayudan en todos los puntos que hemos mencionado anteriormente.
9. Segmentación de clientes. La segmentación de clientes ayuda a crear
diferentes campañas adaptadas al perfil de los diferentes públicos. Así los
padres y madres, convenientemente identificados, recibirán información de
pañales o papillas, mientras que los clientes más jóvenes recibirán
información de refrescos y snacks.
10. Ubicación. Uno de los grandes factores que condicionan el éxito de un
establecimiento, según los expertos, es su ubicación. Desde los portales de
datos abiertos de las diferentes ciudades es posible descargar, de manera
gratuita, información de los diferentes municipios, muy útiles para tomar en
consideración en nuestros sistemas de datos. Ubicación de paradas de
autobuses, ubicaciones de plazas de aparcamientos para personas con
discapacidad o necesidades especiales, o la ubicación de parques u
organismos públicos están a disposición de todo aquel que lo necesite.
Procesar estos datos, marcando como positivo la cercanía de ciertos puntos
de interés para nuestro público objetivo, puede sugerir en el mapa
emplazamientos adecuados donde ubicar los establecimientos.
Predicción de catástrofes
La gran cantidad de información que nos proporcionan los sensores de datos sobre
la temperatura, los movimientos sísmicos, la fuerza y volumen del caudal de los
ríos, los datos meteorológicos, etc., producen grandes puntos de partida para la
investigación y el análisis de los fenómenos de la naturaleza. Este análisis permite
establecer patrones de causa y efecto, y permite identificar cuándo una
sucesión/conjunción de causas guarda relación con la probabilidad de ocurrencia
de determinado efecto. De esta forma, es posible preverlo con antelación,
anticiparse y por tanto prevenirlo, mitigar sus efectos o predisponer a la sociedad
y a las autoridades para minimizar los
daños.
Algunas de las situaciones en las que

el Big Data puede ser de utilidad:
1. Detección de terremotos
2. Predicción de tornados
3. Desbordamiento de ríos
4. Incendios
Sistemas de recomendación
Las grandes cantidades de datos de usuarios, de las que venimos hablando en

este curso, no solo afectan a las empresas y organizaciones. Nosotros, como
usuarios, también estamos expuestos y sometidos continuamente a ofertas de
productos, información o servicios. Esto es lo que algunos han venido a llamar
infoxicación: intoxicación por un exceso de información que no siempre somos
capaces de procesar ni asimilar.
Esto hace difícil que podamos seleccionar con éxito aquellos productos que mejor
se adaptan a nuestras necesidades o gustos, y es en este punto donde entran en
juego los sistemas de recomendación. Estos son capaces de ofrecernos productos
y servicios, basados en nuestras preferencias y en las de otros usuarios con
expectativas similares a las nuestras, según el nicho de mercado en el que
hayamos sido identificados como público objetivo. Son sistemas basados en
filtrado colaborativo, que empareja usuarios con gustos parecidos o productos con
valoraciones similares. Por tanto, estas recomendaciones se basan en las
valoraciones que otros usuarios con perfiles similares, han hecho sobre los mismos
productos o productos semejantes.
Sistemas de
recomendación
basados en
contenido. Este
sistema de
https://senacamacoes.adalidinmark.co/mod/scorm/player.php?a=135&currentorg=eXeed3_v1_3_458ca6b01253f1c2d079c&scoid=1419&sessk… 10/18
recomendación se
basa
principalmente en
los atributos de los
productos y la
información de los
propios usuarios. Imaginemos un usuario que interacciona con fotos de
productos, amigos o influencers que llevan en su mayoría colores verdes. El
sistema de recomendación puede ofrecer a ese usuario anuncios de ropa de
ese mismo color.
Patrones en los clientes de telefonía hacen que si, por ejemplo, se detecta
que un usuario que lleva abonado más de un año, no ha recibido
promociones de fidelización, tiene una alta probabilidad de cambiar de
compañía. En estos casos, conviene contactar con el cliente para ofertarle
atractivas ofertas que tiendan a fidelizarlo en la compañía (promoción de
nuevos terminales, descuentos en factura, productos y servicios adicionales,
etc.).
Sistemas de recomendación basados en conocimiento. El sistema toma
como criterio el conocimiento que puede deducirse mediante las
interacciones del propio usuario con la marca. Hablamos de casos en que,
como en el ejemplo anterior, un usuario interactúa de forma recurrente con
personas que usan colores verdes y el sistema es capaz de deducir que le
gustan los colores alegres. De esta forma, le recomienda productos en los
que se impone el uso de colores vivos.
Sistemas de recomendación híbridos. Estos sistemas combinan algunas
o todas las técnicas anteriores para obtener un sistema de recomendación
más complejo y eficiente.
Deporte
La revolución del Big

Data de la que venimos
hablando no solo ha
llegado a los ámbitos
relacionados con el
mundo de la empresa o
de la salud. La gran
cantidad de dinero que
se mueve hoy en día en
el mundo de deporte
hace que decisiones, que
antes se dejaban al
criterio o a la experiencia del entrenador o director deportivo, hoy se tomen
apoyadas en datos. La alta competitividad existente hace que, el simple hecho de
sustituir a un determinado jugador en un momento determinado del partido o la
orden de un director deportivo de ciclismo de lanzar un ataque en un determinado
p nto del ci c ito sean decisiones q e act almente se p edan toma t as anali a
punto del circuito, sean decisiones que actualmente se puedan tomar tras analizar
los más complejos sistemas de exploración y evaluación de rendimiento de los
deportistas.
Los datos permiten simular todos los partidos de la temporada en cuestión de

minutos y predecir resultados en base a patrones que se hayan detectado en
casos anteriores. En otros ámbitos, como el ciclismo, es posible simular los
resultados de todas las carreras de un circuito a partir del propio estado de forma
de los corredores o de las características de las etapas. Los datos no solo permiten
predecir los resultados de las pruebas o citas deportivas, también permiten medir
y mejorar el rendimiento de los deportistas.
EJEMPLO
Proyecto Data Explorer del Real Madrid. Este proyecto se desarrolló hace
varios años y disponía de un complejo sistemas de datos que facilitaban y daban
soporte a las decisiones estratégicas del director técnico. En este proyecto, se
utilizan datos de varias fuentes: sensores incorporados en la indumentaria
deportiva, monitores de pulsaciones, un acelerómetro y un sistema GPS, entre
otros, para medir las distancias, la velocidad o los datos biométricos. Cuantos más
entrenamientos se desarrollan con estos elementos, más datos entran al sistema y
más fiables y precisos son los resultados obtenidos.
En muchas ocasiones, cuando a la vista de nadie resultaba comprensible, el

entrenador hacía un cambio de jugador pensando en la alta probabilidad de lesión.
Y es que, el sistema había indicado que ese jugador, a partir de una acumulación
de horas concreta en el terreno de juego, había determinado que tenía alta
probabilidad de lesionarse. Gracias a estos datos, se puede salvaguardar la
integridad del equipo, indicando que jugadores están en peligro de lesionarse y
bajo qué circunstancias. Esta información puede servirle al entrenador para rotar a
los jugadores, hacer cambios en el terreno de juego o dar descanso a algún
jugador.
También puede determinar el estado de forma de los jugadores. Esta información

es de gran utilidad a la hora de decidir las alineaciones para los encuentros,
buscando la combinación de aquellos jugadores más efectivos y con menor
propensión a sufrir una lesión. Este estado de forma se calculaba determinando
los puntos de fatiga de los jugadores, a través de análisis de la velocidad, el
equilibrio y las pulsaciones, que son captados por sensores biomédicos y de
movimiento, junto con cuestionarios realizados a los jugadores en los que se
recogen datos como horas de sueño o nivel de cansancio y estrés.
Ciudades inteligentes
Las ciudades inteligentes, también denominadas Smart City en su acepción

anglosajona, son las que utilizan la tecnología para gestionar sus servicios de
manera más eficiente, mejorando así la calidad y seguridad de vida de sus
habitantes. Dentro de las características esperadas de las ciudades inteligentes o
ciudades del futuro esperamos también el uso sostenible de los recursos
ciudades del futuro esperamos también el uso sostenible de los recursos.
Gran cantidad de datos, provenientes de cientos de sensores, captados de internet

o de redes sociales, así como de cámaras o estudios convenientemente extraídos,
cruzados y analizados, son capaces de aportar información que permita a las
administraciones públicas optimizar los servicios.
1. Gestión
optimizada de
rutas. A partir de
datos obtenidos de
aparcamientos
públicos, sensores
de tráfico o
medidores de
niveles de CO2,
pueden
establecerse rutas
alternativas en
caso de colapso o para aliviar los niveles de contaminación en las principales
vías. Las nuevas rutas alternativas propuestas serán comunicadas en tiempo
real a través de paneles informativos a lo largo de las ciudades.
2. Gestión inteligente del alumbrado urbano. A partir de sensores
lumínicos que capten información sobre la iluminación exterior es posible
programar de forma automática el encendido y apagado del alumbrado de
las calles o edificios públicos. Se evitaría, así, tener iluminadas las calles
cuando no sea necesario, reduciendo el consiguiente gasto de energía y
haciendo las ciudades más sostenibles. Por el contrario, al detectar zonas de
tránsito demasiado oscuras, el sistema de encendido podría ponerse en
marcha, velando por la seguridad de la ciudadanía.
3. La gestión sostenible de residuos. A día de hoy, los depósitos de residuos
de las ciudades son recogidos de manera periódica, sin importar que estos se
encuentren vacíos. Con el concepto de ciudades inteligentes, se contempla la
incorporación de sensores en los diferentes almacenes de residuos que serán
capaces de identificar el volumen de ocupación de estos y transmitir esta
información al servicio de recogida. Los servicios de recogida evitarán así
recoger contenedores vacíos y además podrán configurar un sistema de
rutas optimizadas. Estas rutas, además de buscar un menor consumo de
combustibles, evitarán zonas de tráfico o con niveles altos de contaminación,
velando por la sostenibilidad de los municipios.
Igualmente, desde redes sociales, apps y multitud de canales digitales, se
podrá obtener información de interés mediante comentarios de los usuarios
informando de roturas y otras incidencias relativas a la infraestructura y los
equipamientos urbanos. Favorecer la comunicación entre la ciudadanía y los
gobiernos municipales a través de la multicanalidad redunda en la calidad de
vida de la ciudadanía, así como en una mejor prestación del servicio público.
4. Optimización de transporte público. Si se pudiera estudiar la afluencia de
público a determinados sitios y horas gracias a sensores o incluso a través
del GPS del móvil de los ciudadanos, se podrían establecer patrones e
implementar mecanismos para ajustar los parámetros del transporte público
como frecuencia de recogida o número de líneas.
g
5. Turismo. Con datos de comentarios en redes sociales, libros de visitas y
ocupación hotelera, afluencia a museos y puntos de interés desde un punto
de vista patrimonial, etc., el turismo podría ajustarse garantizando el
beneficio para la ciudad y para los ciudadanos. Podríamos, de una manera
inteligente, optimizada y sostenible, determinar los mejores horarios para
visitar los monumentos, qué transporte público coger o qué rutas tomar.
Todo ello sería una gran mejora no solo para los visitantes sino también para
los ciudadanos que conviven con el turismo. Redundaría, en resumen, en un
turismo de calidad y sostenible.
6. Seguridad ciudadana. Con datos obtenidos de cámaras de videovigilancia,
o gracias a la geolocalización de coches de policía y bomberos, o mediante
sensores que podrían alertar de incendios o terremotos, sería posible
mejorar la seguridad ciudadana. La gestión más eficaz en las actuaciones de
los cuerpos de seguridad, así como la mejora de los tiempos y la capacidad
de respuesta a catástrofes, harán de las ciudades, lugares más seguros y
resilientes. El análisis automático de imágenes también podría ayudar en la
detección de manifestaciones no autorizadas o incluso de agresiones
callejeras.
7. Energía sostenible. Si los datos de contadores inteligentes en las viviendas
se analizaran en conjunto con las previsiones meteorológicas y con los
sensores de temperatura, las compañías podrían ajustar la producción de la
energía a la demanda en tiempo real, dando lugar a redes eléctricas más
eficientes y óptimas.
8. Gestión del agua. Otro de los recursos escasos en los que el Big Data
podría ayudar para una gestión más sostenible sería el agua. Con sensores
distribuidos a lo largo de toda la canalización de la ciudad podríamos
identificar la detección de fugas. También sería posible velar por la salud de
los ciudadanos gracias a sensores que pueden controlar el PH y otros
parámetros de relevancia.
Encontramos dentro de este grupo, la iniciativa Big Data denominada Smartaxi.

Esta pequeña startup de reciente creación recolecta los datos de localización de
taxis en las ciudades a través de la información obtenida de los GPS de los
vehículos o conductores, para generar posteriormente, mapas de calor para
indicar las zonas de demanda y oferta. El envío, recepción y análisis de la
información se hace en tiempo real. Esta aplicación permite conocer la ubicación
de los taxis, predecir donde se encuentra un mayor número de clientes, de
manera que sugiere zonas de trabajo a los conductores de taxi. Esto permite
ahorrar combustible, descongestionar el tráfico de las ciudades y evitar
contaminación innecesaria.
Servicios inmobiliarios
El sector inmobiliario es otro de los sectores que se han sumado al mundo del Big
Data, incorporándolo a su modelo estratégico con la finalidad de generar nuevas
oportunidades de negocio. Esta tecnología junto con la de realidad aumentada han
sido las grandes aportaciones de la tecnología, en los últimos años, a este sector
que mueve importantísimas cantidades de dinero.
Valoración
automática de
los precios de los
pisos. Los
algoritmos capaces
de ofrecer un valor
en función de
determinadas
variables son
capaces de
determinar el
precio de los
inmuebles, realizando un estudio de los situados en la misma o en zonas
similares, partiendo de los precios de las viviendas con características
similares.
Predicción de la demanda. En función del número de colegios o servicios

sanitarios y a través de técnicas Big Data es posible prever la demanda de
pisos, ya sea para compra o alquiler.
Mapas inteligentes. Otra de las aplicaciones del Big Data en el mundo del
sector inmobiliario ha sido la de los mapas inteligentes. Estos son capaces de
proponer a los usuarios aquellas zonas donde el sistema recomienda vivir en
virtud de los datos aportados. Así establece puntuaciones favorables a las
zonas con colegios para aquellas familias con niños en edad escolar o
establece puntaciones favorables sobre zonas rodeadas de parques públicos
o centros deportivos a aquellas personas aficionadas el deporte.
Trading financiero
Los algoritmos Big Data

aportan información de
valor a la hora de tomar
decisiones de
compraventa de valores.
La rápida oscilación del
mercado o la necesidad
de hacer un análisis de
las tendencias, a través
de la búsqueda de
patrones sobre grandes
cantidades de datos a
nivel mundial y asociados a diferentes y múltiples factores, ha fomentado el uso
de esta tecnología en los mercados financieros.
EJEMPLO
Gracias a los algoritmos de Big Data es posible detectar patrones de

comportamiento. Si a través de una herramienta desarrollada con tecnología Big
Data se es capaz de asociar la inestabilidad de los mercados ante determinados
eventos, como subida del precio del petróleo o de la luz, el sistema podría emitir
una alerta al darse estas nuevas circunstancias. Por tanto, ante una subida del
precio de la energía, el sistema aportaría a los inversores información
complementaria sobre la toma de decisiones de compraventa de acciones y
valores.
Máquinas autónomas
La capacidad de
evaluar sucesos
sobre grandes
cantidades de
datos y tomar
decisiones
acertadas es lo
que permite a las
máquinas de hoy
en día tener
comportamientos
inteligentes. Son numerosos los campos donde se está comenzando a usar estas
máquinas o robots con el fin de simular (y a veces sustituir) a los humanos.
Además, estás máquinas autónomas deben ser capaces de analizar imágenes,

vídeos y audios.
EJEMPLO
Son ya numerosas compañías, tanto compañías fabricantes de vehículos como

compañías de tecnología, las que estás desarrollando vehículos autónomos. Estos
vehículos están equipados con varias cámaras a través de las cuales captan
imágenes que les permiten evaluar semáforos u obstáculos. También se
encuentran equipados con sensores que pueden captar audios, y reconocer peligro
si reconocen un claxon, o detectar factores externos como lluvia, niebla o nieve y
ajustar la conducción y las luces en consecuencia de lo detectado.
Más Info
Amplíe información sobre las aplicaciones prácticas y uso del Big Data
viendo el siguiente vídeo:
YouTube
https://www.youtube.com/embed/RBy594v2EFw

Contenido Unidad 3

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Contenido Unidad 3

Cargado por

Copyright:

Formatos disponibles

25/10/2020 3.2.3. Aplicaciones del Big Data | 3.

BIG DATA Y ANALÍTICA AVANZADA

3.2.3. Aplicaciones del Big Data

Big Data pone al servicio del marketing un conjunto de técnicas, procesos,

Algunos casos concretos donde es viable la aplicación Big Data son:

En la actualidad, el uso de los datos para la captación de votos es algo natural.

Gracias a Big Data, la

En las últimas elecciones nacionales, un centenar de personas trabajaron en

El sector de las compañías de seguros, donde se mueven grandes cantidades de

Gestión del riesgo de las

El sector finanzas es uno de los sectores donde en la actualidad existe el mayor

Con anterioridad a la llegada de la tecnología Big Data, la gestión de la operativa

El escenario actual del sector minorista es un mercado altamente dinámico que se

Algunas de las situaciones en las que

Las grandes cantidades de datos de usuarios, de las que venimos hablando en

La revolución del Big

Los datos permiten simular todos los partidos de la temporada en cuestión de

En muchas ocasiones, cuando a la vista de nadie resultaba comprensible, el

También puede determinar el estado de forma de los jugadores. Esta información

Las ciudades inteligentes, también denominadas Smart City en su acepción

Gran cantidad de datos, provenientes de cientos de sensores, captados de internet

Encontramos dentro de este grupo, la iniciativa Big Data denominada Smartaxi.

Predicción de la demanda. En función del número de colegios o servicios

Los algoritmos Big Data

Gracias a los algoritmos de Big Data es posible detectar patrones de

Además, estás máquinas autónomas deben ser capaces de analizar imágenes,

Son ya numerosas compañías, tanto compañías fabricantes de vehículos como

También podría gustarte