Documentos de Académico
Documentos de Profesional
Documentos de Cultura
El término "big data" se refiere a los datos que son tan grandes, rápidos o
complejos que es difícil o imposible procesarlos con los métodos tradicionales.
El acto de acceder y almacenar grandes cantidades de información para la
analítica ha existido desde hace mucho tiempo. Pero el concepto de big data
cobró impulso a principios de la década de 2000 cuando el analista de la
industria, Doug Laney, articuló la definición actual de grandes datos como las
tres V:
El Big Data sirve para que los datos almacenados de forma remota puedan ser
utilizados por las empresas como base para su toma de decisiones.
Volumen
Las organizaciones recopilan datos de diversas fuentes, como transacciones
comerciales, dispositivos inteligentes (IO), equipo industrial, vídeos, medios
sociales y más. En el pasado, su almacenamiento habría sido un problema -
pero el almacenamiento más barato en plataformas como los data lakes y el
Hadoop han aliviado la carga.
Según esta explicación sobre qué es el Big Data y para qué sirve, la variedad
concierne a todos los lugares donde los datos pueden ser almacenados y
extraídos.: Los datos se presentan en todo tipo de formatos: desde datos
numéricos estructurados en bases de datos tradicionales hasta documentos de
texto no estructurados, correos electrónicos, vídeos, audios, datos de teletipo y
transacciones financieras.
En SAS, consideramos otras dos dimensiones cuando se trata del big data:
Velocidad
La velocidad con la que el Big Data analiza los datos es muy alta, y a eso es lo
que se refiere la tercera “V”.
El proceso analiza los datos en el momento exacto en que son creados. Esto
ocurre, por ejemplo, con los mensajes que se viralizan en las redes sociales,
las transacciones realizadas a través de tarjetas de débito y crédito, etc.
Con el crecimiento del Internet de las Cosas, los datos llegan a las empresas a
una velocidad sin precedentes y deben ser manejados de manera oportuna.
Las etiquetas RFID, los sensores y los medidores inteligentes están
impulsando la necesidad de manejar estos torrentes de datos en tiempo casi
real.
Veracidad
La veracidad se refiere a la calidad de los datos. Debido a que los datos
provienen de tantas fuentes diferentes, es difícil vincular, comparar, limpiar y
transformar los datos a través de los sistemas. Las empresas necesitan
conectar y correlacionar las relaciones, las jerarquías y los múltiples vínculos
de datos. De lo contrario, sus datos pueden salirse de control rápidamente
Entre los miles de datos que se generan todos los días, muchos pueden llegar
a ser falsos por lo que es preciso excluirlos del análisis.
Cuando comprendes qué es el Big Data y para qué sirve, te das cuenta de que
este proceso ayuda a "filtrar" lo que es real de lo que no lo es.
Uno de los principios para esta parte del proceso es que, si son varias las
fuentes que apuntan a una determinada información, entonces se entiende que
esa es verdadera.
Valor
A estas alturas te imaginarás que para trabajar con tal volumen de datos es
necesario un «megasuperordenador» cuántico de la NASA.No, amigo. La
solución es mucho más sencilla, pero a la vez compleja.
Como no podía ser de otra forma, la base de la tecnología Big Data se lo
debemos a Google. La gran «G» fue una de las primeras compañías (junto
con Amazon, Facebook entre otras) que se vieron ante necesidad de
almacenar y gestionar ingentes volúmenes de datos (webs indexadas,
información personal, etc.) de forma eficaz.
Como consecuencia, Google desarrollo la tecnología Google File System
(GFS) y Map Reduce (como lenguaje de programación), y que serían la base
para que la comunidad de desarrolladores Apache diera lugar al software
conocido como Apache Hadoop.
Para entender qué es el Big Data y para qué sirve este proceso, es
fundamental saber dónde se puede utilizar.
Así, el Big Data se puede usar en los más variados sectores de una empresa,
por ejemplo, en marketing, finanzas, atención al cliente, ventas, entre otros.
El Big Data es una de las mejores formas en la que una empresa puede
aprovechar todos los datos que se generan a diario para favorecer su
crecimiento.
Análisis predictivo
Análisis prescriptivo
Análisis descriptivo
Análisis diagnóstico
Análisis predictivo
Análisis prescriptivo
Esto ayuda a elegir las estrategias más adecuadas, que generarán más y
mejores resultados para la empresa.
Análisis descriptivo
Análisis diagnóstico
Como ejemplos prácticos de uso del Big Data podemos mencionar a Nike y
UPS (United Parcel Service).
Nike
UPS, United Parcel Service, es una empresa de logística cuya casa central se
encuentra en Atlanta, Georgia, Estados Unidos.
El uso del Big Data permitió la optimización de sus rutas de entrega, lo que
resultó en un considerable ahorro en combustible y disminución del tiempo de
entrega, incluso impactando positivamente en la calidad de vida de sus
empleados.
A un alto nivel, una estrategia de big data es un plan diseñado para ayudarle a
supervisar y mejorar la forma en que adquiere, almacena, gestiona, comparte y
utiliza los datos dentro y fuera de su organización. Una estrategia de big data
establece el escenario para el éxito del negocio en medio de una abundancia
de datos. Cuando se desarrolla una estrategia, es importante considerar las
metas e iniciativas de negocios y tecnología existentes y futuras. Esto exige
tratar los grandes datos como cualquier otro activo empresarial valioso, en
lugar de considerarlos sólo como un subproducto de las aplicaciones.
Para preparar el big data para la analítica primero hay que acceder,
perfilar, limpiar y transformar los datos. Con una variedad de fuents de
big data, tamaños y velocidades, la preparación de los datos puede
consumir enormes cantidades de tiempo. La preparación de datos de
SAS simplifica la tarea, de modo que puede preparar los datos sin
necesidad de codificación, habilidades especializadas o dependencia de
la informática.
https://masqueingenieria.com/blog/aplicaciones-de-la-tecnologia-big-data/
El término Business Intelligence
1. Datos. Los datos son la unidad mínima con la que la empresa puede
trabajar. El nombre y apellidos de un empleado, el SKU de un producto o
una dirección de correo electrónico son ejemplos de datos. Son
totalmente objetivos y se utilizan principalmente para crear bases de
datos que nos sirvan como herramienta de consultas rápidas futuras.
2. Información. En el momento en el que distintos datos se procesan y se
unen en un contexto determinado, podemos hablar de información.
Dicho de otro modo: la información está formada por un conjunto de
datos procesados que comparten un contexto o finalidad común. Un
ejemplo de información lo encontramos en las gráficas generadas a
través de una hoja de cálculo, que nos permiten comprender cómo se
relacionan unos datos con otros y, a partir de lo observado, tomar una
serie de decisiones de negocio.
3. Conocimiento. Por último, el conocimiento implica ir un paso más allá
de la información. Es el resultado de haber utilizado esta para obtener
conclusiones a partir de la experiencia y del know-how de una persona
experta en el área a la que corresponde a la información. En otras
palabras: cuando una persona experta en la materia recibe la
información y, través de una serie de conexiones y predicciones
basadas en su experiencia y su know-how, le proporciona un valor
añadido útil para la empresa, estamos hablando de conocimiento. Dicho
conocimiento puede transmitirse a otras personas con el fin de que lo
utilicen para que la empresa pueda generar beneficios.
Por lo tanto, mientras que para transformar los datos en información solo es
necesario conocer las herramientas, informáticas o no, que permitan hacerlo,
para transformar la información en conocimiento será necesario contar con
personas expertas en el área a la que la información hace referencia. No
debemos olvidar nunca que la finalidad de ese término que es Business
Intelligence es crear un conocimiento que permita tomar mejores decisiones en
la empresa y optimizar los procesos que se llevan a cabo en ella.
Los tres conceptos se refieren a lo mismo: el uso que las empresas hacen de
los datos
1956: IBM inventa las unidades de disco duro, que llegaron a particulares y empresas de
de los PCs.
1958: el investigador de IBM Peter Luhn, utiliza el concepto Business Intelligence.
Sus investigaciones fueron cruciales para entender el potencial del análisis de datos para mejora
decisiones de negocio. Se le considera el padre del término inteligencia de negocio.
A finales de los 90 y principios del año 2000 fue cuando realmente se empezó
a entender el potencial del uso de los softwares de Business Intelligence. El
mercado empezó a florecer y proliferaron los fabricantes y proveedores de este
tipo de herramientas.
- Me the media: rise of the conversation society - VINT editions (research institute of Sogeti), 200
270. by Jaap Bloem, Menno van Doorn, Sander Duivestein
Ha sido en los últimos años cuando tanto el desarrollo como el uso de este tipo
de herramientas a crecido de forma exponencial en las empresas.
A pesar de que se trata de una categoría muy amplia - podría discutirse por
ejemplo si los servicios de monitorización de medios se consideran una
herramienta de BI - podemos distribuir las soluciones de inteligencia de negocio
en tres categorías:
3. Herramientas de reporting.
1. Microsoft Dynamics
7. Sisense
8. Clear Analytics
9. QlikView
10. Gooddata
Datawarehouse
Predecir ¿qué ocurriría?
Índice de contenidos:
Hay que tener en cuenta que los Big Data Analyst trabajan con
grandes cantidades de datos, pero los datos por sí mismos no dicen
nada. En la empresa se precisa un perfil que encuentre patrones en
ellos para llevar a cabo unas acciones u otras.