Segundo Parcial SGO - 2017

1. Ventajas del Promedio Móvil como medio de pronóstico frente a promedio total y
último resultado. 5

2. Describa los Componentes de una serie de tiempo. 5

3. Describa qué es pronosticar y cuáles son los pasos en el proceso de pronosticar. 7

4. Ventajas del Método de Suavizado exponencial frente al Promedio Móvil. 8

Método de Suavizado exponencial: Es un caso especial del método de promedios móviles

ponderados en el cual sólo seleccionamos el peso que le corresponde a la observación
más reciente. 8

5. Para qué se mide la precisión del método de pronóstico. Describa dos métodos,
indique la fórmula que utilice y de un ejemplo de su uso. 9

6. ¿Cómo incorpora el error en el pronóstico en el Método de Suavizado Exponencial? 10

7. Que es el parámetro en el Método de Suavizado exponencial, que valores puede asumir,

como afecta al resultado del pronóstico según la serie de datos? 11

7. Que es α en el Método de Suavizado exponencial, que valores puede asumir, que

relaciones se pueden observar con el MAD mínimo. 11

8. Valores recomendables para el coeficiente de suavizamiento α en un modelo de

pronóstico con Suavizamiento Exponencial Simple de una serie de datos con tendencia
creciente muy pronunciada y su justificación. 11

8. Valores recomendables para el coeficiente de suavizamiento α y porque. 11

9. ¿Cuándo utilizar el Método de Suavizado con tendencia (HOLT)? 11

10. Cómo determina los valores recomendables para los coeficientes de Suavizamiento
Exponencial con Tendencia y β. 12

10. Valores recomendables para el coeficiente de suavizamiento de tendencia β 12

11. Si se utilizó la fórmula: 𝐿𝑡 = 𝛼 ( 𝑥𝑡 𝑠𝑡−𝑐 ) + (1 − 𝛼)(𝐿𝑡−1𝑇(𝑡−1)), ¿qué método se aplicó?,

¿que representa cada parámetro? ¿qué otras fórmulas se deberían aplicar para completar
la predicción? 13

12.¿Cuándo utilizar el modelo de Winter? 13

13.Valores recomendables para la constante de suavizado de estacionalidad cuando

existe tendencia lineal. 14

14. Considerando la siguiente serie de datos {18, 22, 20, 22, 19, 15, 21, 17, 23, 21, 16, 22}
y siendo el último valor de la serie, seleccione en las tablas que se dan a continuación
cuáles de los valores propuestos marcados como a) b) c) d) son obtenidos por cada
método nombrados como 1) 2) 3) 4) 5) 6) 7) como el valor pronosticado para el momento
(n+1). (En el caso de que el valor pronosticado por un método no se encuentre dentro de
los propuestos marque “d) otro”, y si algún valor no es obtenido con ningún método
marque “7) otro” pero en todos los casos -métodos y valores- deben tener alguna
selección sabiendo que alguno de los valores puede ser resultado de un o de varios
métodos) 14

1)Último Valor 14

2) Promedio 14

3)Promedio móvil n=5 14

4)Suavizamiento Exponencial α=0.20 14

5) Suavizamiento Exponencial α=0.1 14

6)Holt α=0.3 β=0.1 14

7)Otro 14

a) 19,67 14

b) 19,65 14

c) 24,23 14

d) Otro 14

(Pueden cambiar los métodos utilizados o los valores obtenidos.) 14

15.¿Qué técnica de pronósticos calcula cada nuevo pronóstico a partir de solo las N
experiencias más recientes? 15

16.¿Cuál técnica de pronósticos usa el valor del periodo actual como única base del
pronóstico para el siguiente periodo? 15

17.¿Cuál técnica de pronósticos concede el mismo peso a cada observación de toda la

serie de datos? 15

18.¿Cuál(es) técnica(s) de pronósticos debe(n) utilizarse si los datos muestran una

tendencia? 16

19.¿Cuál(es) técnica(s) de pronósticos debe(n) utilizarse si los datos son estacionales? 16

20. Estamos haciendo el pronóstico de ventas trimestrales de bebidas gaseosas mediante

el método de Winter. Contamos con la siguiente información: Factores de estacionalidad:
Otoño = 0,9 Invierno = 0,6 Primavera = 1,1 Verano = 1,6 Estimación de la base actual
(primavera) = 5000 envases por trimestre.Estimación de la tendencia actual = 350
envases por trimestre. = 0,2 ; = 0,3 ; = 0,5 Ahora se observa la venta de 8370 envases
durante el trimestre de verano. a) Utilice la información para actualizar las estimaciones
de base, tendencia y estacionalidad. b) Después de observar la demanda del verano,
pronostique la demanda para el trimestre del otoño y el trimestre del invierno. 17

21. Mediante el método de Holt queremos predecir las ventas mensuales de tablets. A
fines de septiembre de este año, Lt = 150 y Tt = 20. Durante octubre (tambien de este
año), se vendieron 178 tablets. Al final de octubre, el MAD calculado fue de 10. Queremos
establecer un rango de ventas de tablets [mín, max] pronosticado para noviembre, con
una confianza del 95%. Utilice = = 0,50. 17

22. Definición de Criterio y Atributo. (Leer capitulo 12 multicriterio del libro de

carignano) 17

25. Plantee algunas formas de normalización 18

26. ¿Qué significa normalizar? 18

27. Describa en qué consiste normalizar respecto de la suma y dé un ejemplo. 19

28. Describa en qué consiste normalizar respecto al máximo y dé un ejemplo. 19

29. ¿Qué es una función de agregación? 20

30. En el método de Ponderación Lineal, ¿podría usted explicar las diferencias de utilizar
el método de normalizar por la suma o por el máximo? 20

31. Explique los pasos a seguir para utilizar el método de Ponderación Lineal. 20

32. Explique los pasos a seguir para utilizar el método MOORA. 20

33. ¿Cómo es la función de agregación del método MOORA? 21

34. Un grupo de compañeros de la facultad desea alquilar una oficina para instalar un
emprendimiento en que están trabajando. Luego de eliminar opciones, quedaron tres
potenciales lugares. Los criterios para la selección son: alquiler (en pesos por mes),
comodidades (escala de 1 a 5 donde 5 es la mejor), distancia a la facultad (en minutos de
viaje), gastos comunes (en pesos por mes). 22

Utilizar el método MOORA para determinar la opción a recomendar. Comparar el

resultado con el que se obtendría utilizando el método de Ponderación Lineal. 22

35. Describa las diferencias principales entre el método de Ponderación Lineal y el

método MOORA. 25

1. ¿Qué es Business Intelligence? Diferenciar entre Dato, Información y Conocimiento. 26

2. Explique la Arquitectura de un solución de Business Intelligence. 27

3. Explique los componentes de una solución Bussiness Intelligence. 28

4. Diferencias entre Gestión del Conocimiento y Business Intelligence. 29

5. Diferencias entre un Data Warehouse y una Base de Dato Tradicional 31

6. ¿Qué es un Data Warehouse? 31

7. Propiedades de la Arquitectura de un Data Warehouse. 31

8. Concepto de DataMart. 32

9. Diferencias entre Data Warehouse y Data Mart. 32

Data Warehouse: 32
Data Marts: 32
10. Explique las ventajas y desventajas de los Data Mart. 32

11. Explique la arquitectura de un Data Mart. 33

12. Defina Gestión de la Información 34

13. ¿Cuáles son las 3 (tres) corrientes en la Gestión de la Información? 34

14. ¿Qué es un cubo OLAP o Hipercubos? Explique sus elementos. 34

15. Defina Sistemas de Apoyo a la Toma de Decisiones. 34

16. Mencione los beneficios de los Sistemas de Soporte a las Decisiones. 35

17. Explique los Tipos de Sistemas de Soporte a Decisiones. 35

18. Menciones ventajas y desventajas de los Sistemas de Soporte a Decisiones. 36

19. ¿Dónde aplicaría un Sistema de Soporte a Decisiones? 36

20. Concepto de Internet de las Cosas. 37

21. Mencione 5 (cinco) aplicaciones de Internet de las Cosas. 37

22. Explique ventajas y desventajas de Internet de las Cosas. 37

23. Concepto de Big Data 38

24. Componente de una plataforma Big Data 38

25. Ventajas de utilizar Big Data 39

26. Riesgos de utilizar Big Data. 39

1. Ventajas del Promedio Móvil como medio de pronóstico frente a
promedio total y último resultado.
El objetivo de los métodos de serie de tiempo es descubrir un patrón en los datos
históricos y luego extrapolarlo hacia el futuro; el pronóstico se basa sólo en valores
pasados de la variable que tratamos de pronosticar o en errores pasados.
Utilizan los valores que históricamente ha tomado una variable aleatoria X = (xt-n, xt-n+1,
…., xt-1, xt, xt+1,….), para con ellos predecir los valores futuros ( ft+1 ) . Se basan en el
supuesto de que las cosas seguirán ocurriendo en el futuro, como lo han venido haciendo
en el pasado.
Método del Pronóstico del último valor
Usan el valor de la serie de tiempo observado en el tiempo t (xt) como pronóstico para el
periodo t+1. Esto es:
ft+1 = xt
Desventaja: impreciso; su varianza es grande debido a que se basa en una muestra de
tamaño uno. Vale la pena considerarlo sólo si:
1) La suposición sobre el nivel constante es “insegura” y el proceso cambia con rapidez
de manera que lo que ocurre antes del tiempo t es irrelevante o lleva a conclusiones
equivocadas.
2) Si la suposición de que el error aleatorio (et) tiene varianza constante es poco
razonable y la varianza condicional en el periodo t es en realidad mucho más pequeña
que en tiempos anteriores.

Se trata de un método ingenuo, sin embargo, cuando las condiciones cambian con
rapidez, quizás el último valor sea el único dato relevante para pronosticar el siguiente
valor.
Método del Promedio
En lugar de usar una muestra de tamaño 1 usa todos los datos y obtienen un promedio
de la serie.
Esta estimación es excelente si el proceso es muy estable. Se limita en general a procesos
jovenes.
Método de Promedios Móviles
Obtiene el promedio de los datos de los últimos n periodos
Se actualiza con facilidad de un periodo a otro, para lo cual se debe eliminar la primera
observación y agregar la última.
Ventaja: usa varias observaciones de datos recientes.
Desventaja: todas las observaciones tienen el mismo peso.

Básicamente lo que hace es definir un subconjunto N, ej los últimos 4 meses, y cada

pronóstico se calculó en base a este subconjunto. Como el promedio se basa en un
conjunto más acotado, el resultado presenta menos desviación que habiendo calculado
con todos los datos históricos (sobre todo cuando hay estacionalidad).
El método de medias móviles o promedios móviles suele ser mejor que el del último valor porque
utiliza más información, al tomar una muestra de tamaño mayor a 1 sobre los datos anteriores.
También, al sólo tener en cuenta los n períodos más recientes y no todos los períodos históricos,
suele ser más apropiado que el método del promedio total, el cual en procesos de mucha duración
se ve afectado por datos históricos muy antiguos y probablemente poco relevantes para el futuro.

2. Describa los Componentes de una serie de tiempo.

El patrón o comportamiento de los datos en una serie de tiempo tiene varios componentes. El
supuesto usual es que cuatro componentes separados: tendencia, cíclico, estacional e
irregular, se combinan para proporcionar valores específicos de la serie de tiempo.

Componente de tendencia
El cambio gradual de la serie de tiempo se conoce como tendencia en la serie de tiempo. Este
cambio o tendencia por lo general es el resultado de factores a largo plazo, como cambios en la
población, características demográficas de la población, tecnología y preferencias de consumo.
La tendencia puede ser creciente o decreciente, lineal o no.
La tendencia es el componente de largo plazo que representa el crecimiento o el descenso en
la serie de tiempo, durante un periodo extenso.

Componente cíclico
Aunque una serie de tiempo puede mostrar una tendencia durante periodos prolongados, todos
los valores futuros de la serie de tiempo no caen exactamente en la línea de tendencia.
De hecho, las series de tiempo con frecuencia muestran secuencias de puntos que se alternan
por encima y por debajo de la línea de tendencia. Cualquier secuencia de puntos recurrente por
encima y por debajo de la línea de tendencia que dura más de un año puede atribuirse al
componente cíclico de las series de tiempo.
El componente cíclico es la fluctuación con forma de onda alrededor de la tendencia y, por
lo común, se ve afectada por las condiciones económicas generales.

Componente estacional
Mientras que los componentes cíclicos y de tendencia de una serie de tiempo, se identifican
mediante el análisis de los movimientos de los años múltiples en datos históricos, muchas series
de tiempo muestran un patrón regular durante periodos de un año. Aunque por lo general
consideramos que el movimiento estacional en una serie de tiempo ocurre en un año, el
componente estacional también puede utilizarse para representar cualquier patrón que se
repite con regularidad y tiene una duración menor a un año.
El componente estacional es un patrón de cambio que se repite año tras año.

Componente irregular
El componente irregular de las series de tiempo es el factor residual que incluye las desviaciones
de los valores de serie de tiempo reales de aquellos esperados según los efectos del componente
cíclico, de tendencia y estacional. Este componente representa la variabilidad aleatoria en
las series de tiempo y es resultado de factores a corto plazo, imprevistos y no recurrentes
que afectan a la serie de tiempo. Como este componente representa la variabilidad aleatoria
en las series de tiempo, es impredecible; no podemos intentar predecir su impacto en las series
de tiempo.

3. Describa qué es pronosticar y cuáles son los pasos en el proceso de

pronosticar.
Pronosticar: Anunciar un hecho futuro basándose en criterios lógicos o científicos o a partir del
análisis de los datos de que se dispone.

PRONÓSTICOS: Un aspecto esencial de la administración de cualquier organización es la

planeación del futuro.
En efecto, el éxito a largo plazo de una organización depende de cuán bien la gerencia anticipa el
futuro y elabora las estrategias apropiadas. El buen juicio, la intuición y tener conciencia del
estado de la economía pueden dar a un gerente una idea aproximada de lo que es probable que
suceda en el futuro. Sin embargo, con frecuencia es difícil convertir esta intuición en un número
que pueda usarse, como el volumen de ventas del siguiente trimestre o el costo de la materia
prima por unidad para el año próximo.
A pesar de las imprecisiones inherentes al intentar predecir el futuro, los pronósticos
necesariamente guían la planeación y el establecimiento de políticas.
Los métodos de predicción pueden ser Cualitativos o Cuantitativos; dentro de los Cuantitativos
existen dos importantes tipos, métodos de pronósticos de series temporales o extrapolación y
métodos de predicción causal.
Todos los procedimientos formales para pronosticar requieren extender las experiencias del
pasado hacia el futuro. Así, implican la suposición de que las condiciones que generaron los
datos y las relaciones pasadas permanecerán en el futuro. Sin embargo, el futuro no siempre es
como el pasado, cuando sí lo es, los métodos cuantitativos de elaboración de pronósticos
funcionan bien, en caso contrario llegan a producirse pronósticos imprecisos. Sin embargo,
generalmente es mejor tener algún pronóstico construido razonablemente, que no pronosticar.

Pasos en el proceso de pronosticar

1. Formulación del problema y recopilación de datos
2. Manipulación y limpieza de datos
3. Construcción y evaluación del modelo - acá estamos parados en la materia.
4. Implementación del modelo (el pronóstico real)
5. Evaluación del pronóstico

En el paso 1, la formulación del problema y la recolección de datos se tratan como un solo paso
porque están íntimamente relacionadas. El problema determina los datos apropiados. Si se está
considerando una metodología cuantitativa para pronosticar, los datos pertinentes deben estar
disponibles e igualmente espaciados.

El paso 2, manipulación y limpieza de datos, a menudo es necesario. Es posible tener demasiados

datos o muy pocos, en el proceso para realizar pronósticos. Algunos datos quizá no sean
pertinentes. Tal vez a algunos datos les falten valores que deban estimarse. En ocasiones ciertos
datos tienen que expresarse en unidades diferentes de las originales. Algunos datos deben
volver a procesarse. Normalmente se requiere algún esfuerzo para obtener datos en la forma
requerida, para usar ciertos procedimientos para pronosticar.

El paso 3, construcción y evaluación del modelo, incluye ajustar los datos recolectados a un
modelo de pronóstico que sea adecuado, en términos de minimizar errores en el pronóstico.
El error de pronóstico (et), es la diferencia entre el valor observado y el pronóstico. Para medir
los errores de pronóstico suele usarse la Desviación Media Absoluta (MAD) o el error cuadrático
medio (EMC).
Cuanto más sencillo sea el modelo mejor será, en términos de aceptación por parte del decisor,
el proceso de pronósticos.

El paso 4, implementación del modelo, es la generación del modelo real. Los datos de periodos
históricos más recientes se mantienen como respaldo y más tarde se usan para verificar la
exactitud del proceso.

El paso 5, evaluación del pronóstico, implica la comparación de los valores del pronóstico con
valores históricos reales. Luego de la implementación del modelo, se realizan los pronósticos
para los periodos históricos más recientes, donde se conocen los valores de los datos y se
analizan los errores en el pronóstico. El examen de los patrones de error a menudo lleva al
analista a modificar el modelo para pronosticar.

4. Ventajas del Método de Suavizado exponencial frente al Promedio

Móvil.

Método de Suavizado exponencial: Es un caso especial del método de promedios móviles

ponderados en el cual sólo seleccionamos el peso que le corresponde a la observación más
reciente.
Así el pronóstico es una suma ponderada de la última observación y el pronóstico anterior.
Podemos demostrar que el pronóstico de la suavización exponencial para cualquier periodo
también es un promedio ponderado de todos los valores reales previos.
La principal ventaja del método de suavizado exponencial es que le asigna a los valores pasados
una importancia decreciente, considerando esta idea de que las cosas van sufriendo pequeños
cambios y que los valores más recientes son más importantes que los pasados, a diferencia del
Promedio móvil que da igual importancia a todos los N valores anteriores. Además el
Suavizamiento Exponencial evita tener que determinar una cantidad de valores de N
conveniente.

Resumen - Ventajas:
- Asigna a los valores del pasado una importancia decreciente. Valores del Presente son más
importantes.
- Evita tener que determinar una cantidad de valores de N conveniente.

5. Para qué se mide la precisión del método de pronóstico. Describa

dos métodos, indique la fórmula que utilice y de un ejemplo de su
uso.

Con frecuencia, se debe alcanzar un equilibrio entre un enfoque para pronosticar complejo que
ofrezca un poco más de precisión, y un enfoque sencillo que se entienda fácilmente y tenga el
apoyo de quienes toman las decisiones y sea activamente usado por éstos.
La precisión, cuando se calcula, proporciona una estimación cuantitativa de la calidad esperada
de los pronósticos. Se compara la precisión de dos o más técnicas de pronóstico, se mide la
confiabilidad de una técnica de pronóstico y se busca la técnica óptima.
La finalidad de un pronóstico es reducir el nivel de incertidumbre cuando se toman decisiones,
esto sugiere dos reglas fundamentales:
1. El pronóstico debe ser técnicamente correcto y generar predicciones lo suficientemente
precisas para satisfacer las necesidades del decisor.
2. El procedimiento de elaboración y sus resultados tienen que presentarse de manera
convincente para que sean utilizados en el proceso de toma de decisiones y los
resultados deben justificarse desde el punto de vista del costo-beneficio.
Podemos usar para medir la precisión del método de pronóstico al error cuadrado medio (ECM)
o la desviación media absoluta (MAD). También se puede usar MAPE (Error absoluto porcentual
Medio)

EMC - Promedio de los errores al cuadrado. Este método penaliza los desvíos más grandes.
MAD - Promedio de los errores Absolutos. Conserva la unidad de medida.
MAPE - Error absoluto porcentual Medio. Sin unidades, útil para comparar exactitud de los
errores. Fácil interpretación.

Ejemplo

Mes X F |X-F| (X-F)^2

1 10

2 5 7,5 2,5 6,25

3 15 10 5 25

4 10 12,5 2,5 6,25

5 20 15 5 25

MAD 3,75

EMC 15,625

6. ¿Cómo incorpora el error en el pronóstico en el Método de Suavizado Exponencial?

Otra forma de ponerlo, derivada de la original es: ft+1=ft+ α (xt-ft) lo que la muestra como el
pronóstico anterior más un término representativo del error obtenido en el pronóstico anterior
afectado de un coeficiente de atenuación.
Si la serie tiene una variabilidad aleatoria considerable, es preferible utilizar un valor pequeño
para la constante de suavización. Como gran parte del error de pronóstico se debe a la
variabilidad aleatoria, un α pequeño evita una reacción exagerada que ajuste los pronósticos
demasiado rápido. Para una serie con poca variabilidad, valores más grandes de α permiten
ajustar rápidamente los pronósticos cuando ocurren errores de pronóstico y por lo tanto el
pronóstico reacciona más rápido ante condiciones cambiantes.
Podemos elegir el valor de α que minimiza el EMC o la MAD.
En general se selecciona un α igual a 0,1, 0,3 ó 0,5. Si el valor de α que minimiza el MAD es
superior a 0,5 entonces la serie presenta tendencia, estacionalidad o variación cíclica, por lo que
no se recomienda suavización exponencial. En estos casos, el método Holt o el método de Winter
proporcionan mejores pronósticos.

7. Que es el parámetro en el Método de Suavizado exponencial, que valores

puede asumir, como afecta al resultado del pronóstico según la serie de
datos?

7. Que es α en el Método de Suavizado exponencial, que valores puede

asumir, que relaciones se pueden observar con el MAD mínimo.
En el método de suavizado exponencial, el α representa la constante de suavizado y los valores
que puede asumir son entre 0 y 1. Si la serie tiene una variabilidad aleatoria considerable, es
preferible utilizar un valor pequeño para la constante de suavización. Como gran parte del error
de pronóstico se debe a la variabilidad aleatoria, un α pequeño evita una reacción exagerada que
ajuste los pronósticos demasiado rápido. Para una serie con poca variabilidad, valores más
grandes de α permiten ajustar rápidamente los pronósticos cuando ocurren errores de
pronóstico y por lo tanto el pronóstico reacciona más rápido ante condiciones cambiantes.
Podemos elegir el valor de α que minimiza el EMC o la MAD.
En general se selecciona un α igual a 0,1, 0,3 ó 0,5. Si el valor de α que minimiza el MAD es
superior a 0,5 entonces la serie presenta tendencia, estacionalidad o variación cíclica, por lo que
no se recomienda suavización exponencial. En estos casos, el método Holt o el método de Winter
proporcionan mejores pronósticos.
8. Valores recomendables para el coeficiente de suavizamiento α en un
modelo de pronóstico con Suavizamiento Exponencial Simple de una
serie de datos con tendencia creciente muy pronunciada y su
justificación.

8. Valores recomendables para el coeficiente de suavizamiento α y porque.

Valores de α inferiores a 0,3 y como máximo 0,5, eligiendolo de modo de minimizar el valor de la
MAD. En la práctica se utiliza α igual a 0.10, 0.30 o 0.50. Si el valor de α que minimiza el MAD
sobrepasa 0.5, entonces tendencia, o estacionalidad o variación cíclica está presente, por lo que
no se recomienda el suavizamiento exponencial simple como técnica de pronóstico.

9. ¿Cuándo utilizar el Método de Suavizado con tendencia (HOLT)?

Este modelo funciona muy bien cuando puede ocurrir que los resultados guarden una cierta
tendencia, creciente o decreciente, como por ejemplo aumento de precios por inflación y por
incorporación de un producto al mercado, o decreciente porque se está dejando de usar;
también puede ocurrir que los resultados sean estacionales, como las ventas de estufas que se
incremente en invierno o de los aire acondicionado que se incrementa en verano. En ambos
casos, el suavizamiento exponencial deja de comportarse eficientemente y debe ser corregido,
por tendencia (Método de Holt) o por estacionalidad (Método de Winter, que incluye también
tendencia).
El Método de Holt, se utiliza con tendencia lineal y sin estacionalidad. Al final del periodo t el
método genera una estimación para el nivel de base (Lt) y otra para la tendencia (Tt). Así si L5 =
20 y T5 = 2, en cinco períodos L25 = 30. Usa un coeficiente β de suavizamiento de la tendencia que
toma valores entre 0 y 1, y un 0 < α < 1.

Para aplicar el método, necesitamos una estimación inicial de la base (L0) y una estimación
inicial de la tendencia (T0).
Podemos usar como estimación de L0 a la observación del último periodo y T0 como el
incremento promedio por periodo de la serie.
El método de Holt proporcionará buenos pronósticos de una serie, cuando el componente
de tendencia sea lineal.
10. Cómo determina los valores recomendables para los coeficientes de
Suavizamiento Exponencial con Tendencia y β.

10. Valores recomendables para el coeficiente de suavizamiento de

tendencia β

Los valores posibles de β tienen las mismas restricciones que los de α. Por debajo de 0.5, es decir
que si ambos valores no son menores a 0.5, entonces la estacionalidad o el comportamiento cíclico
podría estar presente, por lo cual se tendría que aplicar otro método de pronóstico.
Para elegir las constantes de suavizado α y β , pueden ensayarse varias combinaciones de ellas y
optar por la que minimice el MAD. Si estos valores son mayores a 0,5 debería usarse otro
método de pronóstico ya que esto estaría indicando la presencia de estacionalidad o
comportamiento cíclico.
Pesos grandes tienen como resultado cambios más rápidos en el componente; pesos pequeños
tienen como resultado cambios menos rápidos. Por lo tanto, cuanto mayores son los pesos, los
valores de suavizado seguirán más a los datos; cuanto menores son los pesos, los valores de
suavizado seguirán más a los valores de suavizado previos.

11. Si se utilizó la fórmula: 𝐿𝑡 = 𝛼 ( 𝑥𝑡 𝑠𝑡−𝑐 ) + (1 − 𝛼)(𝐿𝑡−1𝑇(𝑡−1)), ¿qué método se aplicó?,

¿que representa cada parámetro? ¿qué otras fórmulas se deberían aplicar para
completar la predicción?
12.¿Cuándo utilizar el modelo de Winter?

Este modelo funciona muy bien cuando puede ocurrir que los resultados guarden una cierta
tendencia, creciente o decreciente, como por ejemplo aumento de precios por inflación y por
incorporación de un producto al mercado, o decreciente porque se está dejando de usar;
también puede ocurrir que los resultados sean estacionales, como las ventas de estufas que se
incremente en invierno o de los aire acondicionado que se incrementa en verano. En ambos
casos, el suavizamiento exponencial deja de comportarse eficientemente y debe ser corregido,
por tendencia (Método de Holt) o por estacionalidad (Método de Winter, que incluye también
tendencia).
Cuando además de la tendencia (o en presencia de tendencia nula) hay estacionalidad, es decir
los datos fluctúan en periodos iguales de tiempo (todos los veranos: son estacionales) se aplica
el método de Winter en el cual aparece un factor de estacionalidad St con distintos valores para
cada período t, que multiplica a un valor intermedio haciéndolo más grande o más pequeño.
Como todas son estimaciones, ahora también debe estimarse ese factor, busco el factor
estacional en el período más parecido al que estoy considerando. Por esa razón el primer
término de la predicción de la base es la observación anterior desestacionalizada.

13.Valores recomendables para la constante de suavizado de estacionalidad cuando existe

tendencia lineal.

Aunque los valores de α y β que minimizan MAD no deben ser mayores que 0.5 (como el método
de Holt), es común, por lo que toca al mejor valor de g, que ésta sea mayor que 0.5. Esto se debe
a que, para los datos mensuales, cada factor estacional mensual está actualizado sólo durante de
todos los períodos. Puesto que los factores de estacionalidad se actualizan tan pocas veces,
necesitaríamos dar más peso a cada observación, de modo que g>0.5 no es imposible.

14. Considerando la siguiente serie de datos {18, 22, 20, 22, 19, 15, 21, 17, 23, 21, 16, 22} y
siendo el último valor de la serie, seleccione en las tablas que se dan a continuación
cuáles de los valores propuestos marcados como a) b) c) d) son obtenidos por cada
método nombrados como 1) 2) 3) 4) 5) 6) 7) como el valor pronosticado para el momento
(n+1). (En el caso de que el valor pronosticado por un método no se encuentre dentro de
los propuestos marque “d) otro”, y si algún valor no es obtenido con ningún método
marque “7) otro” pero en todos los casos -métodos y valores- deben tener alguna
selección sabiendo que alguno de los valores puede ser resultado de un o de varios
métodos)

1)Último 2) Promedio 3)Promedio 4)Suavizamiento 5) Suavizamiento 6)Holt 7)Otro

Valor móvil n=5 Exponencial Exponencial α=0.3
α=0.20 α=0.1 β=0.1

a) 19,67 b) 19,65 c) 24,23 d) Otro

(Pueden cambiar los métodos utilizados o los valores obtenidos.)

Ultimo valor: d) otro (22)

Promedio: a) 19,67
Promedio móvil: d) otro (19,8)
Exponencial : b) 19,65
Exponencial : d) Otro (17,30)
Holt: d) Otro (25,6)
Otro:
c) 24,23: 7) Otro

15.¿Qué técnica de pronósticos calcula cada nuevo pronóstico a partir de solo las N
experiencias más recientes?
Método de Promedios Móviles: Obtiene el promedio de los datos de los últimos n periodos.
Σ𝑥
𝑓 𝑡+1 = 𝑛 𝑖 , donde Σ va desde 𝑖 = 𝑡 − 𝑛 + 1 hasta 𝑡.
Se actualiza con facilidad de un periodo a otro, para lo cual se debe eliminar la primera
observación y agregar la última.
Ventaja: usa varias observaciones de datos recientes.
Desventaja: todas las observaciones tienen el mismo peso.

16.¿Cuál técnica de pronósticos usa el valor del periodo actual como única base del
pronóstico para el siguiente periodo?
Método del Pronóstico del último valor: Usan el valor de la serie de tiempo observado en el
tiempo t (xt) como pronóstico para el periodo t+1.
𝑓 𝑡+1
=𝑥 𝑡
Desventaja: es impreciso; su varianza es grande debido a que se basa en una muestra de tamaño
uno. Es conveniente considerarlo sólo si:
1) La suposición sobre el nivel constante es “insegura” y el proceso cambia con rapidez de
manera que lo que ocurre antes del tiempo “t” es irrelevante o lleva a conclusiones
equivocadas.
2) Si la suposición de que el error aleatorio (et) tiene varianza constante es poco razonable
y la varianza condicional en el periodo t es en realidad mucho más pequeña que en
tiempos anteriores. Se trata de un método ingenuo, sin embargo, cuando las condiciones
cambian con rapidez, quizás el último valor sea el único dato relevante para pronosticar
el siguiente valor.
17.¿Cuál técnica de pronósticos concede el mismo peso a cada observación de toda la
serie de datos?
Método del Promedio
En lugar de usar una muestra de tamaño 1 usa todos los datos y obtienen un promedio de la
serie.

Esta estimación es excelente si el proceso es muy estable. Se limita en general a procesos

jóvenes.

18.¿Cuál(es) técnica(s) de pronósticos debe(n) utilizarse si los datos muestran una

tendencia?
Suavizado exponencial con tendencia ó Método de Holt: Siempre que exista una tendencia
continuada, la suavización exponencial permanecerá rezagada en el tiempo con respecto a los
valores reales. El método de suavizado exponencial simple, supone que el nivel de las series de
tiempo varía ocasionalmente, y solo necesita una estimación del nivel actual. Cuando se tiene
una tendencia clara, se necesita una función que estime la tendencia lineal del pronóstico. Es
decir que se requiere una estimación del nivel de base, así como de la pendiente actual.
Si ft+k el pronóstico para xt+k, realizado al final del periodo t, entonces
ft+k = Lt +kTt
Si el pronóstico es para el periodo inmediato siguiente entonces k = 1
Un método apropiado para este tipo de series con tendencia lineal y sin estacionalidad es el
método de Holt, el que explícitamente permite incluir una tendencia lineal ascendente o
descendente. Al final del periodo t este método genera una estimación del nivel de base Lt y de la
tendencia Tt de la serie. Luego de observar xt podemos actualizar la estimación del nivel de base
y la tendencia utilizando suavizado exponencial.

19.¿Cuál(es) técnica(s) de pronósticos debe(n) utilizarse si los datos son estacionales?

Suavizado exponencial con estacionalidad o Método de Winter: El método de Winters
podría representar mejor los datos y reducir el error de pronóstico. Este método es una
extensión del método de Holt e introduce una ecuación adicional para estimar la estacionalidad
(St).
Al final del periodo t la predicción ft,k para el periodo t+k se obtiene con
𝑓 𝑡+𝑘
= (𝐿 𝑡
+ 𝑘𝑇 𝑡)𝑠 𝑡+𝑘−𝑐
En la versión multiplicativa del método de Winters, la estimación de la estacionalidad está dada
por un índice estacional (St) y se calcula como:
 𝑥 𝑡
𝑠 𝑡
= γ 𝐿
+ (1 − γ)𝑠 𝑡−𝑐
𝑡

Es decir que el componente estacional actual St surge del producto entre una constante de
suavizado (γ) y un estimado del índice estacional dado por xt / Lt , al que se le suma (1-γ) veces
el componente estacional previo St-c. El valor observado xt se divide entre el nivel actual estimado
Lt, para crear un índice que pueda usarse de forma multiplicativa para ajustar un pronóstico
tomando en cuenta los picos y valles estacionales.

20. Estamos haciendo el pronóstico de ventas trimestrales de bebidas gaseosas mediante

el método de Winter. Contamos con la siguiente información: Factores de estacionalidad:
Otoño = 0,9 Invierno = 0,6 Primavera = 1,1 Verano = 1,6 Estimación de la base actual
(primavera) = 5000 envases por trimestre.Estimación de la tendencia actual = 350
envases por trimestre. = 0,2 ; = 0,3 ; = 0,5 Ahora se observa la venta de 8370 envases
durante el trimestre de verano. a) Utilice la información para actualizar las estimaciones
de base, tendencia y estacionalidad.b) Después de observar la demanda del verano,
pronostique la demanda para el trimestre del otoño y el trimestre del invierno.

21. Mediante el método de Holt queremos predecir las ventas mensuales de tablets. A
fines de septiembre de este año, Lt = 150 y Tt = 20. Durante octubre (tambien de este
año), se vendieron 178 tablets. Al final de octubre, el MAD calculado fue de 10. Queremos
establecer un rango de ventas de tablets [mín, max] pronosticado para noviembre, con
una confianza del 95%. Utilice = = 0,50.

22. Definición de Criterio y Atributo. (Leer capítulo 12 multicriterio del libro de

Carignano)

● Atributo: representan propiedades, características, capacidades de satisfacer necesidades

y/o deseos que poseen las alternativas de decisión, aunque se dan en distintas cantidades o
intensidades según cual sea la alternativa considerada y el atributo con respecto al cual se
hace la evaluación. Son los ejes de evaluación, representan dimensiones relevantes y
permiten comparar las alternativas. Ejemplo: precio, seguridad, confort, tamaño, etc.
● Criterio: un criterio es una función que refleja las preferencias del decisor en relación a un
atributo. Por ejemplo: el libro más vendido, el proceso de menor costo. Son ejes de
evaluación que direccionan el análisis. C = (C1, C2,…, Cn) es un conjunto de todos los
criterios considerados donde es un conjunto discreto y finito, donde normalmente no se
recomienda analizar más de 7 criterios simultáneamente. Además los criterios deben
cumplir con las siguientes propiedades: exhaustividad, coherencia y no redundancia entre
criterios.

23.¿Qué propiedades debe cumplir el conjunto de criterios?

Los criterios deben cumplir con las siguientes propiedades:
-Exhaustividad: se refiere a que se deben considerar todos los criterios necesarios que
permitan la discriminación entre alternativas.
-Coherencia: implica que las preferencias globales del decisor deben ser coherentes con las
preferencias en cada criterio, en el mismo sentido que si dos alternativas A1 y A2, tienen la
misma evaluación en todos los criterios y por lo tanto son indiferentes para el decisor, la mejora
en la evaluación de una con respecto a un criterio, implica que esta será globalmente preferida.
-No redundancia entre criterios: esta propiedad es deseable, pero no esencial, pero si no se la
tiene en cuenta, se corre el riesgo de otorgar duplicada importancia a un atributo.

24.¿Qué plantea la Hipótesis de racionalidad del decisor?

Frente a dos alternativas a1 y a2 que pertenecen a su conjunto de elección, el decisor es capaz de

decir cuál prefiere o si le son indiferentes. Simbolizando

Tipos de enfoque: el enfoque racional, el enfoque de racionalidad limitada, el enfoque del

procedimiento organizativo y el enfoque de estilo de decisión.
El enfoque racional se basa en las siguientes hipótesis: el decisor tiene información perfecta,
no existen las fases de inteligencia y diseño, es decir, la decisión solamente considera la fase de
elección y el decisor siempre intenta maximizar su función de utilidad. Bajo estas hipótesis, que
es lo que se denomina hombre económico, el proceso de decisiones es muy sencillo y lo único
que tiene que hacer el decisor es conseguir el máximo beneficio o la máxima utilidad en el caso
del consumidor. Debido a que estas hipótesis no son nada realistas se pasó al segundo enfoque.
El enfoque de racionalidad limitada. Según este enfoque el sujeto decisor no tiene
información perfecta y si quisiera conseguir esa información perfecta le costaría tanto mucho
tiempo como mucho dinero. Por lo tanto se pasa del hombre económico, aquel que intenta
maximizar su función de utilidad, al hombre administrativo, que adopta un comportamiento
satisfactorio, es decir, cuando encuentra una alternativa que considera satisfactoria ya no busca
más, no llega a elegir la mejor sino la que considera bastante buena.
Tanto el enfoque anterior como el de racionalidad limitada son análisis que consideran un
decisor individual, el siguiente por el contrario analiza la toma de decisiones dentro de las
organizaciones, donde existen múltiples decisiones.
El enfoque del procedimiento organizativo. Según este enfoque los individuos tienen
objetivos propios, pero las organizaciones no, por lo tanto las decisiones que se toman dentro de
la organización son el resultado de la negociación entre los individuos que allí trabajan. Este
enfoque considera que la empresa u organización tiene múltiples objetivos. El criterio de
selección según este enfoque será que la alternativa elegida satisfaga a los individuos que
trabajan en esa organización.
El enfoque de los estilos de decisión. Este enfoque considera que cada decisor es único, por lo
que cada uno utilizará un estilo propio para enfrentarse a la toma de decisiones, por lo tanto
para conocer porqué un individuo ha tomado una decisión concreta habrá que analizar sus
habilidades y estrategias personales. Hay directivos que actúan rápidamente y toman decisiones
intuitivas.

25. Plantee algunas formas de normalización

● Procedimiento 1: normalización con respecto al máximo

● Procedimiento 2: normalización con respecto al rango
● Procedimiento 3: normalización con respecto a la suma

La normalización de las evaluaciones, lo que implica que las de cada alternativa i

correspondientes a un cierto criterio j sean comparables a los otros criterios, en donde se
transforman a valores entre 0 y 1. El propósito principal de la normalización es el de obtener
escalas comparables. Algunos ejemplos de cómo se hace habitualmente es utilizando valores
normalizados como: o bién o bién , con ligeras diferencias en ventajas y desventajas de cada
uno.

26. ¿Qué significa normalizar?

Normalizar es realizar un proceso por el cual se obtienen resultados que permiten
comparaciones. En el análisis multicriterio se realiza para que las evaluaciones aij de una
alternativa i, respecto a cada uno de los j criterios, sean comparables en magnitud, unidad de
medida, posición al cero, dispersión de medida, etc. Generalmente las evaluaciones se
transforman a valores entre 0 y 1

27. Describa en qué consiste normalizar respecto de la suma y dé un ejemplo.

● La normalización respecto de la suma lleva los valores a una valuación con respecto al
total o sumatoria de todos los valores.
● Las valuaciones quedan comprendidas entre 0 y 1.
● Con mejor valuación el valor más cercano a 1
● ri = ai / ∑ ai
Ejemplo:

Ganancia Valor normalizado

proyecto 1 8 0,4211

proyecto 2 3 0,1579

proyecto 3 5 0,2632

proyecto 4 3 0,1579

Suma 19 1
28. Describa en qué consiste normalizar respecto al máximo y dé un ejemplo.

● La normalización respecto al máximo lleva los valores a una valuación con respecto al
mayor valor de todo el conjunto
● Las valuaciones quedan comprendidas entre 0 y 1
● Con mejor valuación el valor más cercano a 1
● Al máximo valor le corresponde el valor 1
● ri = ai / max ai

Ganancia Valor normalizado

proyecto 1 8 1,0000

proyecto 2 3 0,3750

proyecto 3 5 0,6250

proyecto 4 3 0,3750

Max 8

29. ¿Qué es una función de agregación?

Metodología que resume las preferencias en una síntesis global para determinar la alternativa
que globalmente recibe las mejores evaluaciones.
Muchos métodos buscan una evaluación global de cada alternativa a través de una función que
transforme las n FU(Función de Utilidad) asociadas a los n criterios en una única función,
llamada Función de Agregación, bajo la forma de una suma de Funciones de Utilidad. Por esta
razón la Función Agregación recibe el nombre de Función de Utilidad Aditiva.

30. En el método de Ponderación Lineal, ¿podría usted explicar las diferencias de utilizar
el método de normalizar por la suma o por el máximo?
La normalización se realiza para que las evaluaciones aij de una alternativa i, respecto a cada
uno de los j criterios, sean comparables en magnitud, unidad de medida, posición al cero,
dispersión de medida, etc. Generalmente las evaluaciones se transforman a valores entre 0 y 1.
31. Explique los pasos a seguir para utilizar el método de Ponderación Lineal.
1. Transformar todos los criterios en maximización , (costos) ri = ∑ ai / ai , o 1/ ai
2. Transformar escalas lingüísticas
3. Asignar pesos a los criterios
4. Normalizar matriz de preferencias y pesos
5. Obtener las preferencias globales (calcular el valor de cada alternativa)
6. Realizar ordenación
1. Partimos de la matriz de decisión, con las evaluaciones de cada alternativa respecto a cada
criterio.

32. Explique los pasos a seguir para utilizar el método MOORA.

2. Normalizamos con distancia euclidiana

3. Se define el vector de pesos de los criterios:

4. Ponderamos la matriz normalizada por los pesos de los criterios:

5. Obtenemos la evaluación de cada alternativa a través de la función de agregación:

Donde:
i = 1,2,3,….h se corresponde con los criterios de máximo e
i = h+1, h+2, …. n se corresponde con los criterios de mínimo.

6. Finalmente se ordenan las alternativas de acuerdo al valor de S(xi)

33. ¿Cómo es la función de agregación del método MOORA?

Se suman las evaluaciones a maximizar y se les resta las evaluaciones ponderadas de los
criterios a minimizar.

34. Un grupo de compañeros de la facultad desea alquilar una oficina para instalar un
emprendimiento en que están trabajando. Luego de eliminar opciones, quedaron tres
potenciales lugares. Los criterios para la selección son: alquiler (en pesos por mes),
comodidades (escala de 1 a 5 donde 5 es la mejor), distancia a la facultad (en minutos
de viaje), gastos comunes (en pesos por mes).

Utilizar el método MOORA para determinar la opción a recomendar. Comparar el

resultado con el que se obtendría utilizando el método de Ponderación Lineal.

Método de MOORA

Alquiler Comodidades Distancia Gastos comunes

min max min min

Local1 10000 4 30 2500

Local2 13000 5 35 3000

Local3 8900 2 45 2500

Ponderación 0.4 0.3 0.2 0.1

Alquiler Comodidades Distancia Gastos comunes

min max min min

Local1 100000000 16 900 6250000

Local2 169000000 25 1225 9000000

Local3 79210000 4 2025 6250000

Ponderación 0.4 0.3 0.2 0.1

Suma de los 348210000 45 4150 21500000

cuadrados

Raíz de la 18660.38585 6.708203932 64.42049363 4636.809248

suma

Matriz
normalizada

Alquiler Comodidades Distancia Gastos comunes

min max min min

Local1 0.5359 0.596284794 0.465690315 0.539163866

Local2 0.6967 0.745355992 0.543305368 0.646996639

Local3 0.4769 0.298142397 0.698535473 0.539163866

Ponderación 0.4 0.3 0.2 0.1

Matriz normalizada y
ponderada
 Alquiler Comodidades Distancia Gastos comunes Total

min max min min

Local1 -0.2144 0.178885438 -0.09313806 -0.053916387 -0.1825

3

Local2 -0.2787 0.223606798 -0.10866107 -0.064699664 -0.2284

4

Local3 -0.1908 0.089442719 -0.13970709 -0.053916387 -0.2950

5

Ordenamiento Total

Local3 -0.295

Local 2 -0.2284

Local 1 -0.1825

Ponderación Lineal

Alquiler Comodidades Distancia Gastos comunes

min max min min

Local1 10000 4 30 2500

Local2 13000 5 35 3000

Local3 8900 2 45 2500

Ponderación 0.4 0.3 0.2 0.1

Inverso de los criterios

minimizantes

Alquiler Comodidades Distancia Gastos comunes

min max min min

Local1 0.0001 4 0.033333333 0.0004

Local2 7.69E-05 5 0.028571429 0.000333333

Local3 0.00011236 2 0.022222222 0.0004

Ponderación 0.4 0.3 0.2 0.1

Suma 0.000289283 11 0.084126984 0.001133333

Matriz
normalizada
con el método
3

Alquiler Comodidades Distancia Gastos comunes

min max min min

Local1 0.3457 0.363636364 0.396226415 0.352941176

Local2 0.2659 0.454545455 0.339622642 0.294117647

Local3 0.3884 0.181818182 0.264150943 0.352941176

Ponderación 0.4 0.3 0.2 0.1

Agregación

Alquiler Comodidades Distancia Gastos comunes Total

min max min min

Local1 0.3457 0.3636 0.3962 0.3529 0.3619

Local2 0.2659 0.4545 0.3396 0.2941 0.3401

Local3 0.3884 0.1818 0.2642 0.3529 0.2980

Ponderació 0.4 0.3 0.2 0.1

n

Ordenamiento Total

Local1 0.3619

Local 2 0.3401
 Local3 0.298

35. Describa las diferencias principales entre el método de Ponderación Lineal y el

método MOORA.
Moora puede considerarse como un método de ponderación lineal con la diferencia de que en el
proceso de agregación se suman las evaluaciones a maximizar y se les resta las evaluaciones
ponderadas de los criterios a minimizar.
Tecnología
1. ¿Qué es Business Intelligence? Diferenciar entre Dato, Información y
Conocimiento.

Business Intelligence es la habilidad para transformar los datos en información, y la

información en conocimiento, de forma que se pueda optimizar el proceso de toma de
decisiones en los negocios.
Desde un punto de vista más pragmático, y asociándolo directamente con las
tecnologías de la información, podemos definir Business Intelligence como el conjunto
de metodologías, aplicaciones y tecnologías que permiten reunir, depurar y
transformar datos de los sistemas transaccionales e información desestructurada
(interna y externa a la compañía) en información estructurada, para su explotación
directa (reporting, análisis OLTP / OLAP, alertas...) o para su análisis y conversión en
conocimiento, dando así soporte a la toma de decisiones sobre el negocio.
La inteligencia de negocio actúa como un factor estratégico para una empresa u
organización, generando una potencial ventaja competitiva, que no es otra que
proporcionar información privilegiada para responder a los problemas de
negocio: entrada a nuevos mercados, promociones u ofertas de productos,
eliminación de islas de información, control financiero, optimización de costes,
planificación de la producción, análisis de perfiles de clientes, rentabilidad de un
producto concreto, etc...
Quizás la forma más sencilla de diferenciar los términos sea pensar que los datos
están localizados en el mundo y el conocimiento está localizado en agentes de
cualquier tipo (personas, empresas, máquinas...), mientras que la información adopta
un papel mediador entre ambos.
Los conceptos que se muestran a continuación se basan en las definiciones de
Davenport y Prusak (1999).

Datos

Los datos son la mínima unidad semántica, y se corresponden con elementos

primarios de información que por sí solos son irrelevantes como apoyo a la toma de
decisiones. También se pueden ver como un conjunto discreto de valores, que no dicen
nada sobre el porqué de las cosas y no son orientativos para la acción.
Un número telefónico o un nombre de una persona, por ejemplo, son datos que, sin un
propósito, una utilidad o un contexto no sirven como base para apoyar la toma de una
decisión. Los datos pueden ser una colección de hechos almacenados en algún lugar
físico como un papel, un dispositivo electrónico (CD, DVD, disco duro...), o la mente de
una persona. En este sentido las tecnologías de la información han aportado mucho a
la recopilación de datos.
Como cabe suponer, los datos pueden provenir de fuentes externas o internas a la
organización, pudiendo ser de carácter objetivo o subjetivo, o de tipo cualitativo o
cuantitativo, etc.
Información

La información se puede definir como un conjunto de datos procesados y que tienen

un significado (relevancia, propósito y contexto), y que por lo tanto son de utilidad
para quién debe tomar decisiones, al disminuir su incertidumbre. Los datos se pueden
transformar en información añadiendoles valor:
Contextualizando: se sabe en qué contexto y para qué propósito se generaron.
Categorizando: se conocen las unidades de medida que ayudan a interpretarlos.
Calculando: los datos pueden haber sido procesados matemática o
estadísticamente.
Corrigiendo: se han eliminado errores e inconsistencias de los datos.
Condensando: los datos se han podido resumir de forma más concisa
(agregación).
Por tanto, la información es la comunicación de conocimientos o inteligencia, y es
capaz de cambiar la forma en que el receptor percibe algo, impactando sobre sus
juicios de valor y sus comportamientos.
Información = Datos + Contexto (añadir valor) + Utilidad (disminuir la incertidumbre)

Conocimiento

El conocimiento es una mezcla de experiencia, valores, información y know-how que

sirve como marco para la incorporación de nuevas experiencias e información, y es útil
para la acción. Se origina y aplica en la mente de los conocedores. En las
organizaciones con frecuencia no sólo se encuentra dentro de documentos o
almacenes de datos, sino que también está en rutinas organizativas, procesos,
prácticas, y normas.
El conocimiento se deriva de la información, así como la información se deriva de los
datos. Para que la información se convierta en conocimiento es necesario realizar
acciones como:
Comparación con otros elementos.
Predicción de consecuencias.
Búsqueda de conexiones.
Conversación con otros portadores de conocimiento.

2. Explique la Arquitectura de una solución de Business Intelligence.

Arquitectura de una solución de Business Intelligence

Una solución de Business Intelligence parte de los sistemas de origen de una
organización (bases de datos, ERPs, ficheros de texto...), sobre los que suele ser
necesario aplicar una transformación estructural para optimizar su proceso analítico.

Para ello se realiza una fase de extracción, transformación y carga (ETL) de datos.
Esta etapa suele apoyarse en un almacén intermedio, llamado ODS, que actúa como
pasarela entre los sistemas fuente y los sistemas destino (generalmente un
datawarehouse), y cuyo principal objetivo consiste en evitar la saturación de los
servidores funcionales de la organización.

La información resultante, ya unificada, depurada y consolidada, se almacenan en un

datawarehouse corporativo, que puede servir como base para la construcción de
distintos datamarts departamentales. Estos datamarts se caracterizan por poseer la
estructura óptima para el análisis de los datos de esa área de la empresa, ya sea
mediante bases de datos transaccionales (OLTP) o mediante bases de datos analíticas
(OLAP).
Los datos albergados en el datawarehouse o en cada datamart se explotan utilizando
herramientas comerciales de análisis, reporting, alertas... etc. En estas herramientas
se basa también la construcción de productos BI más completos, como los sistemas de
soporte a la decisión (DSS), los sistemas de información ejecutiva (EIS) y los cuadros
de mando (CMI) o Balanced Scorecard (BSC).

3. Explique los componentes de una solución Business Intelligence.

A continuación se resumen los componentes habituales de una solución de BI, que
básicamente están compuestos por las siguientes capas:

● Fuentes de datos: serán nuestros diversos sistemas OLTP, ficheros Excel,

ficheros planos, etc.

● Un Data Warehouse y/o diversos Data Marts: son las bases de datos ya

modeladas de forma multidimensional que se alimentan periódicamente

mediante procesos ETL.

● Sistemas OLAP y de minería de datos: que nos aportan una nueva fuente

de información que amplía la potencia de nuestros sistemas de BI.

● Herramientas analíticas y de presentación: que permiten al usuario de

negocio poder acceder a la información, compartirla y analizarla.

4. Diferencias entre Gestión del Conocimiento y Business Intelligence.
La información es uno de los activos más valiosos e importantes de las empresas. La
información tiene su origen en los datos. La conversión de datos en información se
realiza mediante el conocimiento.

El conocimiento es un proceso o serie de tareas lógicas relacionadas entre sí con la

finalidad de obtener un resultado útil. Este resultado es la información. La información
entre otras muchas características debe ser útil y valiosa.

El valor de la información tiene una relación directa con la utilidad que proporciona a los
responsables de las empresas para tomar decisiones en el cumplimiento de los objetivos
o finalidades de la organización, que en una empresa que aspira el liderazgo, son los que
están plasmados en el plan estratégico de la empresa.

El concepto de Business Intelligence.

● Business Intelligence (BI) es el proceso de acceder y explotar áreas específicas de

información, analizando la misma, desarrollando nuevas perspectivas y
conocimientos, y finalmente, aplicando los resultados a las decisiones
empresariales: La tecnología de Business Intelligence abarca consultas ad hoc,
reporting, sistemas de apoyo a la toma de decisiones (DSS, Decision support
system), GDSS, cuadros de mando (EIS, Executive information system), procesos
de análisis on-line (OLAP, on line analitycal process) y, a menudo, técnicas
estadísticas de análisis, sin olvidar, obviamente, el Data Warehouse, o almacén
corporativo de información .
● Business Intelligence (BI) tiene la misma finalidad que la Gestión del
Conocimiento, es decir ambos pretenden conseguir un mayor conocimiento y
entendimiento de la organización y su área de negocio. En la práctica se
diferencian claramente tanto por su objetivo como en el perfil de personas y
usuarios al que están orientados.

Diferencias entre Business Intelligence y Gestión del Conocimiento.

● (BI) se diferencia de la gestión del conocimiento (KM) en que ofrece una

aproximación más estructurada a la toma de decisiones, orientada a problemas
concretos y dirigida a la integración y análisis de información de áreas de
negocios concretas.
● La gestión del conocimiento (KM) es una disciplina que proporciona una
aproximación integradora en la creación, captura, organización, acceso y
utilización de los activos de información corporativos.
● La gestión del conocimiento ofrece una perspectiva no tan estructurada, pero sí
orientada a los contenidos y procesos y basada en la colaboración de las personas
y en la integración de fuentes de información muy dispares.

La principal diferencia entre Business Intelligence y la gestión del conocimiento es el

alcance de las actividades involucradas en cada área. La inteligencia empresarial se
centra únicamente en capturar datos, manipular los datos y analizar los datos. Mientras
que la gestión del conocimiento llevaría a cabo actividades de inteligencia de negocios al
mismo tiempo que persigue la creación de nuevos conocimientos.
Actividades de gestión del conocimiento e inteligencia empresarial:

Gestión del conocimiento Inteligencia de Negocio

1. Captura de datos
2. Organizar datos
3. Analiza datos
4. Datos agregados
5. Aplicar datos
6. Crear nuevos conocimientos
7. Dispersión del conocimiento
1. Captura de datos
2. Organizar datos
3. Analiza datos
4. Datos agregados
5. Aplicar datos
6. Sin acción equivalente !!!!!!
7. ¡No hay acción equivalente !!!!!!

Aunque los sistemas de KM y BI se utilizan para capturar o crear conocimiento, los

sistemas de KM abordan todo el ciclo de vida y generan conocimiento tácito y explícito,
mientras que los sistemas de BI se utilizan principalmente para capturar conocimientos y
generar conocimiento explícito.

5. Diferencias entre un Data Warehouse y una Base de Dato Tradicional

6. ¿Qué es un Data Warehouse?

La definición más generalizada y aceptada de un DW, es la que propuso Inmon (1996):
“Un DW, es una colección de datos orientados al tema, integrados, no volátiles e históricos,
cuyo objetivo es el de servir de apoyo en el proceso de toma de decisiones gerenciales.”
● Orientado a temas.- Los datos en la base de datos están organizados de manera que
todos los elementos de datos relativos al mismo evento u objeto del mundo real queden
unidos entre sí.
● Integrado.- La base de datos contiene los datos de todos los sistemas operacionales
de la organización, y dichos datos deben ser consistentes.
● No volátil.- La información no se modifica ni se elimina, una vez almacenado un dato,
éste se convierte en información de sólo lectura, y se mantiene para futuras consultas.
● Variante en el tiempo.- Los cambios producidos en los datos a lo largo del tiempo
quedan registrados para que los informes que se puedan generar reflejen esas
variaciones.

7. Propiedades de la Arquitectura de un Data Warehouse.

● Separación: el proceso analítico y transaccional deben mantenerse separados tanto
como sea posible.
● Escalabilidad: la arquitectura de un datawarehouse, tanto de hardware como de
software, debe ser fácil de actualizar a medida que crece el volumen de datos que debe
ser gestionado y procesado, así como el número de requisitos de los usuarios que
tienen que ser satisfechos.
● Extensibilidad: la arquitectura debería ser capaz de alojar nuevas aplicaciones y
tecnologías sin necesidad de revisar todo el sistema.
● Seguridad: monitorizar los accesos es esencial debido a los datos estratégicos que hay
almacenados en el data warehouse.
● Administrabilidad: la gestión del data warehouse no debería ser excesivamente difícil.

8. Concepto de DataMart.
En síntesis, se puede decir que los data marts son pequeños data warehouse centrados en
un tema o un área de negocio específico dentro de una organización.
Agregándole otra definición al Datamart.
Podremos decir que Según (Sinnexus, 2016) se trata de una base de datos departamental,
especializada en el almacenamiento de los datos de un área de negocio específica. Se
caracteriza por disponer la estructura óptima de datos para analizar la información al detalle
desde todas las perspectivas que afecten a los procesos de dicho departamento.

9. Diferencias entre Data Warehouse y Data Mart.

Data Warehouse:
Se trata del lugar donde toda la data de una compañía es almacenada. Consiste en un sistema
computarizado con una gran capacidad de almacenamiento, esencial para reunir y organizar la
información proveniente de los distintos departamentos de la organización.

Data Marts:
Esta herramienta se ocupa de almacenar información de un departamento o grupo de trabajo
específico. Funciona como una aplicación del Data Warehouse o una alternativa para empresas
medianas que no pueden afrontar los costos de implementar un sistema tan amplio de
almacenamiento de datos. Las Data Marts pueden ser dependientes o independientes del Data
Warehouse. Sin embargo, cabe mencionar que contar con sistemas independientes que no se
encuentren integrados entre sí puede dificultar las tareas de administración y mantenimiento.

10. Explique las ventajas y desventajas de los Data Mart.

Los datamarts que están dotados con estas estructuras óptimas de análisis presentan las
siguientes ventajas:
Poco volumen de datos
Mayor rapidez de consulta
Consultas SQL y/o MDX sencillas
Validación directa de la información
Facilidad para la historización de los datos

Desventajas:

1. No es muy útil para la toma de decisiones en tiempo real debido al largo tiempo de
procesamiento que puede requerir. En cualquier caso la tendencia de los productos
actuales (junto con los avances del hardware) es la de solventar este problema
convirtiendo la desventaja en una ventaja.
2. Requiere de continua limpieza, transformación e integración de datos.
3. Mantenimiento.
4. En un proceso de implantación puede encontrarse dificultades ante los diferentes
objetivos que pretende una organización.
5. Una vez implementado puede ser complicado añadir nuevas fuentes de datos.
6. Requieren una revisión del modelo de datos, objetos, transacciones y además del
almacenamiento.
7. Tienen un diseño complejo y multidisciplinar.
8. Requieren una reestructuración de los sistemas operacionales.
9. Tienen un alto coste.
10. Requieren sistemas, aplicaciones y almacenamiento específico.
11. Explique la arquitectura de un Data Mart.
Estrella o Copo de Nieve.
Se encuentra una tabla FACT -central- con todas las métricas que son los datos que nos
interesa analizar desde diferentes perspectivas y con diferentes filtros. Esta tabla posee en
general solo measures y FK’s para joinear con las tablas de dimensiones o LookUp, que
son aquellas otras tablas más estáticas, que añaden información a las measures, son
básicamente todos los filtros que quiero poder hacer.
Ej:
FACT_VENTAS (id_venta -PK-, importe, iva -métricas-, fk_fecha, fk_cliente, fk_sucursal,
fk_turno)
DIMENSION_CLIENTE (pk_dni, nombre, apellido, telefono,...)
DIMENSION_SUCURSAL (id_sucursal, codigo_postal, calle, numero…)
DIMENSION_TIEMPO (fecha, id_mes, nombre_mes, añomes, id_año)
DIMENSION_TURNO (id_turno, descripcion)

Este ejemplo es topologia estrella. Tabla Fact central y alrededor todas las dimensiones. Si
A la dimensión sucursal le agrego fk a una nueva tabla por ejemplo barrio, y de barrio
apunto a ciudad, y de ciudad a provincia, ahi pasa a ser una topología copo de nieve.

12. Defina Gestión de la Información

Gestión de la información (GI) es la denominación convencional de un conjunto de procesos por
los cuales se controla el ciclo de vida de la información, desde su obtención (por creación o
captura), hasta su disposición final (su archivo o eliminación). Tales procesos también
comprenden la extracción, combinación, depuración y distribución de la información a los
interesados. El objetivo de la gestión de la información es garantizar la integridad, disponibilidad y
confidencialidad de la información.

13. ¿Cuáles son las 3 (tres) corrientes en la Gestión de la Información?

Gestión de información orientada a las tecnologías: incluye la gestión de datos y la
gestión estratégica de las tecnologías de información. Esta corriente fue desarrollada
fundamentalmente por profesionales provenientes de las ciencias de la computación, la
informática y otras ingenierías. El énfasis principal se ubica en el uso eficiente de las
tecnologías de la información.
Gestión de información orientada a los contenidos y su uso: incluye la gestión
documental, el suministro de la información externa, la gestión de información centrada en
las personas y la gestión de recursos de información. Esta corriente fue desarrollada por los
profesionales de la bibliotecología y las ciencias de la información.
Gestión de información orientada a la toma de decisiones: comprende la función
estratégica de las tecnologías de la información y sus consecuencias en las funciones
gerenciales y el desempeño organizacional. Se realiza énfasis en el valor económico de la
información y su manifestación como mercancía. Fue desarrollada por profesionales de las
ciencias de la administración.
14. ¿Qué es un cubo OLAP o Hipercubos? Explique sus elementos.
OLAP es el acrónimo en inglés de procesamiento analítico en línea (On-Line Analytical
Processing). Es una solución utilizada en el campo de la llamada Inteligencia de negocios (o
Business Intelligence) cuyo objetivo es agilizar la consulta de grandes cantidades de datos. Para
ello utiliza estructuras de datos diversas, normalmente multidimensionales (o Cubos OLAP), que
contienen datos resumidos de grandes Bases de datos o Sistemas Transaccionales (OLTP). Se
usa en informes de negocios de ventas, marketing, informes de dirección, minería de datos y
áreas similares.
La razón de usar OLAP para las consultas es la rapidez de respuesta. Una base de datos
relacional almacena entidades en tablas discretas si han sido normalizadas. Esta estructura es
buena en un sistema OLTP pero para las complejas consultas multitabla es relativamente lenta.
Un modelo mejor para búsquedas (aunque peor desde el punto de vista operativo) es una base
de datos multidimensional.
La principal característica que potencia a OLAP, es que es lo más rápido a la hora de ejecutar
sentencias SQL de tipo SELECT, en contraposición con OLTP que es la mejor opción para
operaciones de tipo INSERT, UPDATE Y DELETE

Datamart OLAP
Se basan en los populares cubos OLAP, que se construyen agregando, según los
requisitos de cada área o departamento, las dimensiones y los indicadores necesarios de
cada cubo relacional. El modo de creación, explotación y mantenimiento de los cubos
OLAP es muy heterogéneo, en función de la herramienta final que se utilice.

15. Defina Sistemas de Apoyo a la Toma de Decisiones.

Un sistema de soporte a las decisiones (DSS - por sus siglas en inglés Decision Support
System) es un sistema de información que soporta actividades de toma de decisión
organizacional o de negocios. Su principal característica es su interfaz amigable con
capacidades de modelado.

Ayudan con problemas que cambian rápido y son difíciles de especificar hasta que se
presentan, estos son llamados problemas desestructurados o semi estructurados.

Pueden ser útiles a cualquier nivel organizacional, pero están orientados a niveles medios y
altos.

16. Mencione los beneficios de los Sistemas de Soporte a las Decisiones.

● Mejor uso de los datos
● Ahorro de costos
● Mejor toma de decisiones
● Respuesta rápida a situaciones inesperadas
● Ahorro de tiempo
● Mejora comunicación interna organizacional
 ● Incremento en creatividad en la toma de decisiones
● Habilidad para hacer análisis temporales
● Es adaptable por el usuario en el tiempo para lidiar con condiciones cambiantes.
● Los DSS avanzados permiten una solución eficaz y eficiente de problemas muy
complejos.
● Puede ser implantado para su uso en Web, en entornos de escritorio o en
dispositivos móviles

17. Explique los Tipos de Sistemas de Soporte a Decisiones.

Tipos según la información que manejan:
● Orientado a modelos: arman un modelo con datos, estos modelos pueden ser
consultados por otras herramientas o por ellos mismos. Preprocesan la información
para que sea más ágil al momento de consultarla.

● Orientado a datos: parecido al anterior, pero no arman un modelo sino que crean
nuevos datos resumidos, pero siempre tienen la opción de consultar el dato "crudo".

● Orientado a documentos: almacenan y procesan documentos, permitiendo ciertas

funcionalidades con su contenido. En su mayoría son sistemas que permiten
almacenar digitalmente documentos escaneados, interpretar su contenido y luego
dan la opción de búsquedas inteligentes sobre estos, o diferentes análisis
estadísticos.

● Orientado a conocimiento: KMS, knowledge management system. Permiten

organizar el conocimiento que se genera en una empresa (mediante estudios,
experiencias, formas de trabajo diferentes, etc) de modo que sea fácil de compartir y
consultar.

❏Sistemas de información gerencial (MIS)

Los sistemas de información gerencial (MIS, Management Information Systems), también
llamados Sistemas de Información Administrativa (AIS) dan soporte a un espectro más
amplio de tareas organizacionales, encontrándose a medio camino entre un DSS tradicional
y una aplicación CRM/ERP implantada en la misma compañía.

❏Sistemas de información ejecutiva (EIS)

Los sistemas de información ejecutiva (EIS, Executive Information System) son el tipo de
DSS que más se suele emplear en Business Intelligence, ya que proveen a los gerentes de
un acceso sencillo a información interna y externa de su compañía, y que es relevante para
sus factores clave de éxito.

❏Sistemas expertos basados en inteligencia artificial (SSEE)

Los sistemas expertos, también llamados sistemas basados en conocimiento, utilizan redes
neuronales para simular el conocimiento de un experto y utilizarlo de forma efectiva para
resolver un problema concreto. Este concepto está muy relacionado con el datamining.

❏Sistemas de apoyo a decisiones de grupo (GDSS)

Un sistema de apoyo a decisiones en grupos (GDSS, Group Decision Support Systems) es
"un sistema basado en computadoras que apoya a grupos de personas que tienen una
tarea (u objetivo) común, y que sirve como interfaz con un entorno compartido". El supuesto
en que se basa el GDSS es que si se mejoran las comunicaciones se pueden mejorar las
decisiones.

Ventajas:
Sistemas interactivos con resultados aplicables a los procesos de negocios.
Reportes personalizados, a la medida del ejecutivo
● Información expuesta en términos de negocios
● Visualización gráfica de los indicadores claves para los distintos procesos de la
empresa
● Facilita el proceso de toma de decisiones y por ende la productividad de la
organización

Desventajas:
● Falta de costumbre al utilizar un sistema para soportar el proceso de toma de
decisiones
● La responsabilidad al tomar una decisión puede diluirse
● Necesidad de mayor conocimiento de uso por parte del encargado de la toma de
decisiones
● Herramientas más costosas

19. ¿Dónde aplicaría un Sistema de Soporte a Decisiones?

Los DSS se pueden aplicar en la mayor parte de las industrias y funciones de negocios y
dar como resultado beneficios para la organización como los siguientes (Stair y Reynolds,
2000):

● Los administradores de universidades pueden utilizar un DSS para programar los

horarios en forma efectiva, las clases en los salones disponibles.
● Los datos sobre pronósticos de ventas, programas de trabajo y flujo de producción
alimentan al DSS de planeación de la producción para desarrollar un programa
detallado de la misma.
● En el área de inversiones, los planeadores financieros utilizan un DSS para
diversificar los fondos de un cliente entre un grupo apropiado de opciones de
inversión para minimizar el riesgo y aún proporcionar una tasa de rendimiento
adecuada sobre la inversión.
20. Concepto de Internet de las Cosas.
Es un concepto que se refiere a la interconexión digital de objetos con Internet, estos
utilizan sistemas embebidos, o lo que es lo mismo, hardware especializado que le permite
no solo la conectividad a Internet, sino que además programa eventos específicos en
función de las tareas que le sean dictadas remotamente.
Cada uno de los objetos conectados a Internet tiene una IP específica y mediante esa IP
puede ser accedido para recibir instrucciones. Así mismo, se puede contactar con un
servidor externo y enviar los datos.

21. Mencione 5 (cinco) aplicaciones de Internet de las Cosas.

▪ Medicina y deportes:
Monitorizar las condiciones de un paciente y diagnosticar problemas.
Recibir alertas de eventos potencialmente letales.
Uso de sensores para la recopilación de datos de salud y rendimiento de los atletas.

▪ Agricultura y ganadería:
Uso de sensores para detectar la humedad del suelo, la temperatura ambiente y el
pronóstico del tiempo.
Uso de la identificación por radiofrecuencia del ganado, lo que facilita el conteo y la
ubicación de los animales.

▪ Control ambiental:
Uso de sensores atmosféricos, meteorológicos, y sísmicos.

▪ Control de infraestructura urbana:

Control de semáforos, puentes, vías de tren, cámaras urbanas para monitorear el correcto
funcionamiento de sus estructuras.

▪ La industria de producción:
Uso de robots ensambladores, sensores de temperatura, control de producción para
controlar los procesos de fabricación.

22. Explique ventajas y desventajas de Internet de las Cosas.

Ventajas:

▪Velocidad de análisis de datos: Saber qué comprar en el supermercado, sin tener que
hacer una comprobación de lo que hay en la heladera.

▪Facilidad de seguimiento: Conocer la fecha de vencimiento de los productos antes de que

uno los consume mejora la seguridad y la calidad de vida.

▪Eficiencia y ahorro de tiempo: En lugar de repetir las mismas tareas todos los días, permite
a la personas a hacer otros trabajos.
▪Ahorro de dinero: Podemos recibir una alerta en caso de posibles cuellos de botella,
averías y daños en algún sistema.

▪Automatización de tareas: Automatizar y controlar las tareas que se realizan a diario,

evitando la intervención humana.

Desventajas:

▪Privacidad y seguridad: Toda la información debe ser cifrada para que los datos sobre tu
situación financiera o de salud quede protegida.

▪Compatibilidad: Todavía no hay un estándar para etiquetado y monitorización con

sensores. Es necesario desarrollar estándares como el USB o Bluetooth es necesario.

▪Complejidad: Existen muchos riesgos de “mal funcionamiento” con estos sistemas tan
complejos.

▪Pérdida de empleo: Los trabajadores no calificados y ayudantes pueden llegar a perder sus
puestos de trabajo como efecto de la automatización de las actividades diarias.

▪La tecnología toma el control de nuestras vidas. Nuestras vidas serán controladas cada vez
más por la tecnología, y seremos dependiente de ella.

23. Concepto de Big Data

Big Data se refiere a los conjuntos de datos cuyo tamaño está más allá de las capacidades
de las herramientas típicas de software de bases de datos para capturar, almacenar,
gestionar y analizar. Hablamos de Big Data cuando los volúmenes superan la capacidad del
software habitual para ser manejados y gestionados. Identificamos al Big data a través de
las tres 'Vs':Volumen, Variedad y Velocidad(3Vs).

24. Componente de una plataforma Big Data

Para analizar enormes cantidades de información tenemos se posee la plataforma de
código abierto Hadoop.
Hadoop está inspirado en el proyecto de Google File System(GFS) y en el paradigma de
programación MapReduce, el cual consiste en dividir en dos tareas (mapper – reducer) para
manipular los datos distribuidos a nodos de un clúster logrando un alto paralelismo en el
procesamiento.[5] Hadoop está compuesto de tres piezas: Hadoop Distributed File System
(HDFS), Hadoop MapReduce y Hadoop Common.

Hadoop Distributed File System(HDFS)

Los datos en el clúster de Hadoop son divididos en pequeñas piezas llamadas bloques y
distribuidas a través del clúster; de esta manera, las funciones map y reduce pueden ser
ejecutadas en pequeños subconjuntos y esto provee de la escalabilidad necesaria para el
procesamiento de grandes volúmenes.

Hadoop MapReduce
MapReduce es el núcleo de Hadoop. El término MapReduce en realidad se refiere a dos
procesos separados que Hadoop ejecuta. El primer proceso map, el cual toma un conjunto
de datos y lo convierte en otro conjunto, donde los elementos individuales son separados en
tuplas (pares de llave/valor). El proceso reduce obtiene la salida de map como datos de
entrada y combina las tuplas en un conjunto más pequeño de las mismas.

Hadoop Common
Hadoop Common Components son un conjunto de librerías que soportan varios
subproyectos de Hadoop. Contiene los archivos .jar y los scripts necesarios para ejecutar
Hadoop

25. Ventajas de utilizar Big Data

● Convertir los datos en información que facilita la toma de decisiones en tiempo real
● Entender el perfil, las necesidades y el sentir de sus clientes respecto a los
 productos y/o servicios.
● Búsqueda de tendencias dentro de los datos permiten que las empresas se muevan
mucho más rápidamente
● Identificar nuevas oportunidades, producto o servicios
● Reducción de costos

26. Riesgos de utilizar Big Data.

a. DESCUBRIMIENTO DE PATRONES
Los grandes volúmenes de datos pueden descubrir patrones que ninguna información
individual revelaría. Por ejemplo, en China hay relaciones muy estrechas entre las
empresas de Big Data y el gobierno, se ayudan y se pasan información mutuamente.
b. FALTA DE PRIVACIDAD
El almacenamiento en la nube de archivos enviados a través de WhatsApp, el acceso a
redes sociales, comprar por Internet o simplemente el envío de correos electrónicos
necesitan un buen rendimiento del Big Data para funcionar. Sin embargo, todo este
almacenamiento de datos amenaza a nuestra privacidad. Al final nosotros somos el
producto, y se comercializa con nuestros datos.
El mundo Big Data puede convertirse en lo que era la Alemania Oriental, que montaba cámaras e
intervenía los teléfonos para espiar a sus ciudadanos. El temor es fundado – los gobiernos y las
empresas reúnen constantemente datos sobre todo el mundo –, pero erróneo en otros sentidos
importantes: los Estados totalitarios valuaban los datos por su propósito principal de obtener pruebas
que incriminaran mediante la intervención de los teléfonos, por ejemplo. En un régimen Big Data, el
valor y la amenaza provienen de los usos secundarios de los datos, pues las leyes actuales sobre la
privacidad ya no abarcan esa amenaza. Antes era muy fácil mantenerse en el anonimato; en el
mundo Big Data, el anonimato ya sólo es temporal y siempre deja rastros.
c. COMPRAMOS MÁS
El hecho de que los productos y campañas de Marketing estén segmentados y
personalizados según perfiles y preferencias de los consumidores, al final conlleva un
mayor consumo. Esto se debe a que las compañías, a través del análisis de los datos, nos
ofrecen los productos que nos gustan. Incluso en algunos casos se anticipan a nuestra
búsqueda de estos productos y nos los ofrecen ellos. Por ejemplo, Amazon recopila todos
los datos de búsquedas de productos y compras de cada usuario. Más tarde crea un
algoritmo con sus preferencias y ofrece productos que posiblemente le vayan a gustar.
c. MAYOR CANTIDAD NO SIGNIFICA MAYOR CALIDAD DE DATOS
Por ejemplo, aunque uno puede encontrar innumerables opiniones políticas en las
redes sociales, estas no representan de manera fiable a los votantes. De hecho, una
parte sustancial de los tuits y mensajes de Facebook sobre política son generados
por computadores.