INSTITUTO POLITÉCNICO NACIONAL

ESIME ZACATENCO

MATERIA: PROGRAMACIÓN ORIENTADA A

OBJETOS

ACTIVIDAD 6 : “CIENCIA DE DATOS”

ALUMNO: SALAS LEDESMA ALDO

GRUPO: 2CV2

FECHA DE ENTREGA: 23/04/2023

CALIFICACIÓN:_______________________
 BIG DATA

DEFINICIÓN DE BIG DATA:

El término “Big data” abarca datos que contienen una
mayor variedad y que se presentan en volúmenes
crecientes y a una velocidad superior. Esto también se
conoce como “las tres V”.

Dicho de otro modo, el big data está formado por

conjuntos de datos de mayor tamaño y más complejos,
especialmente procedentes de nuevas fuentes de
datos. Estos conjuntos de datos son tan voluminosos
que el software de procesamiento de datos
convencional sencillamente no puede gestionarlos. Sin
embargo, estos volúmenes masivos de datos pueden
utilizarse para abordar problemas empresariales que
antes no hubiera sido posible solucionar.
EJEMPLO DE BIG DATA:
El big data puede ayudarle a abordar una serie de
actividades empresariales, desde la experiencia de
cliente hasta la analítica, por ejemplo:
Desarrollo de productos: Empresas como Netflix y
Procter & Gamble usan big data para prever la
demanda de los clientes. Construyen modelos
predictivos para nuevos productos y servicios
clasificando atributos clave de productos anteriores y
actuales, y modelando la relación entre dichos
atributos y el éxito comercial de las ofertas. Además,
P&G utiliza los datos y el análisis de grupos de interés,
redes sociales, mercados de prueba y avances de
salida en tiendas para planificar, producir y lanzar
nuevos productos.
Mantenimiento predictivo: Los factores capaces de
predecir fallos mecánicos pueden estar profundamente
ocultos entre datos estructurados, como año, marca o
modelo del equipo, o entre datos no estructurados que
cubren millones de entradas de registros, datos de
sensores, mensajes de error y temperaturas de motor.
Al analizar estos indicadores de problemas potenciales
antes de que estos se produzcan, las organizaciones
pueden implantar el mantenimiento de una forma más
rentable y optimizar el tiempo de servicio de
componentes y equipos.
CAMPO DE APLICACIÓN DE BIG DATA:
Aplicaciones que usan Big Data podemos emplearlas
básicamente en cualquier sector, puesto que el análisis
de datos puede aportar información muy valiosa, tanto
al ámbito privado como al público.

Por ejemplo, si una tienda online conoce a qué horas

es más probable que sus clientes hagan compras,
podrá crear una estrategia de comunicaciones de
ofertas personalizadas en torno a esos horarios. O a
través del estudio de los datos los delitos que se
cometen en una ciudad, es posible crear estrategias
destinadas a reducir el crimen basadas en las
conclusiones extraídas de los datos.
Big Data aplicado a la Seguridad informática
La ciberseguridad también puede sacar partido de las
aplicaciones del Big Data, puesto que gracias al
análisis inteligente de datos es posible establece
posibles relaciones ocultas, detectar patrones de
conducta y prevenir amenazas a la seguridad. No solo
hablamos de predecir y prevenir ataques en base a la
información extraída de los datos, sino también
prevenir el fraude gracias a la comprobación en tiempo
real del historial de una cuenta, lo que puede ayudar a
detectar el comportamiento anómalo de un usuario o
una transacción sospechosa.
La información que aporta el Big Data en el sector de
la seguridad informática gracias al análisis del tráfico
de la red puede ayudar a descubrir amenazas y
prevenir ataques de hackers, el espionaje industrial, el
fraude cibernético e incluso el ciberterrorismo. En este
caso, podemos decir que el análisis de datos masivos
puede ayudar a salvar vidas cuando se evita el
ciberataque a sistemas e infraestructuras críticas.
 MINERÍA DE DATOS

DEFINICIÓN DE MINERÍA DE DATOS:

La minería de datos es el proceso de extraer
información útil de una acumulación de datos, a
menudo de un almacén de datos o de la recopilación
de conjuntos de datos vinculados. Las herramientas de
minería de datos incluyen potentes capacidades
estadísticas, matemáticas y analíticas cuyo objetivo
principal es examinar grandes conjuntos de datos para
identificar tendencias, patrones y relaciones para dar
soporte a la toma de decisiones fundamentada y a la
planificación.
EJEMPLO DE MINERÍA DE DATOS:
La capacidad predictiva del data mining o minería de
datos ha cambiado el diseño de las estrategias
empresariales. Ahora se puede entender el presente
para anticiparse al futuro. Estos son algunos ejemplos
de data mining en la industria actual:
Banca. Los bancos recurren a la minería de datos para
entender mejor los riesgos del mercado. Es habitual
que se aplique a la calificación crediticia (rating) y a
sistemas inteligentes antifraude para analizar
transacciones, movimientos de tarjetas, patrones de
compra y datos financieros de los clientes. El data
mining también permite a la banca conocer más sobre
nuestras preferencias o hábitos en internet para
optimizar el retorno de sus campañas de marketing,
estudiar el rendimiento de los canales de venta o
gestionar las obligaciones de cumplimiento de las
regulaciones.
Medicina. La minería de datos favorece diagnósticos
más precisos. Al contar con toda la información del
paciente: historial, examen físico y patrones de
terapias anteriores. Se pueden prescribir tratamientos
más efectivos. También posibilita una gestión más
eficaz, eficiente y económica de los recursos sanitarios
al identificar riesgos, predecir enfermedades en ciertos
segmentos de la población o pronosticar la duración
del ingreso hospitalario. Detectar fraudes e
irregularidades y estrechar vínculos con los pacientes
al ahondar en el conocimiento de sus necesidades son
también ventajas de emplear el data mining en
medicina.
Televisión y radio. Hay cadenas que aplican la minería
de datos en tiempo real a sus registros de audiencia
en televisión online y radio. Estos sistemas recaban y
analizan sobre la marcha información anónima de las
visualizaciones, las retransmisiones y la programación
de los canales. Gracias al data mining se pueden
emitir recomendaciones personalizadas a los
radioyentes y telespectadores, conocer en directo sus
intereses y su actividad, y entender mejor su conducta.
CAMPO DE APLICACIÓN DE MINERÍA DE DATOS:
Dentro del campo de la minería de datos, las
aplicaciones más extendidas son las siguientes:
Análisis de datos financieros: se emplea tanto en el
sector bancario como en el de las finanzas. Se busca
proveer datos que aseguren que es posible practicar
análisis sistemáticos en condiciones avanzadas y con
garantías de fiabilidad. Algunos ejemplos son:
Diseño y construcción de almacenes de datos para el
análisis multidimensional de datos.
Predicción de pago de préstamos y análisis de
políticas de crédito de cliente.
Clasificación y el agrupamiento de los clientes para la
creación de ofertas personalizadas.
Detección de blanqueamiento de dinero y otros delitos
financieros.
 CIENCIA DE DATOS:

DEFINICIÓN DE CIENCIA DE DATOS:

La ciencia de datos es el estudio de datos con el fin de
extraer información significativa para empresas. Es un
enfoque multidisciplinario que combina principios y
prácticas del campo de las matemáticas, la estadística,
la inteligencia artificial y la ingeniería de computación
para analizar grandes cantidades de datos. Este
análisis permite que los científicos de datos planteen y
respondan a preguntas como “qué pasó”, “por qué
pasó”, “qué pasará” y “qué se puede hacer con los
resultados”.
La ciencia de datos es importante porque combina
herramientas, métodos y tecnología para generar
significado a partir de los datos. Las organizaciones
modernas están inundadas de datos; hay una
proliferación de dispositivos que pueden recopilar y
almacenar información de manera automática. Los
sistemas en línea y los portales de pago capturan más
datos en los campos del comercio electrónico, la
medicina, las finanzas y cualquier otro aspecto de la
vida humana. Disponemos de grandes cantidades de
datos de texto, audio, video e imágenes.
EJEMPLO DE CIENCIA DE DATOS:
La ciencia de datos se utiliza para estudiar los datos
de cuatro maneras principales:

1. Análisis descriptivo
El análisis descriptivo examina los datos para obtener
información sobre lo que ha ocurrido u ocurre en el
entorno de datos. Se caracteriza por las
visualizaciones de datos, como los gráficos circulares,
de barras o líneas, las tablas o las narraciones
generadas. Por ejemplo, un servicio de reserva de
vuelos registra datos como el número de billetes
reservados cada día. El análisis descriptivo revelará
los picos y las caídas de las reservas, así como los
meses de alto rendimiento del servicio.

2. Análisis de diagnóstico
El análisis de diagnóstico es un examen profundo o
detallado de datos para entender por qué ha ocurrido
algo. Se caracteriza por técnicas como el análisis
detallado, el descubrimiento y la minería de datos o las
correlaciones. Se pueden llevar a cabo varias
operaciones y transformaciones de datos en un
determinado conjunto con el fin de descubrir patrones
únicos en cada una de estas técnicas. Por ejemplo, el
servicio de vuelos podría hacer el análisis detallado de
un mes con un rendimiento particularmente alto para
entender mejor el pico de reservas. Esto puede revelar
que muchos clientes visitan una determinada ciudad
para asistir a un evento deportivo mensual.

3. Análisis predictivo
El análisis predictivo utiliza los datos históricos para
hacer previsiones precisas sobre los patrones de datos
que pueden producirse en el futuro. Se caracteriza por
técnicas como el machine learning, la previsión, la
coincidencia de patrones y el modelado predictivo. En
cada una de estas técnicas, se entrena a las
computadoras para aplicar ingeniería inversa a las
conexiones de causalidad en los datos. Por ejemplo, el
equipo de servicios de vuelo podría utilizar la ciencia
de datos para predecir los patrones de reserva de
vuelos del año siguiente al inicio de cada año. El
programa o algoritmo de la computadora pueden
examinar datos anteriores y predecir picos de reservas
de determinados destinos en mayo. Al anticiparse a las
futuras necesidades de viaje de los clientes, la
empresa podría empezar desde febrero a hacer
publicidad específica para esas ciudades.

4. Análisis prescriptivo
El análisis prescriptivo lleva los datos predictivos al
siguiente nivel. No solo predice lo que es probable que
ocurra, sino que sugiere una respuesta óptima para
ese resultado. Puede analizar las posibles
implicaciones de las diferentes alternativas y
recomendar el mejor curso de acción. Utiliza el análisis
de gráficos, la simulación, el procesamiento de
eventos complejos, las redes neuronales y los motores
de recomendación del machine learning.

CAMPO DE APLICACIÓN DE CIENCIA DE DATOS:

La ciencia de datos revoluciona el modo en que
operan las empresas. Muchas empresas,
independientemente de su tamaño, necesitan una
sólida estrategia de ciencia de datos para impulsar el
crecimiento y mantener una ventaja competitiva.
Algunos beneficios clave son:
Descubrir patrones desconocidos de transformación
La ciencia de datos permite a las empresas descubrir
nuevos patrones y relaciones con el potencial de
transformar la organización. Puede revelar cambios de
bajo coste en la administración de recursos para
obtener el máximo impacto en los márgenes de
beneficio. Por ejemplo, una empresa de comercio
electrónico utiliza la ciencia de datos para descubrir
que se generan demasiadas consultas de clientes
fuera del horario comercial. Las investigaciones
revelan que es más probable que los clientes compren
si reciben una respuesta rápida en lugar de una
respuesta al día siguiente. Al implementar un servicio
de atención al cliente las 24 horas del día, los 7 días
de la semana, la empresa aumenta sus ingresos en un
30 %.

Innovar con nuevos productos y soluciones

La ciencia de datos puede revelar lagunas y problemas
que de otro modo pasarían desapercibidos. Mejor
información sobre las decisiones de compra, los
comentarios de los clientes y los procesos
empresariales puede impulsar la innovación en las
operaciones internas y las soluciones externas. Por
ejemplo, una solución de pago en línea utiliza la
ciencia de datos para cotejar y analizar los
comentarios que hacen los clientes sobre la empresa
en redes sociales. Los análisis revelan que los clientes
olvidan las contraseñas durante los periodos de pico
de compra y que no están satisfechos con el actual
sistema de recuperación de contraseñas. La empresa
puede innovar para obtener una mejor solución y ver
un aumento significativo en la satisfacción del cliente.

Optimización en tiempo real

Para las empresas, en especial las grandes, es un
gran reto responder en tiempo real a las condiciones
cambiantes. Esto puede causar importantes pérdidas o
interrupciones en la actividad empresarial. La ciencia
de datos puede ayudar a las empresas a predecir los
cambios y reaccionar de forma óptima ante las
distintas circunstancias. Por ejemplo, una compañía de
envíos que use camiones utiliza la ciencia de datos
para reducir el tiempo de inactividad si los camiones se
rompen. Identifican las rutas y los patrones de turnos
que propician averías más rápidas y ajustan los
horarios de los camiones. Además, crean un inventario
de piezas de repuesto comunes que se necesitan
sustituir con frecuencia para que los camiones se
puedan reparar con mayor rapidez.
 BIG DATA (EN MIS PROPIAS PALABRAS)
Yo entiendo por Big Data que es lo que las empresas
quieren saber de una persona, grupos de personas o
de interés a través de nuestra actividad en internet. Es
el análisis de datos a niveles masivos que no se puede
tratar de maneras tradicionales. El objetivo de los
datos se traduce en la toma de decisiones, todo esto
con un fin empresarial, pero esto se traduce a muchos
otros ámbitos como políticos, de seguridad, etc.

MINERÍA DE DATOS ( EN MIS PROPIAS

PALABRAS)
La minería de datos permite explorar bases de datos
con el fin de con el fin de encontrar patrones que
expliquen los datos en un determinado contexto.
Utiliza matemáticas avanzadas para llevarlo a cabo y
tiene 4 etapas principales.
Básicamente transforma datos en bruto para obtener
datos que sean de ayuda es decir de conocimiento
prático.
 CIENCIA DE DATOS (EN MIS PROPIAS
PALABRAS)

La ciencia de datos combina matemáticas y

estadísticas, programación especializada, analítica
avanzada, inteligencia artificial y machine learning con
experiencia en distintas materias para descubrir
insights accionables ocultos en los datos de una
organización. Estos insights se pueden utilizar como
guía para la toma de decisiones y la planificación
estratégica.