INDICE

1.ECO-GESTIÓN INTELIGENTE DE TALADRINAS EN OPERACIONES DE MECANIZADO 2

2.OBJETIVOS...................................................................................................................................3
2.1 GENERAL:..................................................................................................................................3
2.2 ESPECIFICO:..............................................................................................................................3
2.1INTRODUCCION........................................................................................................................4
3.MARCO TEORICO........................................................................................................................6
3.1TALADRINA EN PROCESOS DE MAQUINADO.....................................................................6
3.2MODELO DE MANTENIMIENTO.............................................................................................7
3.3IMPLEMENTAR EL BIG DATA EN UN PROCESO DE MANTENIMIENTO..........................9
3.4ELIMINACIÓN DE PARTÍCULAS FÉRRAICAS.....................................................................10
3.5 Medida de la constante dieléctrica........................................................................................11
3.6MACHINE LEARNING.............................................................................................................12
Big Data y Machine Learning aplicado a la empresa...................................................................12
3.7BIGDATA...................................................................................................................................13
1.ECO-GESTIÓN INTELIGENTE DE TALADRINAS EN OPERACIONES
DE MECANIZADO

El análisis de lubricantes (taladrina) es una de las tareas que no pueden faltar dentro
del plan de mantenimiento predictivo de una planta industrial. Los fluidos refrigerantes y
lubricantes juegan un papel clave en el proceso de mecanizado. Disponer de un modelo de
comportamiento de las taladrinas, que se anticipe a la aparición de problemas malos olores
y presencia de microorganismos, corrosión en máquina o en piezas, acabado superficial
defectuoso. 
En el desarrollo de esta Cuarta Revolución Industrial, hay tecnologías que están siendo
claves para optimizar los procesos industriales permitiendo que estos sean más eficientes.
La digitalización a través de sistemas de información y sensores (big data), está
otorgando nuevas ventajas a la fabricación de productos.
Para mejorar el proceso de análisis de lubricantes se pretende diseñar y desarrollar una
solución innovadora que modelizará el comportamiento de las taladrinas y sus relaciones
con las condiciones del entorno (temperatura, humedad, viscosidad) y las variables de
máquina (velocidad de giro, material procesado, consumo energético, degradación),
permitiendo actuar sobre las mismas con garantías. Esta supervisión inteligente es fruto de
la incorporación de modelos capaces de aprender para adaptarse al problema, patrones de
comportamiento y elaboración de predicciones mejor conocido como (C) y de la toma e
integración de datos cuantitativos/cualitativos y complejos de distintas fuentes (Big Data):
estado de los fluidos en situaciones y momentos diversos, condiciones ambientales y el
estado de la máquina. Se desarrollarán dos modalidades de la solución, para adaptarse a las
diferentes circunstancias de los potenciales usuarios: embebida en máquina para nuevas
adquisiciones o como accesorio modular, para máquinas ya operativas, facilitando su
gestión interna o por terceros.
La implantación de la monitorización y gestión avanzada de operaciones en máquinas
inteligentes representará una revolución de la producción en términos de innovación, ahorro
de costes y tiempo. La supervisión de las operaciones en la producción inteligente en
máquinas traerá consigo numerosas ventajas sobre la producción y fabricación
convencional traduciéndose en mejoras en la flexibilidad, productividad y sostenibilidad.
 2.OBJETIVOS

2.1 GENERAL: Diseñar y desarrollar una solución innovadora que modelice

el comportamiento de las taladrinas y sus relaciones con las condiciones del entorno y las
variables de máquina, permitiendo actuar sobre las mismas con garantías.

2.2 ESPECIFICO:
1. Proponer una herramienta de supervisión inteligente con modelos capaces de
aprender para adaptarse al problema
2. Detectar las necesidades y expectativas de los mecanizadores para gestionar de
manera eficiente y sostenible un elemento imprescindible en su labor, como es la
taladrina.
3. Reconstruir el modelo tradicional de mantenimiento preventivo por uno que se
anticipe a la aparición de problemas.
 2.1INTRODUCCION

Piensa en una máquina capaz de adelantar sus necesidades futuras, solicitar una pieza o
analizar el lubricante que usa.
El mantenimiento predictivo ha evolucionado en los últimos años gracias a la incorporación
de nuevas aplicaciones tecnológicas y a la importancia del análisis avanzado de datos con
técnicas de inteligencia artificial (IA).
Estos avances ofrecen nuevos beneficios al sector industrial, como la posibilidad de
establecer parámetros para mediciones automatizadas de las características de los
lubricantes, con toda la importancia que tiene esta tarea para el día a día de una planta
industrial.

Los fluidos refrigerantes y lubricantes (“taladrinas”) juegan un papel clave en el proceso de

mecanizado. Disponer de un modelo de comportamiento de las taladrinas, que se anticipe a
la aparición de problemas (malos olores y presencia de microorganismos, corrosión en
máquina o en piezas, acabado superficial defectuoso…) puede suponer para las empresas
que realizan mecanizado un importante aumento de su eficiencia/competitividad, un
considerable ahorro económico y una significativa reducción de su impacto
medioambiental.
Cuando un lubricante pierde propiedades, pone en riesgo al equipo. Si el aceite está
degradado, no hace bien su función y esto provoca que la fricción aumente, exponiendo a
los equipos a sufrir averías por el desgaste de sus componentes (pistones, rodamientos,
cojinetes)
En cuanto a la presencia de contaminantes, estos pueden ser líquidos o sólidos y de origen
interno o externo. Entre las causas internas, está el desgaste de piezas y la generación de
partículas como el hollín en motores diésel; o formadas por un fallo en el sistema de
filtrado; o una fuga en el sistema de refrigeración por agua, que se mezclará con el
lubricante.
Entre los factores de contaminación externa, encontramos la humedad, el polvo o el relleno
con aceites inapropiados que reaccionen químicamente con los materiales de los equipos,
generando sólidos que pueden provocar fallos en la maquinaria.

El objetivo es diseñar y desarrollar una solución innovadora que modelice el

comportamiento de las taladrinas y sus relaciones con las condiciones del entorno y las
variables de máquina, permitiendo actuar sobre las mismas con garantías. Esta supervisión
inteligente es fruto de la incorporación de modelos capaces de aprender para adaptarse al
problema (Machine Learning) y de la toma e integración de datos heterogéneos y
complejos de distintas fuentes (Big Data): estado de los fluidos en situaciones y momentos
diversos, condiciones ambientales y el estado de la máquina.

Se desarrollarán dos modalidades de la solución, para adaptarse a las diferentes

circunstancias de los potenciales usuarios: embebida en máquina para nuevas adquisiciones
o como accesorio modular, para máquinas ya operativas, facilitando su gestión interna o
por terceros.

La implantación de la monitorización y gestión avanzada de operaciones en máquinas

inteligentes representará una revolución de la producción en términos de innovación, ahorro
de costes y tiempo. La supervisión de las operaciones en la producción inteligente en
máquinas traerá consigo numerosas ventajas sobre la producción y fabricación
convencional traduciéndose en mejoras en la flexibilidad, productividad y sostenibilidad.

Así, el resultado del proyecto es una solución inteligente que se adapta a las necesidades y
expectativas de los mecanizadores para gestionar de manera eficiente y sostenible un
elemento imprescindible en su labor, como es la taladrina. Por otra parte, esta solución de
mantenimiento preventivo permitirá seguir avanzado en el diseño y desarrollo de máquinas
herramienta de alta tecnología que contribuyan a la transición ecológica y digital del sector
industrial y en la implementación de servicios avanzados de gestión inteligente de
lubricantes.
¿Qué ventajas tiene el análisis de lubricantes para el mantenimiento predictivo?
Incluir el análisis de lubricantes en el plan de mantenimiento predictivo permite:

1. Prolongar la vida útil de aceites y grasas y sustituirlos cuando sea realmente

necesario y ya no puedan cumplir su función.
2. Reducir las averías de los equipos y ahorrar en el mantenimiento de piezas, dado
que podemos saber cuándo el lubricante no está bien y evitar el deterioro de
componentes o averías. 
3. Anticipar problemas y, por tanto, evitar paradas inesperadas de planta con los
consecuentes problemas económicos que acarrea.
4. Optimizar los presupuestos para la compra de lubricantes porque los cambios se
harán cuando sean estrictamente necesarios.
5. Aumentar la productividad, dado que el personal responsable del mantenimiento de
la maquinaria podrá dedicar más tiempo a otras tareas de mayor valor para la
empresa.
 3.MARCO TEORICO

En el análisis de lubricantes para el mantenimiento predictivo de la maquinaria, es importante

establecer una serie de indicadores a medir para que el seguimiento sea efectivo. Los parámetros
más habituales son los siguientes:

 Viscosidad, que se relaciona con la capacidad de lubricación del aceite.

 Medida de la constante dieléctrica, que determina el nivel de degradación y contaminación
del lubricante.
 Humedad que nos permite detectar si hay contaminación por agua.
 Presencia de partículas férricas porque alertan sobre el desgaste de los equipos.
 Medida de la constante dieléctrica, que determina el nivel de degradación

3.1TALADRINA EN PROCESOS DE MAQUINADO

Partiendo de esto podemos evaluar cada factor, la universidad autónoma de baja califórnia
nos dices que el uso de la taladrina en los procesos de maquinado en la industria metálica de
Mexicali es de gran relevancia por su funcionalidad de reducir la fricción entre los metales de
maquinado (material de maquinado a procesar y herramienta de maquinado). Este proceso de
fabricación se genera en un material metálico del que se obtiene un óptimo acabado de una
superficie metálica y ayuda en gran medida a alargar la vida útil de las herramientas de la cortadora
CNC. En esta investigación se consideraron tres fases en su desarrollo, siendo la primera etapa, una
evaluación detallada del uso de la taladrina (diaria, semanal, mensual, estacional y anual), utilizada
en un proceso de maquinado de una máquina CNC de un 40%una industria metalmecánica ubicado
en la ciudad de Mexicali. En esta fase, se observó un uso considerable de taladrina, de hasta un 40%
de más, ocasionando una gran preocupación del personal gerencial, administrativo y de supervisión
por un 25% de gastos extra de gastos económicos; cuyo objetivo de esta investigación, fue la de
reducir tanto el uso de taladrina como gastos económicos.  La segunda etapa consistió en un análisis
de las propiedades fisicoquímicas de la taladrina (viscosidad, y pH), en periodos de cada ocho horas
y comparadas con las especificaciones del fabricante para determinar su funcionalidad óptima en el
proceso de maquinado. Los análisis fisicoquímicos mostraron que la taladrina con un proceso de
recuperación de manera eficiente, podría ser reutilizada, logrando hasta un 80% de recuperación
con el proceso propuesto en esta investigación, para su reúso con un funcionamiento óptimo, para
lograr un ahorro uso de taladrina y gastos económicos.  La tercera etapa fue un análisis de
simulación con el software MatLab utilizando el proceso con Simulink y el algoritmo PID (P-
Proporcional, I-Integral, D-Derivativo), para determinar las características fisicoquímicas óptimas
de la taladrina, evaluando su viscosidad, pH y temperatura en períodos diarios.
Reyes, M. M. (2022). Análisis de correlación del tiempo de vida de taladrina usada en maquina CNC y productividad en

industria metalmecánica de Mexicali. Dialnet. https://dialnet.unirioja.es/servlet/articulo?codigo=8723903

3.2MODELO DE MANTENIMIENTO

Se planea desarrollar un programa autónomo que sea capaz de medir los cambios dentro de
la maquina asignando valores bace para así controlar el mantenimiento, Mónica Gonzales
explica de qué manera podríamos hacer esto., El primer modelo que se desarrolló en este
proyecto tiene como finalidad anticipar o predecir las posibles averías de una máquina
industrial partiendo del análisis de datos procedentes de distintos sensores que monitorizan
el estado del equipo. Este tipo de aplicaciones se conocen como mantenimiento predictivo,
PdM o, Predictive Maintenance, y está cobrando cada vez más importancia en las empresas,
pues busca maximizar la utilización de activos y minimizar los costos operativos. La
mayoría de las empresas confían en el mantenimiento correctivo, donde las piezas se
reemplazan cuando fallan. El mantenimiento correctivo garantiza que las piezas se utilicen
por completo y, por tanto, no desperdicia la vida útil de los componentes, pero le cuesta a la
empresa tiempo de inactividad, mano de obra y requisitos de mantenimiento no
programados fuera de horario laboral o en ubicaciones inconvenientes. Por otro lado, el
mantenimiento preventivo determina la vida útil de una pieza, y la mantiene o reemplaza
antes de una avería. El mantenimiento preventivo evita averías no programadas y
catastróficas. Pero los altos costos del tiempo de inactividad programado, la infrautilización
del componente antes del final de su vida útil y la mano de obra aún siguen siendo grandes
hándicaps. El objetivo del PdM es optimizar el equilibrio entre el mantenimiento correctivo
y el preventivo, al permitir el reemplazo justo a tiempo de los componentes. Este enfoque
sólo reemplaza esos componentes cuando están cerca de una avería. Al extender la vida útil
de los componentes, en comparación con el mantenimiento preventivo, reducir el
mantenimiento no programado y los costes laborales por encima del mantenimiento
correctivo, las empresas pueden obtener ahorros y ventajas competitivas, Se facilitó un data
set de más de 5.000 muestras de sensores de distintos tipos que clasificamos en dos
categorías: • Medioambientales: temperatura y presión. • Parámetros eléctricos: intensidad,
tensión, potencia activa, potencia reactiva, potencia aparente, frecuencia y cos phi en cada
una de las fases, puesto que la máquina es trifásica. Cada muestra dispone de un valor de
cada uno de los sensores y un campo, a mayores, donde se indica la fecha y hora de la
muestra. La frecuencia de muestreo es de una hora, y los datos abarcan casi nueve meses de
funcionamiento de la máquina. Cada muestra indica si la máquina está, o no, averiada, con
un uno o un cero respectivamente. En el data set detectamos quince averías, es decir, quince
ráfagas de unos. Nos encontramos con varios problemas a la hora de analizar el conjunto de
datos. Enumero los más destacables: • Hay períodos de distinta duración, que van desde
horas hasta las dos semanas, donde no hay disponibles datos. El período de dos semanas se
corresponde a la parada anual de la fábrica, pero en los otros períodos se desconoce el
motivo. • Ni se ofrece información sobre el rango de funcionamiento de los sensores ni de
las unidades de medida. Tampoco si los valores de distintos sensores del mismo tipo están
en las mismas unidades. Por ejemplo, uno de los sensores de temperatura registra medidas
en un rango de medidas positivas a medidas negativas durante unos días, el resto de días
muestra sólo valores positivos. Desconocemos si es debido a un mal funcionamiento del
sensor. • No disponemos de un identificador de avería que nos permita saber si la avería que
presenta la máquina en una muestra es la misma que la de la hora siguiente. Sucede,
igualmente, con averías que se producen en días consecutivos, o en períodos muy
próximos. El criterio que se ha seguido es considerar que las averías en horas consecutivas
son la misma, mientras que las que no lo son, se tratan como una avería distinta. • Se
desconoce por completo cualquier dato relativo a las averías. Por ejemplo, si es debida a un
fallo eléctrico, al fin de vida útil de alguna pieza, etc. • No hay datos de la máquina, tales
como el tiempo que lleva en funcionamiento o la cantidad que produce. No se sabe si la
producción es constante o tiene picos. • No hay datos del personal encargado de la
máquina.

GÓMEZ, M. G. (2019). Aplicaciones industriales Big Data para mantenimiento predictivo y control
de calidad. TRABAJO.
3.3IMPLEMENTAR EL BIG DATA EN UN PROCESO DE
MANTENIMIENTO

Desde hace años el mantenimiento predictivo ya funciona con técnicas de medida y

análisis mediante sensores para anticipar las fallas potenciales de los equipos productivos.
Hoy en día el Industrial internet of Things (IIoT) incorpora el aprendizaje automático y la
tecnología de big data para capturar y comunicar datos de manera constante, alertando
rápidamente a las empresas sobre ineficiencias y evitando costosas averías.
Específicamente en la fabricación el IIoT posee un gran potencial en áreas como control de
calidad, prácticas sostenibles y ecológicas, trazabilidad de la cadena de suministro y
eficiencia global de la cadena de suministro. En la práctica el software de mantenimiento
predictivo recolecta los datos que se transfieren analizándolos considerando normas y
condiciones predefinidas. Del análisis automático salen grandes volúmenes de datos; aquí
entra en juego otra gran tendencia: el Big data. Cuantos más equipos tiene la fábrica
inteligente, mayor cantidad de datos recibirá del software. La capacidad de procesar
grandes volúmenes de datos de manera eficiente y segura no siempre es una tarea sencilla.
Es por esta razón que resulta esencial utilizar un sistema ERP para la gestión de los
recursos empresariales, que reciba, analice y procese la información y los diagnósticos. Las
ventajas de este mantenimiento predictivo 4.0 son básicamente tres:
1. 1.Planificación y programación de las acciones. Al ser predictivo, el fallo se detecta
con suficiente antelación, con lo que se favorece que el mantenimiento correctivo se
realice con más calidad.
2. Las predicciones pueden llevarse a cabo en las paradas técnicas del servicio, con lo
que no se pierde operatividad ni volumen de producción. Es una técnica on-
condition. Es decir, la mayoría de técnicas de mantenimiento predictivo se llevan a
cabo con la maquinaria a pleno rendimiento (on condición).
3. Es un mantenimiento proactivo. A diferencia del correctivo, se predice lo que puede
pasar, con lo que se pone remedio antes de tiempo, respetando el work-flow de la
empresa y ofreciendo una mayor calidad en el servicio.
1División de fallas para establecerlas en big data

Pérez, M. Á. L., Piña, I. B., & Álvarez, G. V. (2021). Diseño de una metodología de mantenimiento
predictivo para asegurar procesos de producción de la industria 4.0. South Florida Journal of
Development, 2(1), 1009-1017.

3.4ELIMINACIÓN DE PARTÍCULAS FÉRRAICAS

El ciclo clásico de elaboración del aceite de oliva ha evolucionado a lo largo de la
historia desde la molienda, hasta los sistemas actuales de centrifugación y por último
la conservación y el almacenamiento y el embotellado del aceite. Tradicionalmente se
limpia el fruto en el campo mediante la utilización de cribas, pero esta limpieza no es
completa, de tal manera que el fruto entra en la almazara con una gran cantidad de
impurezas que es preciso eliminar. Para ello, en primer lugar, se utilizan limpiadoras
que, mediante corriente de aire y tamices vibrantes, eliminan hojas, ramas, etc., y
luego, si es preciso, se utilizan lavadoras que eliminan piedras, polvo, etc. Una vez
limpio y pesado en básculas el fruto se almacena en tolvas en espera de la
molturación. Después la pasta está preparada para ser procesada por presión o por
centrifugación y extraer el aceite. Antes de la molturación y durante el proceso de
decánteres se pueden ubicar unos separadores magnéticos y parrillas magnéticas para
tolva, apropiados para la separación de pequeñas partículas de hierro o donde las
partículas a separar están en una materia muy viscosa. Tanto los separadores como las
parrillas para tolva se pueden fabricar en diferentes formatos: cuadrado, redondo o
rectangular; adaptándose en cualquier caso al tipo de producto que se quiera detectar.
Se utilizan principalmente en industrias de alimentación maquinaria de inyección y,
en especial, en cualquier tipo de proceso donde el producto a manipular no debe
contener partículas férricas. Este riguroso control sanitario hace que las olivas no
recojan impurezas, ya que todos los elementos que pueden entrar en contacto con las
olivas o el aceite son de acero inoxidable o PVC homologado para alimentación.
 3.5 Medida de la constante dieléctrica

En los estudios de la solubilidad de una sustancia en un medio dado, es necesario

considerar los efectos químicos (tales como reacciones de neutralización ácido-base
interpretadas bajo la teoría de Lewis), estructurales (como presencia de grupos hidrófilos
y/o lipófilos y balance de los mismos) y eléctricos (momento dipolar, constante dieléctrica,
fuerzas de Van Der Walls, de London, electrostáticas, etc.) que conducen a las
interacciones mutuas entre el soluto y el disolvente. Como todos estos fenómenos se
encuentran in ter-relacionados y sus efectos convergen hacia las manifestaciones eléctricas,
el evaluar estas últimas permitirá resolver en gran parte el problema de la incorporación de
sólidos a formas líquidas. Para que un soluto se disuelva en un líquido, es necesario que el
segundo disgregue las moléculas del primero y facilite de esta manera su solvatación; este
proceso depende tanto de la constante dieléctrica (D) del solvente como de la polaridad de
las moléculas del soluto y el disolvente. A mayor carácter polar del soluto, mayor fuerza de
atracción entre sus moléculas y por lo tanto mayor resistencia a la disgregación;
matemáticamente la atracción se expresa por la ecuación de Coulomb: (1) Siendo F la
constante de atracción o repulsión en dinas, existente entre dos partículas con cargas q1 y
q2 respectivamente, que se encuentran separadas una distancia de r cm. Se ha demostrado
experimentalmente que para disminuir F es necesario recurrir al empleo de solventes de alta
D y esto implica que la fuerza de 38
atracción entre las moléculas de un soluto sea inversamente proporcional a la constante
dieléctrica del solvente, por consiguiente, en aquellas soluciones en que tiene lugar la
formación de iones, la ecuación que agrupa todos los términos mencionados será: (2) que
corresponde a la definición matemática de la constante dieléctrica (7, 8, 9). Para calcular la
constante dieléctrica resultante al mezclar dos o más solventes, se emplean dos ecuaciones
básicas a saber: la Termodinámica de Clausius Massoti (10): r M ¡X ¡n r (3) i=I i=I en la
cual D representa la constante dieléctrica de la mezcla y d su densidad; Di, la constante
dieléctrica del componente i puro M1-su peso molecular d·d., ' 1 su ens1dad y X; su
fracción molar. Y la ecuación sencilla desarrollada por Moore (11): n D = rD ¡C; i=I (4) en
la cual Ci representa el porcentaje (en peso, volumen o fracción molar) del componente i en
la mezcla y D, D ¡los valores anteriormente definidos. El valor de D que permite la máxima
solubilidad (S) de un soluto en un sistema dado, se conoce como el Requerimiento
Dieléctrico del Soluto (RDS). Sin embargo, es posible que exista una relación lineal-directa
o inversa - entre S y D o que, por el contrario, la representación gráfica de las dos va-
riables presente uno o varios máximos y esto implica, que cada solución debe estudiarse
independientemente puesto que cada sistema tiene un comportamiento específico (12, 13,
14, 15, 16)

Neira, M. C., Jiménez, F., & D'León, L. F. P. (1980). Influencia de la constante dieléctrica en la
solubilización del diazepam. Revista Colombiana de Ciencias Químico-Farmacéuticas, 3(4), 37-61.

3.6MACHINE LEARNING

Machine Learning es una disciplina científica del ámbito de la Inteligencia Artificial que
crea sistemas que aprenden automáticamente. Aprender en este contexto quiere decir
identificar patrones complejos en millones de datos. La máquina que realmente aprende
es un algoritmo que revisa los datos y es capaz de predecir comportamientos
futuros. Automáticamente, también en este contexto, implica que estos sistemas se mejoran
de forma autónoma con el tiempo, sin intervención humana. Veamos cómo funciona.
Big Data y Machine Learning aplicado a la empresa
Una empresa de telefonía quiere saber qué clientes están en “peligro” de darse de baja de
sus servicios para hacer acciones comerciales que eviten que se vayan a la competencia.
¿Cómo puede hacerlo? La empresa tiene muchos datos de los clientes, muchísimos:
antigüedad, planes contratados, consumo diario, llamadas mensuales al servicio de atención
al cliente, últimos cambios de planes contratados… pero seguramente los usa solo para
facturar y para hacer estadísticas. ¿Qué más puede hacer con esos datos? Se pueden usar
para predecir cuándo un cliente se va a dar de baja y gestionar la mejor acción que lo evite.
En pocas palabras, con Machine Learning se puede pasar de ser reactivos a ser
proactivos. Los datos históricos del conjunto de los clientes, debidamente organizados y
tratados en bloque, generan una base de datos que se puede explotar para predecir futuros
comportamientos, favorecer aquellos que mejoran los objetivos de negocio y evitar aquellos
que son perjudiciales.
Esa cantidad ingente de datos son imposibles de analizar por una persona para sacar
conclusiones y menos todavía para hacer predicciones. Los algoritmos en cambio sí
pueden detectar patrones de comportamiento contando con las variables que le
proporcionamos y descubrir cuáles son las que han llevado, en este caso, a darse de baja
como cliente. La siguiente imagen es un ejemplo de una predicción simplificada basada en
datos de una compañía de telefonía ficticia, pero usando una herramienta de Machine
Learning real:

González, B. A. (s. f.). ¿Qué es Machine Learning? –

Cleverdata. https://cleverdata.io/que-es-

machine-learning-big-data/

3.7BIGDATA

Una encuesta realizada por LogLogic encuentra que el 49% de las organizaciones están
algo o muy preocupados por la gestión de Big Data, pero que el 38% no entiende lo que es,
y el 27% dice que tiene una comprensión parcial [10]; además, la encuesta encontró que
59% de las organizaciones carecen de las herramientas necesarias para gestionar los datos
de sus sistemas de TI [10]. Khera explicó que: "Big Data se trata de muchos terabytes de
datos no estructurados", donde "La información es poder, y Big Data, si se gestiona
correctamente, puede proporcionar una cantidad de conocimiento…" [10]. Según la
encuesta, el 62% mencionó que ya había gestionado más de Conociendo Big Data un
terabyte de datos; eso indica que el volumen de datos en el mundo está aumentando a un
ritmo casi incomprensible.

Señala Beyer de Gartner y otros expertos que: "los grandes volúmenes de datos, o Big Data,
requieren grandes cambios en el servidor, la infraestructura de almacenamiento y la
arquitectura de administración de la información en la mayoría de las empresas" [11].

B. Dimensiones de Big Data

Existen tres características o dimensiones: Volumen, Velocidad y Variedad.

1) Volumen: cada día, las empresas registran un aumento significativo de sus datos

(terabytes, petabytes y exabytes), creados por personas y máquinas. En el año 2000 se
generaron 800.000 petabytes (PB), de datos almacenados y se espera que esta cifra alcance
los 35 zettabytes (ZB) en el 2020. Las redes sociales también generan datos, es el caso de
Twitter, que por sí sola genera más de 7 terabytes (TB) diariamente, y de Facebook, 10 TB
de datos cada día. Algunas empresas generan terabytes de datos cada hora de cada día del
año, es decir, las empresas están inundadas de datos [13].

2) Variedad: Se puede mencionar que va muy de la mano con el volumen, pues de acuerdo
con éste y con el desarrollo de la tecnología, existen muchas formas de representar los
datos; es el caso de datos estructurados y no estructurados; estos últimos son los que se
generan desde páginas web, archivos de búsquedas, redes sociales, foros, correos
electrónicos o producto de sensores en diferentes actividades de las personas; un ejemplo
[14] es el convertir 350 mil millones de lecturas de los medidores por año para predecir el
consumo de energía.

3) Velocidad: Se refiere a la velocidad con que se crean los datos, que es la medida en que
aumentan los productos de desarrollos de software (páginas web, archivos de búsquedas,
redes sociales, foros, correos electrónicos, entre otros).

Las tres características tienen coherencia entre sí; por ejemplo [13], analizar 500 millones
de registros de llamadas al día en tiempo real para predecir la pérdida de clientes.

C. Análisis de Big Data

El Big Data crece diariamente, como ya se mencionó, y una de las justificaciones es que los
datos provienen de gran variedad de fuentes, tales como la Web, bases de datos, rastros de
clics, redes sociales, Call Center, datos geoespaciales, datos semiestructurados (XML,
RSS), provenientes de audio y video, los datos generados por los termómetros, datos de
navegación de sitios web durante cierto tiempo, las RFID (Radio Frequency Identification -
identificación por radiofrecuencia) [15].

Existen algunos beneficios del análisis de Big Data para las organizaciones, tal como se
observó en el área de marketing, demostrados en la encuesta realizada por TDWI (The Data
Warehousing Institute), cuando preguntó: "¿Cuál de los siguientes beneficios se produciría
si la organización implementa alguna forma de análisis de Big Data?". El 61% respondió
que influye de manera social; el 45%, que habrá más puntos de vista de negocio; el 37% se
inclinó por las decisiones automatizadas en los procesos en tiempo real; el 29% mencionó
que se mejoraría la planificación y la previsión, y el 27%, que se entendería el
comportamiento del consumidor [16].

Según la misma encuesta, se encontraron ciertos inconvenientes del análisis del Big Data,
entre ellos: la falta de personal y de habilidades del recurso humano (46%), la dificultad en
la arquitectura de un sistema de análisis de Big Data (33%), problemas con el Big Data
utilizable para los usuarios finales (22%), la falta de patrocinio empresarial (38%) y la
deficiencia de un argumento empresarial convincente (28%), la carencia de análisis de
bases de datos (32%), problemas de escalabilidad de Big Data (23%), rapidez en las
consultas (22%) y dificultad para cargar los datos lo suficientemente rápido (21%), entre
otros [16].

Ante la pregunta sobre cada cuánto realizan análisis de Big Data, se halló que anualmente,
el 15%; mensual, el 35%; semanal, el 14%; diario, 24%; cada poca hora, 5%; cada hora,
4%; en tiempo real, 4%. Lo anterior fue el resultado de 96 entrevistados [16].

El objetivo del análisis de datos es examinar grandes cantidades de datos con una variedad
de clases, con el fin de descubrir información que sea relevante y útil para la empresa, de
manera que le permita tomar las mejores decisiones y obtener ventajas competitivas en
comparación con otras de su clase.

El análisis de datos se realiza con tecnologías de bases de datos como NoSQL, Hadoop y
MapReduce, las cuales soportan el procesamiento del Big Data.

Camargo-Vega, J. J., Camargo-Ortega, J. F., & Joyanes-Aguilar, L. (2015). Conociendo big

data. Revista Facultad de Ingeniería, 24(38), 63-77.