Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Examining the Nexus between the Vs of Big Data and the Sustainable Challenges in the
Textile Industry Rosangela de Fátima Pereira Marquesone * and Tereza Cristina Melo de
Brito Carvalh
Según Min, Shiwen y Yunhao (2014), los macrodatos normalmente comprende masas de
datos no estructurados que necesitan más tiempo real análisis. Manyika et al. (2011)
definió el big data como la próxima frontera para la innovación, la competencia y la
productividad (Intel IT Center – Investigación entre pares, 2012). Ricardo et al. (2011) en su
documento técnico de IDC declaró que la tecnología de big data podría describirse como
una nueva generación de tecnologías y arquitecturas, diseñada para que la empresa
organizaciones podrían extraer valor económicamente de muy grandes volúmenes de una
amplia variedad de datos al permitir la captura, el descubrimiento, el almacenamiento y el
análisis a alta velocidad. Esta definición es en gran parte acordado por muchos
investigadores y gerentes de I+D industrial empresarial (Seref y Duygu, 2013; Min et al.,
2014; Manyika et al., 2011; Janusz, 2013), aunque también es obvio que otros tienen
puntos de vista diferentes
La investigación de big data surgió en la década de 1970, pero ha visto una explosión de
publicaciones desde 2008. Aunque el término "big data" es comúnmente asociado con la
informática, la investigación muestra que se aplica a muchas disciplinas diferentes,
incluyendo la tierra, la salud, ingeniería, artes y humanidades y ciencias ambientales.
Además, los sistemas informáticos centrales se están desvaneciendo con la aumento en el
volumen de datos con la búsqueda de espacio de almacenamiento y procesamiento. Esto
ha motivado constantemente una mayor y continua investigación sobre las tendencias y
perspectivas de big data y explica la eficacia con la que ha evolucionado la zona a lo largo
de los años.
Towards Sustainable Textile and Apparel Industry: Exploring the Role of Business
Intelligence Systems in the Era of Industry 4.0
Sumera Ahmad 1 , Suraya Miskon 2 , Rana Alabdan 3 and Iskander Tlili 4,5
Según Trieu [12], la carrera hacia la Industria 4.0 persuade a las industrias para que
integren tecnologías digitales, como Internet de las cosas (IoT), identificación por
radiofrecuencia (RFID), robots, realidad aumentada, fabricación aditiva y tecnología en la
nube [13] .
A pesar de invertir en tecnologías avanzadas y de alto costo, las industrias no pueden
aprovechar la verdadera sostenibilidad con estas tecnologías y sistemas [2,14]. El alto nivel
de automatización, conectividad y digitalización en la Industria 4.0 produce grandes
volúmenes de conjuntos de datos estructurados y no estructurados a diario y es imposible
obtener verdadero valor y sostenibilidad sin convertir estos grandes conjuntos de datos en
información útil. Es esencial analizar y acceder a cantidades tan grandes de datos para
diseñar planes de fabricación/producción de T&A, pronosticar ventas y demandas,
administrar la cadena de suministro, comercializar rápidamente y administrar el inventario,
para competir con los desafíos internacionales de sustentabilidad en el mercado global
[15]. Una innovación que tiene la capacidad de análisis e integración de datos
estructurados para apoyar a todas las partes interesadas de la industria con información
valiosa para la toma de decisiones son los sistemas de inteligencia empresarial (BIS
VELOCIDAD
Examining the Nexus between the Vs of Big Data and the Sustainable Challenges in the
Textile Industry Rosangela de Fátima Pereira Marquesone * and Tereza Cristina Melo de
Brito Carvalh
Plataformas como Amazon Web Services, Azure o Google ofrecen servicios de big data y
proporcionan la infraestructura ''en la nube'' bajo demanda y con equilibrio de carga
elástico, lo que resuelve muchos de los problemas relacionados con la escalabilidad y el
mantenimiento de un clúster físico ( Hashem et al., 2015). Más allá del cloud computing,
softwares como Cloudera o Hortonworks proporcionan un amplio catálogo de servicios
paralelizados (almacenamiento, pipelines, bases de datos, procesamiento de datos) y
controlan la comunicación entre ellos. La mayor parte de este software se basa en Apache
Hadoop (2008), un marco de software que permite el almacenamiento distribuido y
Procesamiento de datos con MapReduce.
Además, las bases de datos no relacionales o NoSQL surgen de la necesidad tanto de tratar
y buscar los datos de forma rápida como de organizar la información no estructurada.
Estos modelos van un paso más allá de la paralelización de bases de datos relacionales
convencionales (que es posible mediante Hive o HBase) al proponer nuevos enfoques que
permiten mayor dinamismo y facilitan el mantenimiento y la escalabilidad.
Podríamos profundizar en estos puntos, que son de gran interés, y hablar de otras
dificultades técnicas relacionadas con la velocidad (por ejemplo, en la visualización o con
la consistencia de los datos), pero aquí la tarea central de los estadísticos es, en primer
lugar, el desarrollo de algoritmos computacionalmente eficientes. Este aspecto, que suele
olvidarse o pasarse por alto en la literatura estadística, es fundamental en este contexto
porque incluso un algoritmo óptimo es completamente inútil si no se puede aplicar.
Agregación de valor de big data en SCM: el análisis y la aplicación de big data son las
etapas finales y más esenciales de la agregación de valor de big data. Estas etapas pueden
proporcionar un valor enorme y útil al permitir la toma de decisiones estratégicas e
informadas, mejorando así el flujo de la aplicación (Velocity) y Veracity, combinándose
para formar valor agregado a partir de la aplicación estratégica de big data.
VARIEDAD
Examining the Nexus between the Vs of Big Data and the Sustainable Challenges in the
Textile Industry Rosangela de Fátima Pereira Marquesone * and Tereza Cristina Melo de
Brito Carvalh
Big Data se genera a partir de varias fuentes distribuidas y en múltiples formatos (por
ejemplo, videos, documentos, comentarios, registros). Los grandes conjuntos de datos
consisten en datos estructurados y no estructurados, públicos o privados, locales o
distantes, compartidos o confidenciales, completos o incompletos, etc.
Fuentes de adquisición de big data en SCM: Las adquisiciones de big data en SCM
provienen de una variedad de fuentes en el SC. Estas fuentes incluyen la fuente de flujo
ascendente, que es el lado de los proveedores, a través de la fuente de flujo intermedio,
que es el lado de los fabricantes y los puntos de consolidación o almacenamiento, y
finalmente el lado descendente, que es el lado de logística y distribución y/o minorista.