TAREA DE PIQ 2

Industria 4.0
Objetivos de la Industria 4.0

La Industria 4.0 implica la promesa de una nueva revolución que combina técnicas avanzadas
de producción y operaciones con tecnologías inteligentes que se integrarán en las
organizaciones, las personas y los activos.

Esta revolución está marcada por la aparición de nuevas tecnologías como la robótica, la
analítica, la inteligencia artificial, las tecnologías cognitivas, la nanotecnología y el Internet of
Things (IoT), entre otros. Las organizaciones deben identificar las tecnologías que mejor
satisfacen sus necesidades para invertir en ellas. Si las empresas no comprenden los cambios y
oportunidades que trae consigo la Industria 4.0, corren el riesgo de perder cuota de mercado.

Para los líderes tradicionales, acostumbrados a los datos y las comunicaciones lineales, el
cambio que supone esta nueva revolución industrial -proporcionando acceso en tiempo real a
los datos y la inteligencia de negocio- transformará la forma en que llevan a cabo sus negocios.
La integración digital de la información desde diferentes fuentes y localizaciones permite llevar
a cabo negocios en un ciclo continuo. A lo largo de este ciclo, el acceso en tiempo real a la
información está impulsado por el continuo y cíclico flujo de información y acciones entre los
mundos físicos y digitales. Este flujo tiene lugar a través de una serie de pasos iterativos
conocido como PDP –por sus siglas en inglés physical-to-digital-to-physical-:

Del mundo físico a la digital. Se captura la información del mundo físico y se crea un registro
digital de la misma.

De digital a digital. En este paso, la información se comparte y se interpreta utilizando analítica

avanzada, análisis de escenarios e inteligencia artificial para descubrir información relevante.

Del mundo digital al físico. Se aplican algoritmos para traducir las decisiones del mundo digital
a datos efectivos, estimulando acciones y cambios en el mundo físico.

¿Por qué es importante la Industria 4?0?

Es importante entender el potencial de esta cuarta revolución industrial porque no solo

afectará a los procesos de fabricación. Su alcance es mucho más amplio, afectando a todas las
industrias y sectores e incluso a la sociedad. La industria 4.0 puede mejorar las operaciones de
negocio y el crecimiento de los ingresos, transformado los productos, la cadena de suministro y
las expectativas de los clientes. Es probable que dicha revolución cambie la forma en que
hacemos las cosas, pero también podría afectar cómo los clientes interactúan con ellas y las
experiencias que esperan tener mientras interactúan con las empresas. Más allá de eso, podría
generar cambios en la fuerza laboral, lo que requeriría nuevas capacidades y roles.

Además, las tecnologías relacionadas con la Industria 4.0 también pueden conducir a
productos y servicios completamente nuevos. El uso de sensores y dispositivos portátiles, el
análisis y la robótica, entre otros, permitirán mejoras en los productos de diversas maneras,
desde la creación de prototipos y pruebas hasta la incorporación de conectividad a productos
previamente desconectados. Estos cambios en los productos se traducen, a su vez, en cambios
en la cadena de suministro y, consecuentemente, en los clientes.

¿Cuáles son los impactos de la Industria 4.0?

Los impactos de la Industria 4.0 pueden sentirse en múltiples niveles: en grandes ecosistemas,
a nivel organizacional y a nivel individual (en empleados y clientes):

Ecosistemas. Además del cambio en el que las empresas operan y en la producción de bienes,
la Industria 4.0 afecta a todos los agentes del ecosistema (los proveedores, los clientes, las
consideraciones regulatorias, los inversores, terceros…). Estas tecnologías permiten
interacciones entre cada punto de una red.

Organizaciones. La capacidad de ajustarse y aprender de los datos en tiempo real puede hacer
que las organizaciones sean más receptivas, proactivas y predictivas. Asimismo, permite a la
organización reducir sus riesgos en materia de productividad.

Individuos. La Industria 4.0 puede significar diferentes cosas para cada uno. Por ejemplo, para
los empleados puede significar un cambio en el trabajo que van a realizar, mientras que para
los clientes significaría una mayor personalización en los productos y servicios que satisfagan
mejor sus necesidades.

IMPRESORA 3D
La impresión 3D es un tipo de tecnología que te permite crear un objeto tridimensional a partir
de un diseño digital. Por varios siglos hemos usado las impresoras para plasmar imágenes, pero
ahora también existen versiones de estas máquinas con las que podemos construir estructuras
de cemento, por ejemplo.

Para entender un poco más esta tecnología, mira este video donde entenderás un poco más de
en qué consiste la impresión 3D.

Las impresoras 3D funcionan de dos formas. La primera es un sistema de fabricación por

adición, que es crear un objeto tridimensional mediante la adición sucesiva de capas de un
material específico. Por ejemplo, para imprimir un muñeco se sobreponen capas de cierto
polímero en forma de lo que queremos crear.

El segundo sistema es por compactación. Se toma una masa hecha de polvo y se compacta en
la forma deseada. El diseño del elemento a imprimir es creado en un computador, y desde allí
se le envía a la impresora para que esta lo reproduzca.

Este tipo de impresoras existen desde los años 80, o sea que no es una tecnología nueva. Sin
embargo, en estos últimos años se comenzó a tener una mayor distribución y empleo de las
impresoras 3D porque se han ido venciendo unas patentes que limitan su uso. Están siendo
utilizadas en casi todos los campos, incluyendo el arte, como es el caso de la artista Sophie
Khan.

Sin embargo, una de las cosas más impresionante es su uso en medicina. Se han fabricado
prótesis robóticas de costos mucho más bajos que los modelos tradicionales y se ha trabajado
en la creación de tejidos similares a la piel humana, a órganos y a huesos, que permitiría tratar
muchas enfermedades o lesiones hasta el momento incurables.
Así mismo, a finales de diciembre del 2014 algunos medios informaron que la Estación Espacial
Internacional fabricó una especie de llave inglesa, con planos enviados desde la tierra, gracias a
una impresora 3D que fue adaptada a la ingravidez.

Pero, aunque hay grandes avances en medicina y resulta genial su uso en proyectos espaciales,
incluso hay impresoras 3D que trabajan con comida. ¡Son una fantasía infantil hecha realidad!

Los alcances de las impresoras 3D en la industria, la medicina, e incluso en la vida diaria, son
tan grandes que algunos expertos se han atrevido a afirmar que el uso de esta tecnología
puede revolucionar la industria y la economía porque puede reducir los costos de mano de
obra y afectar las fuentes de trabajo de países dedicados a producir cosas a bajo precio. Por
otro lado, también se ha hablado de lo peligroso de esta herramienta, ya que cualquier
persona puede fabricar un arma de fuego usando planos que encuentre en internet.

Sin duda, el uso de las impresoras 3D, al igual que cualquier elemento tecnológico, requiere
pensar en factores de ética y responsabilidad. Pero esto no implica que las impresoras por sí
mismas sean malas. La maldad está en quienes las usan, pero ese es un tema aparte.

BIG DATA

Cuando hablamos de Big Data nos referimos a conjuntos de datos o combinaciones de

conjuntos de datos cuyo tamaño (volumen), complejidad (variabilidad) y velocidad de
crecimiento (velocidad) dificultan su captura, gestión, procesamiento o análisis
mediante tecnologías y herramientas convencionales, tales como bases de
datos relacionales y estadísticas convencionales o paquetes de visualización, dentro
del tiempo necesario para que sean útiles.

Aunque el tamaño utilizado para determinar si un conjunto de datos determinado se

considera Big Data no está firmemente definido y sigue cambiando con el tiempo, la
mayoría de los analistas y profesionales actualmente se refieren a conjuntos de datos
que van desde 30-50 Terabytes a varios Petabytes.

La naturaleza compleja del Big Data se debe principalmente a la naturaleza no

estructurada de gran parte de los datos generados por las tecnologías modernas,
como los web logs, la identificación por radiofrecuencia (RFID), los sensores
incorporados en dispositivos, la maquinaria, los vehículos, las búsquedas en Internet,
las redes sociales como Facebook, computadoras portátiles, teléfonos inteligentes y
otros teléfonos móviles, dispositivos GPS y registros de centros de llamadas.

En la mayoría de los casos, con el fin de utilizar eficazmente el Big Data, debe
combinarse con datos estructurados (normalmente de una base de datos relacional)
de una aplicación comercial más convencional, como un ERP (Enterprise Resource
Planning) o un CRM (Customer Relationship Management).

2. ¿Por qué el Big Data es tan importante?

Lo que hace que Big Data sea tan útil para muchas empresas es el hecho de que
proporciona respuestas a muchas preguntas que las empresas ni siquiera sabían que
tenían. En otras palabras, proporciona un punto de referencia. Con una cantidad tan
grande de información, los datos pueden ser moldeados o probados de cualquier
manera que la empresa considere adecuada. Al hacerlo, las organizaciones son
capaces de identificar los problemas de una forma más comprensible.
La recopilación de grandes cantidades de datos y la búsqueda de tendencias dentro
de los datos permiten que las empresas se muevan mucho más rápidamente, sin
problemas y de manera eficiente. También les permite eliminar las áreas
problemáticas antes de que los problemas acaben con sus beneficios o su reputación.

El análisis de Big Data ayuda a las organizaciones a aprovechar sus datos y utilizarlos
para identificar nuevas oportunidades. Eso, a su vez, conduce a movimientos de
negocios más inteligentes, operaciones más eficientes, mayores ganancias y clientes
más felices. Las empresas con más éxito con Big Data consiguen valor de las
siguientes formas:

 Reducción de coste. Las grandes tecnologías de datos, como Hadoop y el

análisis basado en la nube, aportan importantes ventajas en términos de costes
cuando se trata de almacenar grandes cantidades de datos, además de
identificar maneras más eficientes de hacer negocios.

 Más rápido, mejor toma de decisiones. Con la velocidad de Hadoop y la

analítica en memoria, combinada con la capacidad de analizar nuevas fuentes
de datos, las empresas pueden analizar la información inmediatamente y tomar
decisiones basadas en lo que han aprendido.

 Nuevos productos y servicios. Con la capacidad de medir las necesidades de

los clientes y la satisfacción a través de análisis viene el poder de dar a los
clientes lo que quieren. Con la analítica de Big Data, más empresas están
creando nuevos productos para satisfacer las necesidades de los clientes.

Por ejemplo:

 Turismo: Mantener felices a los clientes es clave para la industria del turismo,
pero la satisfacción del cliente puede ser difícil de medir, especialmente en el
momento oportuno. Resorts y casinos, por ejemplo, sólo tienen una pequeña
oportunidad de dar la vuelta a una mala experiencia de cliente. El análisis de
Big data ofrece a estas empresas la capacidad de recopilar datos de los
clientes, aplicar análisis e identificar inmediatamente posibles problemas antes
de que sea demasiado tarde.

 Cuidado de la salud: El Big Data aparece en grandes cantidades en la industria

sanitaria. Los registros de pacientes, planes de salud, información de seguros y
otros tipos de información pueden ser difíciles de manejar, pero están llenos de
información clave una vez que se aplican las analíticas. Es por eso que la
tecnología de análisis de datos es tan importante para el cuidado de la salud.
Al analizar grandes cantidades de información - tanto estructurada como no
estructurada - rápidamente, se pueden proporcionar diagnósticos u opciones
de tratamiento casi de inmediato.

 Administración: La administración se encuentra ante un gran desafío: mantener

la calidad y la productividad con unos presupuestos ajustados. Esto es
particularmente problemático con lo relacionado con la justicia. La tecnología
agiliza las operaciones mientras que da a la administración una visión más
holística de la actividad.
  Retail: El servicio al cliente ha evolucionado en los últimos años, ya que los
compradores más inteligentes esperan que los minoristas comprendan
exactamente lo que necesitan, cuando lo necesitan. El Big Data ayuda a los
minoristas a satisfacer esas demandas. Armados con cantidades interminables
de datos de programas de fidelización de clientes, hábitos de compra y otras
fuentes, los minoristas no sólo tienen una comprensión profunda de sus
clientes, sino que también pueden predecir tendencias, recomendar nuevos
productos y aumentar la rentabilidad.

 Empresas manufactureras: Estas despliegan sensores en sus productos para

recibir datos de telemetría. A veces esto se utiliza para ofrecer servicios de
comunicaciones, seguridad y navegación. Ésta telemetría también revela
patrones de uso, tasas de fracaso y otras oportunidades de mejora de
productos que pueden reducir los costos de desarrollo y montaje.

 Publicidad: La proliferación de teléfonos inteligentes y otros dispositivos GPS

ofrece a los anunciantes la oportunidad de dirigirse a los consumidores cuando
están cerca de una tienda, una cafetería o un restaurante. Esto abre nuevos
ingresos para los proveedores de servicios y ofrece a muchas empresas la
oportunidad de conseguir nuevos prospectos.

 Otros ejemplos del uso efectivo de Big Data existen en las siguientes áreas:

o Uso de registros de logs de TI para mejorar la resolución de problemas

de TI, así como la detección de infracciones de seguridad, velocidad,
eficacia y prevención de sucesos futuros.
o Uso de la voluminosa información histórica de un Call Center de forma
rápida, con el fin de mejorar la interacción con el cliente y aumentar su
satisfacción.
o Uso de contenido de medios sociales para mejorar y comprender más
rápidamente el sentimiento del cliente y mejorar los productos, los
servicios y la interacción con el cliente.
o Detección y prevención de fraudes en cualquier industria que procese
transacciones financieras online, tales como compras, actividades
bancarias, inversiones, seguros y atención médica.
o Uso de información de transacciones de mercados financieros para
evaluar más rápidamente el riesgo y tomar medidas correctivas.

3. Desafíos de la calidad de datos en Big Data

Las especiales características del Big Data hacen que su calidad de datos se enfrente
a múltiples desafíos. Se trata de las conocidas como 5 Vs: Volumen, Velocidad,
Variedad, Veracidad y Valor, que definen la problemática del Big Data.

Estas 5 características del big data provocan que las empresas tengan problemas para
extraer datos reales y de alta calidad, de conjuntos de datos tan masivos, cambiantes
y complicados.

Hasta la llegada del Big Data, mediante ETL podíamos cargar la información
estructurada que teníamos almacenada en nuestro sistema ERP y CRM, por ejemplo.
Pero ahora, podemos cargar información adicional que ya no se encuentra dentro de
los dominios de la empresa: comentarios o likes en redes sociales, resultados de
campañas de marketing, datos estadísticos de terceros, etc. Todos estos datos nos
ofrecen información que nos ayuda a saber si nuestros productos o servicios están
funcionando bien o por el contrario están teniendo problemas.

Algunos desafíos a los que se enfrenta la calidad de datos de Big Data son:

1. Muchas fuentes y tipos de datos

Con tantas fuentes, tipos de datos y estructuras complejas, la dificultad de integración

de datos aumenta.

Las fuentes de datos de big data son muy amplias:

 Datos de internet y móviles.

 Datos de Internet de las Cosas.
 Datos sectoriales recopilados por empresas especializadas.
 Datos experimentales.

Y los tipos de datos también lo son:

1. Tipos de datos no estructurados: documentos, vídeos, audios, etc.

2. Tipos de datos semi-estructurados: software, hojas de cálculo, informes.
3. Tipos de datos estructurados

Solo el 20% de información es estructurada y eso puede provocar muchos errores si

no acometemos un proyecto de calidad de datos.

2. Tremendo volumen de datos

Como ya hemos visto, el volumen de datos es enorme, y eso complica la ejecución de

un proceso de calidad de datos dentro de un tiempo razonable.

Es difícil recolectar, limpiar, integrar y obtener datos de alta calidad de forma

rápida. Se necesita mucho tiempo para transformar los tipos no estructurados en tipos
estructurados y procesar esos datos.

3. Mucha volatilidad

Los datos cambian rápidamente y eso hace que tengan una validez muy corta. Para
solucionarlo necesitamos un poder de procesamiento muy alto.

Si no lo hacemos bien, el procesamiento y análisis basado en estos datos puede

producir conclusiones erróneas, que pueden llevar a cometer errores en la toma de
decisiones.

4. No existen estándares de calidad de datos unificados

En 1987 la Organización Internacional de Normalización (ISO) publicó las normas ISO

9000 para garantizar la calidad de productos y servicios. Sin embargo, el estudio de
los estándares de calidad de los datos no comenzó hasta los años noventa, y no fue
hasta 2011 cuando ISO publicó las normas de calidad de datos ISO 8000.

Estas normas necesitan madurar y perfeccionarse. Además, la investigación sobre la

calidad de datos de big data ha comenzado hace poco y no hay apenas resultados.

La calidad de datos de big data es clave, no solo para poder obtener ventajas
competitivas sino también impedir que incurramos en graves errores estratégicos y
operacionales basándonos en datos erróneos con consecuencias que pueden llegar a
ser muy graves.

4. Cómo construir un plan de Data Governance en Big data

Gobernabilidad significa asegurarse de que los datos estén autorizados, organizados y

con los permisos de usuario necesarios en una base de datos, con el menor número
posible de errores, manteniendo al mismo tiempo la privacidad y la seguridad.

Esto no parece un equilibrio fácil de conseguir, sobre todo cuando la realidad de dónde
y cómo los datos se alojan y procesan está en constante movimiento.

A continuación, veremos algunos pasos recomendados al crear un plan de Data

Governance en Big Data.

1. Acceso y Autorización Granular a Datos

No se puede tener un gobierno de datos efectivo sin controles granulares.

Se pueden lograr estos controles granulares a través de las expresiones de control de

acceso. Estas expresiones usan agrupación y lógica booleana para controlar el acceso
y autorización de datos flexibles, con permisos basados en roles y configuraciones de
visibilidad.

En el nivel más bajo, se protegen los datos confidenciales, ocultándolos, y en la parte

superior, se tienen contratos confidenciales para científicos de datos y analistas de BI.
Esto se puede hacer con capacidades de enmascaramiento de datos y diferentes
vistas donde se bloquean los datos en bruto tanto como sea posible y gradualmente se
proporciona más acceso hasta que, en la parte superior, se da a los administradores
una mayor visibilidad.

Se pueden tener diferentes niveles de acceso, lo que da una seguridad más integrada.

2. Seguridad perimetral, protección de datos y autenticación integrada

La gobernabilidad no ocurre sin una seguridad en el punto final de la cadena. Es

importante construir un buen perímetro y colocar un cortafuegos alrededor de los
datos, integrados con los sistemas y estándares de autenticación existentes. Cuando
se trata de autenticación, es importante que las empresas se sincronicen con sistemas
probados.

Con la autenticación, se trata de ver cómo integrarse con LDAP [Lightweight Directory
Access Protocol], Active Directory y otros servicios de directorio. También se puede
dar soporte a herramientas como Kerberos para soporte de autenticación. Pero lo
importante es no crear una infraestructura separada, sino integrarla en la estructura
existente.

3. Encriptación y Tokenización de Datos

El siguiente paso después de proteger el perímetro y autenticar todo el acceso

granular de datos que se está otorgando es asegúrese de que los archivos y la
información personalmente identificable (PII) estén encriptados y tokenizados de
extremo a extremo del pipeline de datos.

Una vez superado el perímetro y con acceso al sistema, proteger los datos de PII es
extremadamente importante. Es necesario encriptar esos datos de forma que,
independientemente de quién tenga acceso a él, puedan ejecutar los análisis que
necesiten sin exponer ninguno de esos datos.

4. Constante Auditoría y Análisis

La estrategia no funciona sin una auditoría. Ese nivel de visibilidad y

responsabilidad en cada paso del proceso es lo que permite a la TI "gobernar" los
datos en lugar de simplemente establecer políticas y controles de acceso y esperar lo
mejor. También es cómo las empresas pueden mantener sus estrategias actualizadas
en un entorno en el que la forma en que vemos los datos y las tecnologías que
utilizamos para administrarlos y analizarlos están cambiando cada día.

Estamos en la infancia de Big Data e IoT (Internet de Cosas), y es fundamental poder

rastrear el acceso y reconocer patrones en los datos.

La auditoría y el análisis pueden ser tan simples como el seguimiento de los archivos
de JavaScript Object Notation (JSON).

5. Una arquitectura de datos unificada

En última instancia, el responsable de TI que supervisar la estrategia de

administración de datos empresariales, debe pensar en los detalles del acceso
granular, la autenticación, la seguridad, el cifrado y la auditoría. Pero no debe
detenerse ahí. Más bien debe pensar en cómo cada uno de estos componentes se
integra en su arquitectura de datos global. También debe pensar en cómo esa
infraestructura va a necesitar ser escalable y segura, desde la recolección de datos y
almacenamiento hasta BI, analítica y otros servicios de terceros. La gobernanza de los
datos es tanto acerca de repensar la estrategia y la ejecución como sobre la propia
tecnología.

Va más allá de un conjunto de reglas de seguridad. Es una arquitectura única en la

que se crean estos roles y se sincronizan a través de toda la plataforma y todas las
herramientas que se aportan a ella.