Parcial 2 - Revisión Del Intento - Cdigital

8/3/24, 11:58 Parcial 2: Revisión del intento | cdigital
Comenzado el viernes, 8 de marzo de 2024, 11:41

Estado Finalizado
Finalizado en viernes, 8 de marzo de 2024, 11:58
Tiempo empleado 17 minutos 17 segundos
Puntos 15.0/15.0
Calificación 5.0 de 5.0 (100%)
Pregunta 1
Finalizado
Se puntúa 1.0 sobre 1.0
Enunciado Pregunta: Una empresa multinacional de retail cuenta con múltiples tiendas físicas, canales de comercio
electrónico y sistemas de gestión fragmentados por país y unidades de negocio. La gerencia desea obtener una vista
unificada de su operación mediante la construcción de una Analítica de Negocio global basada en big data.
a. Solo se necesita copiar sin modificación los datos a un data lake central para que los algoritmos analíticos
automaticen decisiones.
b. No hace falta limpieza o enriquecimiento de datos, los insights surgen de aplicar inteligencia artificial sobre los
datos en bruto.
c. Como requisito indispensable primero debe crearse una capa integrada y gobernada de datos mediante sólidos
procesos ETL que aseguren la interoperabilidad semántica y de calidad de la información antes de derivar insights
de valor global para la toma de decisiones multicanal.
d. La diversidad de los sistemas transaccionales imposibilita la aplicación de integración y gobierno de datos previo al
análisis big data.
https://cdigital.cun.edu.co/mod/quiz/review.php?attempt=1051355&cmid=644464 1/8
Pregunta 2
Finalizado
Enunciado Pregunta: Las plataformas de streaming de video (Netflix, Hulu, Disney+, etc) capturan enormes volúmenes de
datos de visualización de contenidos, interacciones de usuario y metadata asociada. Su analítica determina éxitos y
fracasos, recomienda contenidos personalizados y aprende constantemente de retroalimentación implícita.
a. No es necesario preparar los datos de visualizaciones para poder analizarlos mediante técnicas estadísticas o de
inteligencia artificial que mejoren la experiencia de usuario.
b. Solo hace falta sensorizar la plataforma y almacenar toda la telemetría de usuario para crear modelos de
recomendación mediante deep learning.
c. Previo a cualquier uso analítico es imprescindible construir una vista governada de los datos y metadata mediante
políticas de privacidad, calidad e integración semántica antes de poder monitorear KPIs confiables o entrenar
modelos que automaticen recomendaciones personalizadas sobre datos contextualizados.
d. La velocidad y variedad de los eventos digitales impide la aplicación de procesos de ingesta, curación o gobierno
como paso previo al análisis.
Pregunta 3
Finalizado
Enunciado Pregunta:Una gran empresa de retail obtiene datos de navegación de los usuarios en su sitio de eCommerce
mediante cookies y eventos digitales. Esta información se almacena sin gobernanza en data lakes sobre la nube. El Chief
Data Officer ha solicitado perfilar a los clientes mediante la analítica web para campañas de marketing digital personalizado.
a. Para poder extraer perfiles confiables de cliente mediante analítica digital es imprescindible primero construir vistas
governadas y estructuradas mediante procesos ETL, aplicando la debida privacidad y calidad de datos antes de
hacer perfilamiento analítico.
b. Solo es necesario transcribir los archivos originales sobre algún data lake para proceder al perfilamiento mediante
machine learning.
c. La privacidad no es un aspecto relevante para la analítica cuando se trata de datos de navegación web.
d. Los eventos digitales sin procesar contienen suficiente información para perfilar adecuadamente mediante técnicas
de modelado sin preparación previa de los datos.
Pregunta 4
Finalizado
Enunciado Pregunta:Una empresa de servicios públicos cuenta con sistemas de lectura de medidores de energía, datos de
sensores IoT y multiples aplicaciones societarias y comerciales. La gerencia solicita monitorear en tiempo real el consumo
para detectar fraudes, mejorar la eficiencia operativa e incrementar ventas cruzadas de servicios mediante analítica
avanzada.
a. Es necesario construir primero una capa analítica confiable y gobernada mediante ETL e integración de datos antes
de poder monitorear KPIs o entrenar modelos de detección de fraude o ventas cruzadas.
b. La información en tiempo real no puede transformarse ni integrarse dada la velocidad y volumen por lo que debe
analizarse sin preparación.
c. Solo basta con almacenar todos los datos y aplicar luego inteligencia artificial para automatizar las decisiones de
negocio.
d. No se precisa limpiar ni enriquecer los datos al solo querer monitorear el consumo energético en forma real-time.
Pregunta 5
Finalizado
Enunciado Pregunta:Un fabricante de software empresarial ofrece sus aplicaciones tanto On-Premise como bajo modelos
SaaS en la nube. La compañía desea analizar en forma unificada los logs, métricas de uso y telemetría de las distintas
aplicaciones y entornos para mejorar las funcionalidades del software, experencia de usuario y modelos de soporte
predictivo mediante técnicas de inteligencia artificial.
a. Solo se requiere almacenar sin transformar los archivos de logs para que técnicas de inteligencia artificial
automaticen las mejoras
b. No hace falta integrar ni limpiar los datos antes de analizarlos para descubrir oportunidades de mejora del software.
c. Los datos de telemetría y logs pueden analizarse sin preparación previa mediante modelos de machine learning y
así mejorar los sistemas.
d. Es crítico construir primero una capa de datos integrada mediante ETL y procesos de streaming aplicando gobierno,
calidad y privacidad antes de obtener insights confiables del comportamiento de las aplicaciones y los usuarios,
mediante técnicas analíticas avanzadas.
Pregunta 6
Finalizado
Enunciado Pregunta: Una firma internacional de abogados que maneja una gran cantidad de expedientes legales y
documentación asociada requiere implementar capacidades de Analytics y gestión documental para mejorar la eficiencia en
la administración de casos y toma de decisiones.
a. Un paso crítico inicial es construir una base de conocimiento centralizada integrando los documentos no
estructurados provenientes de los diferentes sistemas de gestión de la firma, aplicando técnicas de procesamiento
de lenguaje natural antes de obtener insights con análisis de contenido.
b. La analítica textual de la documentación legal sin estructurar permitiría derivar casos de uso e insights de valor sin
necesidad de una gestión documental centralizada previa.
c. No se requiere una ingesta y preparación especial de los documentos legales para analizar su contenido y extraer
insights mediante machine learning.
d. Basta con digitalizar los expedientes como imágenes y almacenarlos para luego aplicar modelos de visión artificial
que analicen su contenido.
Pregunta 7
Finalizado
Enunciado Pregunta:Un operador logístico cuenta con múltiples sistemas de seguimiento vehicular, datos de ubicación GPS
y documentos asociados a los envíos. La gerencia solicita analizar esta información para optimizar rutas de entrega, acortar
tiempos de tránsito, disminuir consumo de combustible y mejorar la calidad del servicio.
a. Basta con almacenar sin transformaciones todos los datos para aplicar modelos avanzados que automaticen las
decisiones.
b. No se necesita preparar ni integrar los datos para analizarlos mediante técnicas estadísticas y de machine learning.
c. La variedad y velocidad de los datos GPS y documentales impiden la aplicación de procesos de ingesta y gobierno
antes del análisis.
d. Antes de aplicar cualquier técnica analítica es necesario construir una capa de datos integrada mediante procesos
ETL y garantizando privacidad, calidad y metadata de los activos de información para derivar insights confiables que
permitan mejorar la eficiencia logística.
Pregunta 8
Finalizado
Enunciado Pregunta: Un hospital genera una gran cantidad de datos clínicos en múltiples sistemas de imágenes médicas,
órdenes de laboratorio, signos vitales de pacientes monitorizados, protocolos de tratamiento e historiales clínicos en
diferentes formatos. La gerencia solicita utilizar estas fuentes de datos para investigación clínica avanzada y medicina
personalizada.
a. Los datos y contenidos biomédicos sin procesar tienen suficiente calidad y consistencia para aplicar modelos
analíticos sin preparación previa.
b. Solo se requiere digitalizar y almacenar sin modificación todas las fuentes de datos para su posterior análisis
mediante inteligencia artificial.
c. No es necesario integrar ni transformar los datos antes de analizarlos para asistir decisiones médicas o descubrir
patrones ocultos mediante machine learning.
d. Es imperativo primero construir una historia clínica electrónica integrada mediante procesos ETL y garantizando
privacidad, calidad y gobierno de los datos médicos antes de utilizarlos para diagnóstico o investigación mediante
técnicas analíticas avanzadas.
Pregunta 9
Finalizado
Enunciado Pregunta: Los vehículos modernos equipados con computadoras de abordo almacenan y transmiten cada vez
más datos de funcionamiento a los fabricantes mediante telemetría y protocolos OBD2. Los fabricantes buscan analizar esta
valiosa información en tempo real para optimizar diseños, predecir fallas, mejorar conducción autónoma y ofrecer nuevos
servicios.
a. No es necesario preparar los datos para poder analizarlos mediante técnicas estadísticas o de inteligencia artificial
en pos de mejorar el funcionamiento y la operación de los vehículos.
b. La velocidad y variedad de los datos automotrices impide la aplicación de procesos de ingesta, curación o gobierno
como paso previo al análisis
c. Solo hace falta sensorizar los autos y almacenar toda la telemetría para crear modelos de conducción autónoma
mediante deep learning.
d. Previo a cualquier uso analítico de los datos vehiculares es imprescindible construir una capa gobernada mediante
políticas de privacidad, calidad, metadatos y linaje, integrando mediante ETL la telemetría antes de poder monitorear
KPIs confiables o entrenar modelos predictivos sobre datos contextualizados.
Pregunta 10
Finalizado
Enunciado Pregunta:Los algoritmos de marketing digital automatizado capturan millones de eventos y atributos de usuarios
en tiempo real que giran en sistemas de publicidad comportamental para optimizar campañas, ofrecer recomendaciones
hiper-personalizadas y predecir conversiones mediante técnicas de inteligencia artificial.
a. La velocidad y variedad de los eventos de usuario impide la aplicación de procesos de ingesta, curación o gobierno
b. No es necesario preparar los datos de comportamiento digital para optimizar campañas mediante inteligencia
artificial.
c. Previo cualquier uso analítico es imprescindible construir perfiles digitales integrados mediante ETL aplicando las
políticas de privacidad y gobierno de datos antes de poder monitorear KPIs confiables de marketing o entrenar
modelos de propensión analítica automatizada sobre datos contextualizados.
d. Solo hace falta sensorizar la experiencia del usuario y centralizar toda la telemetría en data lakes para crear modelos
de optimización publicitaria mediante machine learning profundo.
Pregunta 11
Finalizado
Enunciado Pregunta: Una importante ciudad ha implementado soluciones de Ciudades Inteligentes que recolectan
cantidades masivas de datos en tiempo real provenientes de semáforos, vehículos, cámaras de vigilancia, sensores
ambientales y sistemas públicos. La nueva administración desea gobernar y analizar estos datos para generar valor público.
a. Previo a cualquier uso analítico es imprescindible construir una plataforma gobernada mediante policies de
privacidad, calidad, metadatos y linaje, integrando mediante ETL la gran variedad de datos antes de poder
monitorear KPIs urbanos confiables o desarrollar casos de uso de valor para los ciudadanos.
b. Solo hace falta sensorizar la ciudad y almacenar toda la info para crear dashboards automáticos y tomar decisiones
basadas en self-driving analytics.
c. No es necesario preparar los datos para poder analizarlos mediante técnicas estadísticas o de inteligencia artificial
en pos de mejorar la gestión de la ciudad y los servicios públicos.
d. La velocidad y variedad de los datos de ciudad impide la aplicación de procesos de ingesta, limpieza o gobierno
Pregunta 12
Finalizado
Enunciado Pregunta: Las tarjetas de fidelización de cliente capturan cantidades masivas de datos transaccionales desde los
puntos de venta minoristas, incluyendo línea por línea los productos adquiridos asociados a cada comprador. Las cadenas
buscan analizar estos datos para optimizar surtido, precios y promociones, mediante la aplicde técnicas de inteligencia
artificial
a. Solo hace falta capturar toda la información transaccional en data lakes para crear modelos de optimización
comercial mediante machine learning.
b. La velocidad y variedad de los datos transaccionales impide la aplicación de procesos de ingesta, curación o
gobierno como paso previo al análisis.
c. No es necesario preparar los datos de punto de venta para poder analizarlos mediante técnicas estadísticas o de
inteligencia artificial en pos de optimizar la mezcla comercial.
d. Previo a cualquier uso analítico es imprescindible construir una vista governada de los datos mediante políticas de
privacidad, calidad, linaje e integración semántica mediante procesos ETL, antes de poder monitorear KPIs
confiables o entrenar modelos predictivos sobre datos contextualizados de la canasta de mercado.
Pregunta 13
Finalizado
Enunciado Pregunta: Un banco cuenta con múltiples aplicaciones y bases de datos transaccionales core bancarias en las
cuales reside información valiosa sobre el comportamiento y la relación de los clientes con la entidad financiera. La gerencia
solicita a TI utilizar analítica avanzada y big data para mejor conocer a los clientes.
a. Solo hay que enfocarse en aplicar las técnicas de modelado sin importar la calidad y consistencia de los datos.
b. Basta con transcribir los datos tal como se almacenan en los sistemas transaccionales al data lake para poder
analizarlos luego a profundidad.
c. Se debe crear un data lake como capa de almacenamiento centralizado y aplicar procesos de ETL para refinar,
integrar y enriquecer los datos provenientes de las diversas fuentes antes de hacer cualquier tipo de análisis para
obtener insights de negocio confiables. Luego se pueden aplicar modelos analíticos avanzados.
d. No se necesita realizar ninguna preparación especial de los datos para analizarlos y extraer insights relevantes.
Pregunta 14
Finalizado
Enunciado Pregunta: Los drones y vehículos autónomos para entrega de ultima milla capturan masivos flujos de datos de
ubicación y telemetría para optimizar en tiempo real sus rutas de reparto, evitar colisiones y mejorar eficiencia analytics
sobre datos en movimiento.
a. La velocidad y variedad de los datos de movilidad impide la aplicación de procesos de ingesta, curación o gobierno
b. Previo cualquier uso analítico es imprescindible construir una capa governada integrando y contextualizando los
flujos de telemetría en tiempo real mediante políticas de privacidad, calidad y metadatos antes de poder monitorear
KPIs confiables o entrenar modelos de aprendizaje automatizado sobre datos contextualizados.
c. No es necesario preparar los datos de ubicación en tiempo real para optimizar rutas de entrega mediante
inteligencia artificial.
d. Solo hace falta sensorizar los vehículos y almacenar las coordenadas de movimiento para crear modelos de
conducción autónoma mediante deep learning.
Pregunta 15
Finalizado
Enunciado Pregunta: Los registros electrónicos de salud capturan de forma longitudinal datos clínicos de pacientes
provenientes de varias fuentes como telemedicina, dispositivos médicos, wearables de monitoreo, imágenes médicas e
historiales de salud. Su análisis permite la medicina de precisión.
a. Solo hace falta sensorizar la atención sanitaria y almacenar toda la info de pacientes para crear modelos de
diagnóstico mediante deep learning.
b. No es necesario preparar los datos para poder analizarlos mediante técnicas estadísticas o de inteligencia artificial
en aras de avanzar la medicina de precisión o personalizada.
c. Previo cualquier uso analítico es imprescindible construir una historia clínica electrónica integrada mediante ETL y
garantizando privacidad, calidad y gobierno de los datos médicos antes de utilizarlos para diagnóstico o
investigación mediante técnicas de inteligencia artificial sobre datos confiables y contextualizados.
d. La velocidad y variedad de los datos de salud impide la aplicación de procesos de ingesta, curación y gobierno

Parcial 2 - Revisión Del Intento - Cdigital

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Parcial 2 - Revisión Del Intento - Cdigital

Cargado por

Copyright:

Formatos disponibles

8/3/24, 11:58 Parcial 2: Revisión del intento | cdigital

Comenzado el viernes, 8 de marzo de 2024, 11:41

Se puntúa 1.0 sobre 1.0

Se puntúa 1.0 sobre 1.0

Se puntúa 1.0 sobre 1.0

Se puntúa 1.0 sobre 1.0

Se puntúa 1.0 sobre 1.0

Se puntúa 1.0 sobre 1.0

Se puntúa 1.0 sobre 1.0

Se puntúa 1.0 sobre 1.0

Se puntúa 1.0 sobre 1.0

Se puntúa 1.0 sobre 1.0

Se puntúa 1.0 sobre 1.0

Se puntúa 1.0 sobre 1.0

Se puntúa 1.0 sobre 1.0

Se puntúa 1.0 sobre 1.0

Se puntúa 1.0 sobre 1.0

También podría gustarte