Discutir la principal motivación y

los impulsores para la adopción

de Big Data

1
 Comprender los grandes datos
• Big Data es un campo dedicado al análisis,
procesamiento y almacenamiento de grandes
colecciones de datos que con frecuencia se
originan en fuentes dispares. Las soluciones y
prácticas de Big Data generalmente se
requieren cuando las tecnologías y técnicas
tradicionales de análisis, procesamiento y
almacenamiento de datos son insuficientes.

2
 Comprender los grandes datos 1
• Específicamente, Big Data aborda distintos
requisitos, como la combinación de múltiples
conjuntos de datos no relacionados, el
procesamiento de grandes cantidades de
datos no estructurados y la recolección de
información oculta de manera sensible al
tiempo.

3
 Comprender los grandes datos 2
Los resultados obtenidos a través del procesamiento de Big Data
pueden conducir a una amplia gama de conocimientos y beneficios,
tales como:

• optimización operativa
• inteligencia procesable
• identificación de nuevos mercados
• predicciones precisas
• detección de fallas y fraudes
• registros más detallados
• mejora de la toma de decisiones
• descubrimientos cientificos
4
 Conceptos y Terminología

• conjuntos de datos

Las colecciones o grupos de datos relacionados generalmente se denominan

conjuntos de datos. Cada grupo o miembro del conjunto de datos (datum)
comparte el mismo conjunto de atributos o propiedades que otros en el
mismo conjunto de datos. Algunos ejemplos de conjuntos de datos son:

• tweets almacenados en un archivo plano

• una colección de archivos de imagen en un directorio
• un extracto de filas de una tabla de base de datos almacenada en un
archivo con formato CSV
• observaciones meteorológicas históricas que se almacenan como archivo
XML

5
Los conjuntos de datos se pueden encontrar
en muchos formatos diferentes:

6
 Análisis de los datos

- El análisis de datos es el proceso de examinar datos para

encontrar hechos, relaciones, patrones, percepciones y/o
tendencias. El objetivo general del análisis de datos es
apoyar una mejor toma de decisiones.
- Ejemplo: un ejemplo simple de análisis de datos es el
análisis de los datos de ventas de helados para determinar
cómo se relaciona la cantidad de conos de helado vendidos
con la temperatura diaria. Los resultados de dicho análisis
respaldarían las decisiones relacionadas con la cantidad de
helado que debe pedir una tienda en relación con la
información del pronóstico del tiempo.
7
 Análisis de datos
• El análisis de datos es un término más amplio que abarca el
análisis de datos.
• El análisis de datos es una disciplina que incluye la gestión
del ciclo de vida completo de los datos, que abarca la
recopilación, la limpieza, la organización, el
almacenamiento, el análisis y el control de los datos.
• El término incluye el desarrollo de métodos de análisis,
técnicas científicas y herramientas automatizadas.
• En entornos de Big Data, el análisis de datos ha desarrollado
métodos que permiten que el análisis de datos ocurra
mediante el uso de marcos y tecnologías distribuidas
altamente escalables que son capaces de analizar grandes
volúmenes de datos de diferentes fuentes.
8
Análisis de datos

9
 Análisis de datos 2
• El ciclo de vida del análisis de Big Data generalmente
implica:
- identificar,
- proxenetismo,
- preparando
- y analizando
grandes cantidades de datos sin estructurar y sin procesar
para extraer información significativa que puede servir como
entrada para identificar patrones, enriquecer los datos
empresariales existentes y realizar búsquedas a gran escala.

10
 Ejemplos
¿Cómo ayuda Data Analytics a las empresas e industrias?
- En entornos orientados a los negocios, los resultados del
análisis de datos pueden reducir los costos operativos y
facilitar la toma de decisiones estratégicas.
- En el dominio científico, el análisis de datos puede
ayudar a identificar la causa de un fenómeno para mejorar
la precisión de las predicciones.
- En entornos basados en servicios, como las
organizaciones del sector público, el análisis de datos
puede ayudar a fortalecer el enfoque en la prestación de
servicios de alta calidad al reducir los costos.

11
 Continuación
• El análisis de datos permite la toma de
decisiones basada en datos con respaldo
científico para que las decisiones puedan
basarse en datos fácticos y no simplemente en
la experiencia pasada o la intuición.

12
 Categorías de análisis de datos
Hay cuatro categorías generales de análisis que
se distinguen por los resultados que producen:
• análisis descriptivo
• análisis de diagnóstico
• análisis predictivo
• análisis prescriptivo

13
Valor y Complejidad

14
 Analítica descriptiva
Los análisis descriptivos se llevan a cabo para responder
preguntas sobre eventos que ya han ocurrido. Esta forma
de análisis contextualiza los datos para generar
información.
Las preguntas de muestra pueden incluir:
• ¿Cuál fue el volumen de ventas en los últimos 12 meses?
• ¿Cuál es el número de llamadas de soporte recibidas
clasificadas por gravedad y ubicación geográfica?
• ¿Cuál es la comisión mensual que gana cada agente de
ventas?

15
 Análisis descriptivo
• Se estima que el 80% de los resultados
analíticos generados son de naturaleza
descriptiva. El análisis descriptivo en cuanto al
valor proporciona el menor valor y requiere
un conjunto de habilidades relativamente
básico.

16
 Análisis de diagnóstico
El análisis de diagnóstico tiene como objetivo determinar la
causa de un fenómeno que ocurrió en el pasado utilizando
preguntas que se centran en la razón detrás del evento (análisis
de causa raíz). El objetivo de este tipo de analítica es
determinar qué información está relacionada con el fenómeno
para poder responder preguntas que buscan determinar por
qué ha ocurrido algo.
Tales preguntas incluyen:
• ¿Por qué unas ventas específicas fueron menores que las
otras ventas?
• ¿Por qué ha habido más llamadas de soporte provenientes de
la región Este que de la región Oeste?
• ¿Por qué hubo un aumento en las tasas de reingreso de
pacientes en los últimos tres meses?
17
 Análisis de diagnóstico (continuación)

• Los resultados de los análisis de diagnóstico se

ven a través de herramientas de visualización
interactivas que permiten a los usuarios
identificar tendencias y patrones.
• Las consultas ejecutadas son más complejas
en comparación con las de análisis descriptivo
y se realizan en datos multidimensionales que
se encuentran en los sistemas de
procesamiento analítico.
18
 Análisis predictivo
• El análisis predictivo se lleva a cabo en un intento de
determinar el resultado de un evento que podría ocurrir en el
futuro.
• Con el análisis predictivo, la información se mejora con
significado para generar conocimiento que transmite cómo se
relaciona esa información.

• La fuerza y la magnitud de las asociaciones forman la base de

los modelos que se utilizan para generar predicciones futuras
basadas en eventos pasados.
• Es importante comprender que los modelos utilizados para el
análisis predictivo tienen dependencias implícitas en las
condiciones bajo las cuales ocurrieron los eventos pasados.
• Si estas condiciones subyacentes cambian, entonces los19
modelos que hacen predicciones deben actualizarse.
 Análisis predictivo (continuación)
• Las preguntas generalmente se formulan utilizando una
lógica hipotética, como la siguiente:
• ¿Cuáles son las posibilidades de que un cliente no
cumpla con un préstamo si no ha hecho un pago
mensual?
• ¿Cuál será la tasa de supervivencia del paciente si se
administra el medicamento B en lugar del medicamento
A?
• Si un cliente ha comprado los productos A y B, ¿cuáles
son las posibilidades de que también compre el producto
C?
20
 Análisis predictivo (continuación 2)
• El análisis predictivo intenta predecir los
resultados de los eventos, y las predicciones
se realizan en función de patrones, tendencias
y excepciones que se encuentran en los datos
históricos y actuales. Esto puede conducir a la
identificación de riesgos y oportunidades.

21
 Análisis Prescriptivo
• El análisis prescriptivo se basa en los resultados del
análisis predictivo al prescribir las acciones que
deben tomarse. La atención se centra no solo en qué
opción prescrita es mejor seguir, sino por qué.
• En otras palabras, el análisis prescriptivo proporciona
resultados sobre los que se puede razonar porque
incorporan elementos de comprensión situacional.
• Por lo tanto, este tipo de análisis se puede utilizar para
obtener una ventaja o mitigar un riesgo.

22
 Análisis Prescriptivo (Cont.)
Las preguntas de muestra pueden incluir:
• Entre tres fármacos, ¿cuál proporciona los
mejores resultados?
• ¿Cuándo es el mejor momento para negociar
una acción en particular?

23
 Análisis Prescriptivo (Cont. 2)
• Los análisis prescriptivos brindan más valor que
cualquier otro tipo de análisis y, en
consecuencia, requieren el conjunto de
habilidades más avanzado, así como
herramientas y software especializados.
• Se calculan varios resultados y se sugiere el
mejor curso de acción para cada resultado. El
enfoque cambia de explicativo a consultivo y
puede incluir la simulación de varios escenarios.
24
 Referencia
• Fundamentos de Big Data
• Autor(es): Thomas Erl
• Editor: Prentice Hall PTG
• Año de derechos de autor: © 2016
• Edición: 1ª

25