No se han encontrado resultados

Su búsqueda no coincide con ningún resultado.

Le sugerimos que pruebe lo siguiente para poder encontrar lo que está buscando:

  • Verifique la ortografía de su búsqueda de palabras clave.
  • Utilice sinónimos para la palabra clave que escribió; por ejemplo, intente con “aplicación” en lugar de “software”.
  • Pruebe con una de las búsquedas populares que se muestran a continuación.
  • Comience una nueva búsqueda.
Tendencias de preguntas

¿Qué son los big data?

Definición de big data

¿Qué son exactamente los big data?

La definición de big data dice que son datos que contienen una mayor variedad y que se presentan en volúmenes crecientes y a una mayor velocidad. Esto también se conoce como “las tres V”.

Dicho de otro modo, los big data son conjuntos de datos de mayor tamaño y más complejos, procedentes particularmente de nuevas fuentes de datos. Estos conjuntos de datos son tan voluminosos que el software de procesamiento de datos convencional sencillamente no puede administrarlos. Sin embargo, estos volúmenes masivos de datos pueden utilizarse para abordar problemas empresariales que antes no hubiera sido posible solucionar.

Las “tres V” de los big data

Volumen La cantidad de datos importa. Con los big data, tendrá que procesar grandes volúmenes de datos sin estructura y de baja densidad. Puede tratarse de datos de valor desconocido, como los feeds de datos de Twitter, los flujos de clics de una página web o una aplicación para móviles, o equipo provistos de sensores. Para algunas organizaciones, esto puede suponer decenas de terabytes de datos. Para otras, incluso cientos de petabytes.
Velocidad La velocidad es el ritmo al que se reciben los datos y (posiblemente) al que se utilizan. Por lo general, la mayor velocidad de los datos se transmite directamente a la memoria, en vez de escribirse en un disco. Algunos productos inteligentes habilitados para Internet funcionan en tiempo real o prácticamente en tiempo real y requieren una evaluación y actuación en tiempo real.
Variedad La variedad hace referencia a los diversos tipos de datos disponibles. Los tipos de datos convencionales tenían una estructura definida y podían organizarse perfectamente dentro de una base de datos relacional. Con el auge del big data, los datos se presentan en nuevos tipos de datos no estructurados. Los tipos de datos no estructurados y semiestructurados, como el texto, audio o video, requieren un preprocesamiento adicional para poder extraer significado y habilitar los metadatos.

El valor (y la veracidad) de los big data

En los últimos años, han surgido “dos V” adicionales: valor y veracidad. Los datos poseen un valor intrínseco. Sin embargo, no tienen ninguna utilidad hasta que dicho valor se descubre. Resulta igualmente importante: ¿cuál es la veracidad de sus datos y cuánto puede confiar en ellos?

Hoy en día, los big data se han convertido en un activo crítico. Piense en algunas de las mayores empresas tecnológicas del mundo. Gran parte del valor que ofrecen procede de sus datos, los cuales analizan constantemente para generar una mayor eficiencia y desarrollar nuevos productos.

Avances tecnológicos recientes han reducido exponencialmente el costo del almacenamiento y la computación de datos, haciendo que almacenar datos resulte más fácil y barato que nunca. Actualmente, con un mayor volumen de big data más barato y accesible, puede tomar decisiones empresariales más acertadas y precisas.

Identificar el valor de los big data no pasa solo por analizarlos (que es ya una ventaja en sí misma). Se trata de todo un proceso de descubrimiento que requiere que los analistas, usuarios empresariales y ejecutivos se planteen las preguntas correctas, identifiquen patrones, tomen decisiones informadas y predigan comportamientos.

Pero ¿cómo llegamos hasta aquí?

La historia de los big data

Si bien el concepto de los “big data” en sí mismo es relativamente nuevo, los orígenes de los grandes conjuntos de datos se remontan a las décadas de 1960 y 1970, cuando el mundo de los datos acababa de empezar con los primeros centros de datos y el desarrollo de las bases de datos relacionales.

Alrededor de 2005, la gente empezó a darse cuenta de la cantidad de datos que generaban los usuarios a través de Facebook, YouTube y otros servicios online. Ese mismo año, se desarrollaría Hadoop, un marco de código abierto creado específicamente para almacenar y analizar grandes conjuntos de datos. En esta época, también empezaría a adquirir popularidad NoSQL.

El desarrollo de marcos de código abierto, tales como Hadoop (y, más recientemente, Spark), sería esencial para el crecimiento del big data, pues estos hacían que el big data fuera más fácil de usar y más barato de almacenar. En los años transcurridos desde entonces, el volumen de los big data se ha disparado. Los usuarios continúan generando enormes cantidades de datos, pero ahora los seres humanos no son los únicos que lo hacen.

Con la llegada de la Internet de las cosas (IoT), hay un mayor número de objetos y dispositivos conectados a Internet que generan datos sobre los patrones de uso de los clientes y el desempeño de los productos. El surgimiento del aprendizaje automático ha producido aún más datos.

Aunque el big data ha llegado lejos, su utilidad recién empieza. La computación en la nube ha ampliado aún más las posibilidades del big data. La nube ofrece una escalabilidad realmente flexible, donde los desarrolladores pueden iniciar simplemente clústeres ad hoc para probar un subconjunto de datos. Y las bases de datos de grafos también se están volviendo cada vez más importantes, debido a la capacidad de presentar cantidades inmensas de datos de manera tal que permite realizar los análisis en forma rápida y completa.


Ventajas de los big data:

  • Los big data le permiten obtener respuestas más completas, ya que le ofrecen una mayor cantidad de información.
  • La disponibilidad de respuestas más completas significa una mayor fiabilidad de los datos, lo que implica un enfoque completamente distinto a la hora de abordar los problemas.

Casos de uso de los big data

Los big data pueden ayudarlo a abordar una serie de actividades empresariales, desde la experiencia de los clientes hasta las funciones de análisis. A continuación, recopilamos algunas de ellas.

Desarrollo de productos Empresas como Netflix y Procter & Gamble usan big data para prever la demanda de los clientes. Construyen modelos predictivos para nuevos productos y servicios, clasificando atributos clave de productos anteriores y actuales, y modelando la relación entre dichos atributos y el éxito comercial de las ofertas. Además, P&G utiliza los datos y los análisis de grupos de interés, redes sociales, mercados de prueba y avances de salida en tiendas para planificar, producir y lanzar nuevos productos.
Mantenimiento predictivo Los factores capaces de predecir fallas mecánicas pueden estar profundamente ocultos entre datos estructurados (año del equipo, marca o modelo de una máquina) o entre datos no estructurados que cubren millones de entradas de registros, datos de sensores, mensajes de error y temperaturas de motor. Al analizar estos indicadores de problemas potenciales antes de que estos se produzcan, las organizaciones pueden implementar el mantenimiento de una forma más rentable y optimizar el tiempo de servicio de componentes y equipos.
Experiencia del cliente La carrera por los clientes ya partió. Disponer de una vista clara de la experiencia del cliente es más posible que nunca. El big data le permite recopilar datos de redes sociales, visitas a páginas web, registros de llamadas y otras fuentes para mejorar la experiencia de interacción, así como maximizar el valor ofrecido. Empiece a preparar ofertas personalizadas, reducir las tasas de abandono de los clientes y administrar las incidencias de manera proactiva.
Fraudes y cumplimiento normativoEn lo que a seguridad se refiere, no se enfrenta a simples hackers solitarios, sino a equipos completos de expertos. Los contextos de seguridad y requisitos de conformidad están en constante evolución. Los big data lo ayudan a identificar patrones en los datos que pueden ser indicativos de fraude y le permiten acumular simultáneamente grandes volúmenes de información para agilizar la generación de los informes normativos.
Aprendizaje automático El aprendizaje automático es un tema candente en la actualidad. Los datos, concretamente los big data, son uno de los motivos de que así sea. Ahora, en lugar de programarse, las máquinas pueden aprender. Esto es posible gracias a la disponibilidad de big data para crear modelos de aprendizaje automático.
Eficiencia operativaPuede que la eficiencia operativa no sea la noticia más importante, pero es el área donde los big data tienen el mayor impacto. Los big data le permiten analizar y evaluar la producción, la opinión de los clientes, las devoluciones y otros factores para reducir las interrupciones y prever la demanda futura. Los big data también pueden utilizarse para mejorar la toma de decisiones en función de la demanda de mercado del momento.
Fomente la innovaciónLos big data pueden ayudarle a innovar mediante el estudio de las interdependencias entre seres humanos, instituciones, entidades y procesos, y, posteriormente, mediante la determinación de nuevas maneras de usar dicha información. Utilice las perspectivas que le ofrecen los datos para mejorar sus decisiones financieras y consideraciones de planificación. Estudie las tendencias y lo que desean los clientes para ofrecer nuevos productos y servicios. Implemente políticas de precios dinámicas. Las posibilidades son infinitas.

Desafíos de los big data

Si bien es cierto que los big data prometen mucho, también presentan desafíos.

En primer lugar, el big data se caracteriza por su gran tamaño. Aunque se han desarrollado nuevas tecnologías para el almacenamiento de datos, el volumen de datos duplica su tamaño cada dos años aproximadamente. Las organizaciones continúan esforzándose por mantener el ritmo de crecimiento de sus datos y por encontrar formas de almacenarlos eficazmente.

Pero no basta con almacenar los datos. Para ser de algún valor, los datos deben poder utilizarse, y esto depende de su conservación. Disponer de datos limpios —es decir, datos relevantes para el cliente y organizados de tal modo que permitan un análisis significativo— requiere una gran cantidad de trabajo. Los científicos de datos dedican entre un 50 y un 80 por ciento de su tiempo a seleccionar y preparar los datos antes de que estos puedan utilizarse.

Por último, la tecnología de big data cambia a un ritmo rápido. Hace unos años, Apache Hadoop era la tecnología más conocida utilizada para administrar big data. Más tarde, en 2014, entraría en juego Apache Spark. Hoy en día, el enfoque óptimo parece ser una combinación de ambos marcos. Mantenerse al día en cuanto a tecnología de big data supone un desafío constante.

Descubra más recursos de big data:

Cómo funcionan los big data

Los big data le aportan nuevas perspectivas que abren paso a nuevas oportunidades y nuevos modelos de negocio. Iniciarse en ello requiere de tres acciones clave:

1.  Integrar
Los big data reúnen los datos de numerosas fuentes y aplicaciones distintas. Los mecanismos de integración de datos convencionales, como extraer, transformar, cargar (ETL), generalmente no están a la altura de dicha tarea. Analizar conjuntos de big data de un tamaño de uno o más terabytes, o incluso petabytes, requiere de nuevas estrategias y tecnologías.

Durante la integración, es necesario incorporar los datos, procesarlos y asegurarse de que estén formateados y disponibles de tal forma que los analistas empresariales puedan empezar a utilizarlos.

2.  Administrar
Los big data requieren almacenamiento. Su solución de almacenamiento puede residir en la nube, en las instalaciones o en ambos. Puede almacenar sus datos de cualquier forma que desee e incorporar los requisitos de procesamiento de su preferencia y los motores de procesamiento necesarios a dichos conjuntos de datos a pedido. Muchas personas eligen su solución de almacenamiento en función de dónde residan sus datos en cada momento. La popularidad de La nube está aumentando progresivamente porque es compatible con sus requisitos tecnológicos actuales y porque le permite incorporar recursos a medida que los necesita.

3.  Analizar
La inversión en big data empieza a rendir frutos en cuanto se analizan y utilizan los datos. Adquiera una nueva claridad con un análisis visual de sus diversos conjuntos de datos. Continúe explorando los datos para realizar nuevos descubrimientos. Comparta sus hallazgos con otras personas. Construya modelos de datos con aprendizaje automático e inteligencia artificial. Ponga a trabajar sus datos.

Prácticas recomendadas para los big data

Para ayudarle en su transición a los big data, hemos recopilado una serie de prácticas recomendadas que debe tener en cuenta. A continuación, detallamos nuestras pautas para crear una base sólida para los big data.

Alinee los big data con objetivos empresariales específicos La disponibilidad de conjuntos de datos más amplios le permite realizar nuevos hallazgos. A tal efecto, es importante basar las nuevas inversiones en habilidades, organización o infraestructura con un marcado contexto empresarial para garantizar la constancia en la financiación e inversión en proyectos. Para determinar si se encuentra en el camino correcto, pregúntese en qué medida el big data respalda y habilita sus principales prioridades empresariales y de TI. Algunos ejemplos incluyen entender cómo filtrar los registros web para comprender el comportamiento del comercio electrónico, extraer la percepción de las redes sociales y de las interacciones de atención al cliente, así como entender los métodos de correlación estadística y su relevancia para los datos de los clientes, los productos, la fabricación y la ingeniería.
Mitigue la escasez de personal cualificado con estándares y gobernanza Uno de los mayores obstáculos para poder beneficiarse de su inversión en big data es la escasez de personal cualificado. Puede mitigar el riesgo asegurándose de incorporar a su programa de gobierno de TI tecnologías, consideraciones y decisiones relativas a big data. Normalizar su enfoque le permitirá administrar los costos y aprovechar los recursos. Las organizaciones que implementen soluciones y estrategias de big data deben evaluar sus necesidades de habilidades de forma temprana y frecuente, e identificar de manera proactiva las posibles carencias de habilidades. Esto puede lograrse mediante la capacitación regular o cruzada entre los recursos existentes, la contratación de nuevos recursos y el uso de empresas de consultoría.
Optimice la transferencia de conocimientos con un centro de excelencia Utilice un enfoque basado en un centro de excelencia para compartir conocimientos, supervisar el control y administrar las comunicaciones de proyectos. Tanto si el big data es una inversión nueva o en expansión, los costos directos e indirectos pueden distribuirse en toda la empresa. Este enfoque puede contribuir a la expansión de las capacidades de los big data y la madurez del conjunto de la arquitectura de información en forma más sistemática y estructurada.
La principal ventaja reside en alinear los datos estructurados y no estructurados

Analizar los big data de forma aislada sin duda que aporta valor. Sin embargo, puede obtener una perspectiva empresarial aún más valiosa relacionando e integrando los big data de baja densidad con los datos estructurados que ya usa en la actualidad.

Tanto si está recopilando big data de clientes, de productos, de equipos o ambientales, el objetivo es añadir puntos de datos más relevantes a sus resúmenes maestros y analíticos, lo que le permitirá obtener mejores conclusiones. Por ejemplo, existe una diferencia en distinguir la percepción de todos los clientes de la de solo sus mejores clientes. Por eso, muchos consideran que big data constituye una extensión integral de sus capacidades existentes de inteligencia empresarial, de su plataforma de almacenamiento de datos y de su arquitectura de información.

Tenga en cuenta que los modelos y procesos analíticos de big data pueden ser tanto humanos como automáticos. Las capacidades de análisis de big data incluyen estadísticas, análisis especiales, semántica, detección interactiva y visualización. Mediante el uso de modelos analíticos, puede relacionar distintos tipos y fuentes de datos para realizar asociaciones y hallazgos significativos.

Planifique el laboratorio de hallazgos en pro del rendimiento

El concepto de “hallazgo” implica que los datos no siempre se obtienen directamente. En ocasiones, ni siquiera sabemos qué estamos buscando. Eso es de esperar. La dirección y los equipos de TI deben respaldar esta "falta de dirección" o "falta de claridad en los requisitos".

Al mismo tiempo, es importante que analistas y científicos de datos colaboren estrechamente con la empresa para entender las principales necesidades y las carencias de conocimientos de la empresa. Para incorporar el estudio interactivo de los datos y la experimentación de algoritmos estadísticos, necesita contar con áreas de trabajo de alto rendimiento. Asegúrese de que los entornos de pruebas (sandbox) cuenten con el apoyo que necesitan y que estén correctamente gobernados.

Alineación con el modelo operativo en la nube Los usuarios y procesos de big data requieren acceso a una amplia variedad de recursos de experimentación iterativa y ejecución de tareas de producción. Una solución de big data incluye todos los ámbitos de los datos, incluidas transacciones, datos principales, datos de referencia y datos resumidos. Los entornos de pruebas (sandbox) analíticos deben crearse a pedido. La administración de recursos es fundamental para garantizar el control de todo el flujo de datos, incluido el procesamiento previo y posterior, la integración, el resumen dentro de la base de datos y la creación de modelos analíticos. Disponer de una estrategia bien definida de aprovisionamiento y seguridad en la nube pública y privada es fundamental para respaldar estos requisitos cambiantes.

Obtenga más información sobre los big data en Oracle