{"id":495,"date":"2019-01-23T13:58:58","date_gmt":"2019-01-23T18:58:58","guid":{"rendered":"http:\/\/blog.hostdime.la\/?p=495"},"modified":"2019-03-06T10:34:03","modified_gmt":"2019-03-06T15:34:03","slug":"que-es-big-data-analytics-porque-necesito-para-mi-negocio","status":"publish","type":"post","link":"https:\/\/www.hostdime.la\/blog\/que-es-big-data-analytics-porque-necesito-para-mi-negocio\/","title":{"rendered":"\u00bfQue es el Big Data analytics y porqu\u00e9 lo necesito para mi negocio?"},"content":{"rendered":"

\u00bfQue es el Big Data analytics<\/strong> y porqu\u00e9 lo necesito para mi negocio? Big data se define principalmente por el volumen de un conjunto de datos. Los grandes conjuntos de datos son generalmente enormes (se miden en decenas de terabytes) y, a veces, cruzan el umbral de petabytes.<\/p>\n

El t\u00e9rmino big data estaba precedido por bases de datos muy grandes (VLDB) que se gestionaban utilizando sistemas de gesti\u00f3n de bases de datos (DBMS). Hoy en d\u00eda, el big data se divide en tres categor\u00edas de conjuntos de datos: estructurado<\/strong>, no estructurado<\/strong> y semiestructurado<\/strong>.<\/p>\n

Los conjuntos de datos estructurados se componen de datos que pueden utilizarse en su forma original para obtener resultados. Los ejemplos incluyen datos relacionales, como los registros salariales de los empleados. La mayor\u00eda de las computadoras y aplicaciones modernas est\u00e1n programadas para generar datos estructurados en formatos preestablecidos<\/strong> para que sea m\u00e1s f\u00e1cil de procesar.<\/p>\n

\"Conjuntos<\/a>Los conjuntos de datos no estructurados , por otro lado, no tienen el formato y la alineaci\u00f3n adecuados. Los ejemplos incluyen textos humanos, resultados\u00a0de b\u00fasqueda de Google, etc. Estas colecciones aleatorias de conjuntos de datos requieren m\u00e1s poder de procesamiento y tiempo para la conversi\u00f3n en conjuntos de datos estructurados, de modo que puedan ayudar a obtener resultados tangibles. Los conjuntos de datos semiestructurados<\/a> son una combinaci\u00f3n de ambos. Datos estructurados y no estructurados. Estos conjuntos de datos pueden tener una estructura adecuada y, sin embargo, carecer de elementos definitorios para la clasificaci\u00f3n y el procesamiento. Los ejemplos incluyen RFID y datos XML.<\/p>\n

Los conjuntos de datos semiestructurados son una combinaci\u00f3n de datos estructurados y no estructurados. Estos conjuntos de datos pueden tener una estructura adecuada y, sin embargo, carecer de elementos definitorios para su clasificaci\u00f3n y procesamiento. Los ejemplos incluyen RFID y datos XML.<\/p>\n

El procesamiento de big data requiere una configuraci\u00f3n particular de m\u00e1quinas f\u00edsicas y virtuales para obtener resultados. El procesamiento se realiza simult\u00e1neamente para lograr resultados lo m\u00e1s r\u00e1pido posible. En estos d\u00edas, las t\u00e9cnicas de procesamiento de datos grandes tambi\u00e9n incluyen la computaci\u00f3n en la nube y la inteligencia artificial . Estas tecnolog\u00edas ayudan a reducir las entradas y la supervisi\u00f3n manuales al automatizar muchos procesos y tareas.<\/p>\n

La naturaleza evolutiva de los grandes datos ha hecho que sea dif\u00edcil darle una definici\u00f3n com\u00fanmente aceptada. Los conjuntos de datos se env\u00edan al estado de big data seg\u00fan las tecnolog\u00edas y herramientas necesarias para su procesamiento.<\/p>\n

An\u00e1lisis de big data – Tecnolog\u00edas y herramientas<\/span><\/h2>\n

\"Ana\u0301lisis<\/a>El an\u00e1lisis de Big Data es el proceso de extracci\u00f3n de informaci\u00f3n \u00fatil mediante el an\u00e1lisis de diferentes tipos de grandes conjuntos de datos. El an\u00e1lisis de Big Data se utiliza para descubrir patrones ocultos, tendencias del mercado y preferencias de los consumidores, en beneficio de la toma de decisiones organizativas. Hay varios pasos y tecnolog\u00edas involucradas en el an\u00e1lisis de big data.<\/p>\n

Adquisici\u00f3n de datos<\/span><\/h2>\n

La adquisici\u00f3n de datos tiene dos componentes: identificaci\u00f3n y recopilaci\u00f3n de big data. La identificaci\u00f3n de big data se realiza analizando los dos formatos naturales de los datos nacidos digital y anal\u00f3gico.<\/p>\n

Datos digitales de nacimiento<\/span><\/h3>\n

Es la informaci\u00f3n que se ha capturado a trav\u00e9s de un medio digital, por ejemplo, una aplicaci\u00f3n de computadora o tel\u00e9fono inteligente, etc. Este tipo de datos tiene un rango cada vez m\u00e1s amplio ya que los sistemas siguen recopilando diferentes tipos de informaci\u00f3n de los usuarios. Los datos digitales de nacimiento son rastreables y pueden proporcionar informaci\u00f3n empresarial tanto demogr\u00e1fica como personal. Los ejemplos incluyen cookies, anal\u00edtica web y rastreo de GPS.<\/p>\n

Datos anal\u00f3gicos de nacimiento<\/span><\/h3>\n

Cuando la informaci\u00f3n se presenta en forma de im\u00e1genes, videos y otros formatos similares relacionados con elementos f\u00edsicos de nuestro mundo, se denomina como datos anal\u00f3gicos. Estos datos requieren la conversi\u00f3n a formato digital mediante el uso de sensores, como c\u00e1maras, grabaciones de voz, asistentes digitales, etc. El creciente alcance de la tecnolog\u00eda tambi\u00e9n ha elevado la velocidad a la que los datos anal\u00f3gicos tradicionalmente se est\u00e1n convirtiendo o capturando a trav\u00e9s de medios digitales.<\/p>\n

El segundo paso en el proceso de adquisici\u00f3n de datos es la recopilaci\u00f3n y el almacenamiento de conjuntos de datos identificados como big data. Dado que las t\u00e9cnicas de DBMS arcaicas eran inadecuadas para administrar big data, se utiliza un nuevo m\u00e9todo para recopilar y almacenar big data. El proceso se llama MAD – magn\u00e9tico, \u00e1gil y profundo. Dado que la gesti\u00f3n de big data requiere una cantidad significativa de capacidad de procesamiento y almacenamiento, la creaci\u00f3n de dichos sistemas est\u00e1 fuera del alcance de la mayor\u00eda de las entidades que dependen del an\u00e1lisis de big data. Por lo tanto, las soluciones m\u00e1s comunes para el procesamiento de big data hoy se basan en dos principios: el almacenamiento distribuido y el procesamiento paralelo masivo, tambi\u00e9n conocido como MPP. La mayor\u00eda de las plataformas de alto nivel de Hadoop y los dispositivos especiales utilizan configuraciones de MPP en su sistema.<\/p>\n

Bases de datos no relacionales<\/span><\/h2>\n

Las bases de datos que almacenan estos conjuntos de datos masivos tambi\u00e9n han evolucionado en c\u00f3mo y d\u00f3nde se almacenan los datos. JavaScript Object Notation o JSON es el protocolo preferido para guardar big data en la actualidad. Usando JSON, las tareas se pueden escribir en la capa de aplicaci\u00f3n y permiten mejores funcionalidades multiplataforma. De este modo se habilita, el desarrollo \u00e1gil de soluciones de datos escalables y flexibles para los desarrolladores. Muchas empresas lo utilizan como reemplazo de XML como una forma de transmitir datos estructurados entre el servidor y la aplicaci\u00f3n web.<\/p>\n

Sistemas de base de datos en memoria<\/span><\/h2>\n

\"Sistemas<\/a>Estos sistemas de almacenamiento de bases de datos est\u00e1n dise\u00f1ados para superar uno de los principales obst\u00e1culos en el procesamiento de big data: el tiempo que toman las bases de datos tradicionales para acceder y procesar informaci\u00f3n. Los sistemas IMDB almacenan los datos en la RAM de los servidores de big data, por lo tanto, reduciendo dr\u00e1sticamente la brecha de E \/ S de almacenamiento. Apache Spark es un ejemplo de sistemas IMDB. VoltDB, NuoDB e IBM solidDB son algunos ejemplos m\u00e1s de lo mismo.<\/p>\n

Sistemas h\u00edbridos de almacenamiento y procesamiento de datos – Apache Hadoop<\/span><\/h2>\n

Apache Hadoop es un sistema h\u00edbrido de almacenamiento y procesamiento de datos que proporciona escalabilidad y velocidad a costos razonables para empresas medianas y peque\u00f1as. Utiliza un Sistema de archivos distribuidos de Hadoop (HDFS) para almacenar archivos grandes en m\u00faltiples sistemas conocidos como nodos de cl\u00faster. Hadoop tiene un mecanismo de replicaci\u00f3n para garantizar un funcionamiento sin problemas incluso durante instancias de fallas de nodos individuales. Hadoop utiliza la programaci\u00f3n paralela MapReduce de Google como su n\u00facleo. El nombre se origina a partir de ‘Mapeo’ y ‘Reducci\u00f3n’ de lenguajes de programaci\u00f3n funcionales en su algoritmo para el procesamiento de big data. MapReduce se basa en la premisa de aumentar el n\u00famero de nodos funcionales en lugar de aumentar la potencia de procesamiento de nodos individuales. Adem\u00e1s, Hadoop puede ejecutarse utilizando hardware f\u00e1cilmente disponible que ha acelerado su desarrollo y popularidad, significativamente.<\/p>\n

Miner\u00eda de datos<\/span><\/h2>\n

Es un concepto reciente que se basa en el an\u00e1lisis contextual de grandes conjuntos de datos para descubrir la relaci\u00f3n entre elementos de datos separados. El objetivo es utilizar un \u00fanico conjunto de datos para diferentes prop\u00f3sitos por diferentes usuarios. La miner\u00eda de datos se puede utilizar para reducir costos y aumentar los ingresos.<\/p>\n

Los 10 sectores principales que utilizan el an\u00e1lisis de big data<\/span><\/h2>\n

Big Data est\u00e1 encontrando uso en casi todas las industrias hoy en d\u00eda. Aqu\u00ed hay una lista de los segmentos principales que usan big data para darle una idea de su aplicaci\u00f3n y alcance.<\/p>\n

\"Banca<\/a><\/p>\n

Banca y valores<\/strong>: para monitorear los mercados financieros a trav\u00e9s de monitores de actividad de red y procesadores de lenguaje natural para reducir transacciones fraudulentas. Las Comisiones de intercambio o las Comisiones de negociaci\u00f3n est\u00e1n utilizando el an\u00e1lisis de big data para garantizar que no se realicen transacciones ilegales al monitorear el mercado de valores.<\/p>\n

\"Comunicaciones<\/a><\/p>\n

Comunicaciones y medios<\/strong>: para el reportaje en tiempo real de eventos en todo el mundo en varias plataformas (m\u00f3vil, web y TV), simult\u00e1neamente. La industria de la m\u00fasica, un segmento de los medios de comunicaci\u00f3n, est\u00e1 utilizando big data para controlar las \u00faltimas tendencias que finalmente utilizan los programas de autoajuste para generar melod\u00edas pegadizas.<\/p>\n

Deportes<\/strong>: Comprender los patrones de audiencia de diferentes eventos en regiones espec\u00edficas y tambi\u00e9n monitorear el desempe\u00f1o de jugadores individuales y equipos por an\u00e1lisis. Los eventos deportivos como la Copa Mundial de Cricket, la Copa Mundial de la FIFA y Wimbledon hacen un uso especial del an\u00e1lisis de big data.<\/p>\n

Atenci\u00f3n m\u00e9dica<\/strong>: para recopilar datos de salud p\u00fablica para respuestas m\u00e1s r\u00e1pidas a problemas de salud individuales e identificar la propagaci\u00f3n global de nuevas cepas de virus como el \u00e9bola. Los ministerios de salud de diferentes pa\u00edses incorporan herramientas anal\u00edticas de big data para hacer un uso adecuado de los datos recopilados despu\u00e9s del censo y las encuestas.<\/p>\n

Educaci\u00f3n<\/strong>: Actualizar y actualizar la literatura prescrita para una variedad de campos que est\u00e1n experimentando un r\u00e1pido desarrollo. Las universidades de todo el mundo lo utilizan para supervisar y realizar un seguimiento del rendimiento de sus estudiantes y facultades y para hacer un mapa del inter\u00e9s de los estudiantes en diferentes temas a trav\u00e9s de la asistencia.<\/p>\n

Fabricaci\u00f3n<\/strong>: aumentar la productividad mediante el uso de big data para mejorar la gesti\u00f3n de la cadena de suministro. Las empresas manufactureras utilizan estas herramientas anal\u00edticas para asegurarse de que est\u00e1n asignando los recursos de producci\u00f3n de una manera \u00f3ptima que produce el m\u00e1ximo beneficio.<\/p>\n

Seguros<\/strong>: para todo, desde el desarrollo de nuevos productos hasta el manejo de reclamos a trav\u00e9s de an\u00e1lisis predictivos. Las compa\u00f1\u00edas de seguros utilizan big data empresarial para realizar un seguimiento del esquema de la pol\u00edtica que es la m\u00e1s demandada y genera la mayor cantidad de ingresos.<\/p>\n

Comercio de consumo<\/strong>: Para predecir y gestionar los requisitos de personal e inventario. Las empresas comerciales del consumidor lo utilizan para hacer crecer su comercio al proporcionar tarjetas de fidelidad y hacer un seguimiento de ellas.<\/p>\n

Transporte<\/strong>: para una mejor planificaci\u00f3n de rutas, control y gesti\u00f3n del tr\u00e1fico, y log\u00edstica. Esto est\u00e1 incorporado principalmente por los gobiernos para evitar la congesti\u00f3n del tr\u00e1fico en un solo lugar.<\/p>\n

\"Energia\"<\/a><\/p>\n

Energ\u00eda<\/strong>: Al introducir medidores inteligentes para reducir las fugas el\u00e9ctricas y ayudar a los usuarios a administrar su consumo de energ\u00eda. Los centros de despacho de carga est\u00e1n utilizando el an\u00e1lisis de big data para monitorear los patrones de carga y discernir las diferencias entre las tendencias de consumo de energ\u00eda basadas en diferentes par\u00e1metros y como una forma de incorporar el ahorro de luz diurna.<\/p>\n

8 maneras en que puede hacer crecer su negocio con la ciencia de datos<\/span><\/h2>\n

Hoy en d\u00eda, el advenimiento de Internet of Things y el desarrollo de la tecnolog\u00eda de inteligencia artificial han simplificado la implementaci\u00f3n de soluciones de big data en la medida en que incluso las empresas de mediana a peque\u00f1a escala se benefician de ella. Y como la lista de los 10 principales est\u00e1 compuesta por sectores que est\u00e1n asociados directa o indirectamente con varias empresas, el imperativo de esta tecnolog\u00eda aumenta a\u00fan m\u00e1s. Con el an\u00e1lisis de big data, las empresas pueden tomar decisiones informadas y mejorar su eficiencia operativa de varias maneras.
\nPor ejemplo, utilizando el an\u00e1lisis de big data, las empresas pueden tomar decisiones informadas y mejorar su eficiencia operativa de varias maneras. P.ej<\/p>\n