Big Data II: Introducción y las 7 V del Big Data en la Universidad Europea

BIG DATA II

TEMA 1: Introducción

Ve más alláUe
Universidad
Europea

TEMA 1: Introducción

1. Importancia del Big Data en las empresas
2. Las 7 Vs del Big Data
3. El valor del conocimiento
4. Tipos de datos
5. La buena gestión y uso de los datos
6. Cómo se analizan los datos

@ Copyright Universidad Europea. Todos los derechos reservados
1Ue
Universidad
Europea

Importancia del Big Data en las empresas

Marketing

Los datos obtenidos desde una perspectiva de un negocio (bien online u
offline) ayudan a realizar estrategias más precisas de marketing. Esto
conlleva a enfocar las campañas en el público correcto para el negocio.
También ayuda a definir las tasas en mercados diferentes.

Expansión

El análisis de datos es extremadamente importante para todo negocio
que quiera expandir sus operaciones.

Innovación

Los análisis de datos ayudan a innovar en un producto o servicio para
satisfacer las necesidades de un mercado. También ayuda a
redimensionar el producto si es necesario llegar a un mayor número de
clientes.

@ Copyright Universidad Europea. Todos los derechos reservados
3Ue
Universidad
Europea

Importancia del Big Data en las empresas

Coste por cliente

Los datos que son analizados pueden indicar cuanto dinero se está invirtiendo
en captar o mantener cada cliente. Tambien se puede observar cuanto dinero
se está ganando a través de esas inversiones en marketing o en otras
actividades.

Cubrir las áreas difusas del negocio

El análisis de datos ayuda a exponer las áreas que el negocio no está
cubriendo y solventar el problema desplegando estrategias diversas. Si no se
es capaz de localizar qué se está haciendo mal, es difícil saber qué se puede hacer
bien.

La empresa data-driven debe abordar la ...

1. Acceso y gestion de datos procedentes de multiples fuentes.
2. Construcción de modelos predictivos mediante el uso de analítica avanzada.
3. Transformación de la organización y la cultura de la empresa.

@ Copyright Universidad Europea. Todos los derechos reservados
4Ue
Universidad
Europea

Las 7 Vs del Big Data

The 7 Vs OF BIG DATA

Just having Big Data is of no use
unless we can turn it into value

The speed at
which the data
is generated

The size of the data

Value

Velocity

Volume

The different
types of data

Variety

Variability

The data whose
meaning is
constantly
changing

Veracity

Visualisation

The trustworthiness
of the data in terms
of accuracy

The data in a manner that's
readable and accessible

@ Copyright Universidad Europea. Todos los derechos reservados
5Ue
Universidad
Europea

Las 7Vs del Big Data

1. Volumen

Hace referencia a la cantidad de datos.
Se estima que el volumen existente de datos está por encima del zettabyte.
Un zetabyte (ZB) = 1021 bytes

2. Velocidad

De generación y movimiento de datos
Velocidad de carga: incluyen procesos de extracción, transformación y
carga que son costosos en tiempo y en recursos tanto de hardware como
de software.
Velocidad de procesamiento: implica consultas para la extracción de datos
y/o cálculos sobre el conjunto de datos

@ Copyright Universidad Europea. Todos los derechos reservados
6Ue
Universidad
Europea

Las 7Vs del Big Data

3. Variedad

Se refiere a los diferentes formatos y estructuras en que se representan los
datos.
Datos estructurados. Se conoce de antemano la organización de los datos, la
estructura y el tipo de cada dato.
Datos semiestructurados. A diferencia de los datos estructurados no tienen una
estructura fija, aunque tienen algún tipo de estructura implícita o autodefinida.
Datos no estructurados. La información no aparece representada por datos
elementales, sino por una composición cohesionada de unidades estructurales de nivel
superior.

@ Copyright Universidad Europea. Todos los derechos reservados
7Ue
Universidad
Europea

Las 7Vs del Big Data

4. Veracidad

Se refiere al grado de incertidumbre
Exactitud del dato. Muchos de los datos analizados mediante big data son
intrinsecamente dudosos, relativos o con un cierto grado de error inherente.
Ejemplo, los datos procedentes de redes de sensores utilizados para medir la
temperatura ambiental, dado que generalmente unas pocas mediciones se hacen
extensibles a zonas y períodos más grandes.
Exactitud del cálculo. Están basados en métodos analíticos que permiten cierto grado
de incertidumbre. La minería de datos, el procesamiento del lenguaje natural, la
inteligencia artificial o la propia estadística permiten calcular el grado de fiabilidad. Se
trata de indicadores de la fiabilidad o exactitud de la predicción, que puede ser inferior al
100 % aunque los datos originales se consideren veraces.

@ Copyright Universidad Europea. Todos los derechos reservados
8Ue
Universidad
Europea

Las 7Vs del Big Data

5. Variabilidad

Los datos cambian constantemente
Ejemplo: la gestión del tráfico requiere tomarse en un breve espacio de tiempo. En
algunos casos la información extraída de los datos es útil mientras éstos están "frescos",
pero pierden valor cuando ya no reflejan la realidad.

6. Visualización

Los resultados deben mostrarse de una manera clara y accesible
Ejemplos: poner un cuadro de mandos o un dashboard.

7. Valor

El verdadero valor de los datos está en su análisis e interpretación. El valor
culmina en el conocimiento.

@ Copyright Universidad Europea. Todos los derechos reservados
9Ue
Universidad
Europea

El valor del conocimiento

Pirámide del conocimiento. Modelo DICS

Sabiduría
· capacidad de pensar, entender,
asimilar y elaborar información y
utilizarla para resolver problemas

Conocimiento
· complejidad de las
experiencias para adquirirlo

Información
· Conjunto organizado de
datos procesados

Dato
· Representación
simbólica de un
atributo o variable

@ Copyright Universidad Europea. Todos los derechos reservados
10Ue
Universidad
Europea

El valor del conocimiento

La pirámide del conocimiento. Modelo DICS/DIKW

Novelty
Future

Sabiduría
Joining
of wholes

Reflecting
Wisdom

Formar
un todo

Conocimiento
Futuro

Connection
Knowledge

Doing
Information

Researching 5
absorbirig
Data

Pasado

Reunir
las
partes

Datos

Investigar
Absorber

Hacer
Interactuar

Reflejar
Unir el
todo

Comprensión
Formation
of a whole

Interacting
of parts

Conectar
las partes

Información
Gathering
of parts

Contest
... Understanding -
Past
Experience

@ Copyright Universidad Europea. Todos los derechos reservados
11Ue
Universidad
Europea

Vídeo resumen teoría

• Qué es el Big Data
• 7 Vs del Big Data
• Casos de éxito: Netflix (1), Mc Donalds (2), Amazon (3), Zara (4),
  Walmart (5), Spotify (6), Hoper (7)
• ¿ Sólo para empresas grandes?

@ Copyright Universidad Europea. Todos los derechos reservados
3Ue
Universidad
Europea

Tipos de datos

Ejemplos de datos estructurados

Pon en el foro ejemplos de este tipo de datos. Añade el enunciado
"Ejemplos de datos estructurados"

@ Copyright Universidad Europea. Todos los derechos reservados
12Ue
Universidad
Europea

Tipos de datos

Ejemplos de datos estructurados

Datos organizados de manera predeterminada, generalmente en filas
y columnas. Ficheros CSV, hojas de Excel, etc.

Ejemplos:

• Información de los perfiles de los clientes
• Datos de ventas y registros de transacciones
• Datos financieros
• Número de visitas al sitio web
• Datos de maquinaria, como registros de temperatura de un cámara de
  refrigeración o número de productos fabricados en una línea de producción

@ Copyright Universidad Europea. Todos los derechos reservados
13Ue
Universidad
Europea

Tipos de datos

Datos estructurados

Ventajas:

• Son fáciles recolectar
• Son fáciles de almacenar
• Son fáciles de analizar y extraer información
• Suelen ser la opción menos costosa

Inconvenientes:

• Proporcionan una visión limitada, rara vez cuentan toda la
  "historia"
• Son solo una pequeña proporción de los datos actuales
  disponibles en el mundo (solo el 20%)

@ Copyright Universidad Europea. Todos los derechos reservados
14Ue
Universidad
Europea

Tipos de datos

Ejemplos de datos NO estructurados

Pon en el foro ejemplos de este tipo de datos. Añade el enunciado "Ejemplos de
datos NO estructurados"

@ Copyright Universidad Europea. Todos los derechos reservados
15Ue
Universidad
Europea

Tipos de datos

Ejemplos de datos NO estructurados

Datos que no se puede almacenar e indexar fácilmente en
formatos o bases de datos tradicionales; no se pueden insertar
fácilmente en columnas y filas.

Ejemplos:

• Fotos e imágenes.
• Videos
• Conversaciones de audio
• Texto de sitios web, correos electrónicos, documentos, blogs,
  RRSS, ...

@ Copyright Universidad Europea. Todos los derechos reservados
16Ue
Universidad
Europea

Tipos de datos

Datos semi-estructurados

Datos que no tienen en sí una estructura rígida, pero pueden utilizar
etiquetas u otros tipos de marcadores para identificar ciertos
elementos de manera estructurada dentro de los datos generales
(una mezcla entre datos no estructurados y estructurados).

Ejemplo:

Facebook posts categorizados por autor, fecha, longitud, pero
con el contenido del post no estructurado.

@ Copyright Universidad Europea. Todos los derechos reservados
17Ue
Universidad
Europea

Tipos de datos

Datos no estructurados y semi-estructurados

Ventajas:

• Implican una mayor cantidad de información comparado con los datos
  estructurados (80% de la información actual existente en el mundo)
• Proporcionan una imagen más rica que los datos estructurados

Inconvenientes:

• Son más difíciles de almacenar
• Son mucho más complicados de analizar y, por lo tanto, extraer información
• Debido a estos dos factores, generalmente son más costosos de usar que los
  datos estructurados

@ Copyright Universidad Europea. Todos los derechos reservados
18Ue
Universidad
Europea

Fuente de los datos

Ejemplos de datos internos

Pon en el foro ejemplos de este tipo de datos. Añade el enunciado
"Ejemplos de datos internos"

@ Copyright Universidad Europea. Todos los derechos reservados
21Ue
Universidad
Europea

Fuente de los datos

Ejemplos de datos internos

Datos propiedad de la propia empresa, incluyendo datos ya recopilados
como aquellos a los que puede acceder (pueden ser estructurados,
semi o no estructurados).

Ejemplos:

• Datos de ventas
• Datos financieros
• Encuesta de satisfacción.
• Datos conversacionales de llamadas de servicio al cliente.
• Videos de cámaras en tienda
• Datos de recursos humanos
• Datos del sitio web, como la cantidad de visitantes, o cómo se mueven los clientes por el sitio
• Datos de control de stock
• Datos del sensor de maquinaria o vehículos de la empresa.

@ Copyright Universidad Europea. Todos los derechos reservados
22