Professional Documents
Culture Documents
Transformacion de Datos en Informacion
Transformacion de Datos en Informacion
EJEMPLOS ..................................................................................................................................... 26
Ejemplos de Small Data. ................................................................................................. 27
Ejemplos de Dark Data. .................................................................................................. 27
Es una cuestión de volumen. El nombre de "datos masivos" como nombre resulta poco
apropiado, ya que transmite que el tamaño de la base de datos constituye un problema en
sí mismo. Sin embargo, no es el único factor implicado, existen otros como la diversidad
de los datos y la velocidad con la que estos deben ofrecerse.
Ofrece mucho valor para cualquier sector, por ejemplo las aerolíneas ya que pueden
acceder a los datos de un aparato que esté en vuelo y analizarlo para predecir cualquier
posible problema o monitorizar las vibraciones de un motor.
No se puede garantizar una respuesta sobre los beneficios de big data. Los datos
masivos son una gran incógnita. Son el resultado de analizar factores externos e internos
y dependen del liderazgo y motivación.
Las personas son los principales impulsores. Un proyecto de datos masivos necesita
Los datos masivos son útiles para todos. Analizar datos ocultos y extraer los patrones
que ocultan son habilidades básicas en las empresas de cualquier tamaño. Incluso las
empresas más pequeñas pueden aprovechar las ventajas de utilizar los datos masivos en
su trabajo diario, ir más allá del Excel en su análisis de clientes, buscando dar con los
patrones de compra.
Las empresas tienen por delante un reto ante el análisis de los datos de sus procesos de
negocio, resultados empresariales y expectativas de ventas.
La tecnología en la que alojemos el Big Data debe ser escalable para soportar las cada vez
mayores cargas de trabajo ante la llegada de aplicaciones analíticas al servicio de cualquier
trabajador desde cualquier lugar y a través de cualquier tipo de dispositivo.
Estos desafíos del Big Data hacen cada vez más necesario que se aumente el almacenamiento
Incluso la utilización de Business Intelligence, Business Analytics o Data Analytics, pueden ser
unos aceleradores o disparadores de mejoras significativas en el tratamiento de la información y
los datos con el apoyo inestimable del uso del cloud o la nube para la gestión omnicanal de la
información.
En 2022, y tras los efectos devastadores de la pandemia, las empresas han adoptado
ampliamente el uso de análisis para agilizar las operaciones y mejorar los procesos. Según una
encuesta realizada por Bloomberg Businessweek Research Services el pasado año, se ha
comprobado que casi el 97% de los encuestados informaron que sus empresas habían adoptado
el análisis de big data. Si bien ciertamente es una afirmación algo arriesgada, la tendencia es
claramente optimista, y ya el big data y sus complementos (Data Analytics, Data Marketing,
Data Intelligence) se están conviertiendo en poderosos aliados en la gestión integral de la
información, la comunicación y la democratizacion de los datos.
El mercado de análisis de big data está listo para alcanzar o incluso superar los $103 mil
millones para 2023. Ha cambiado el curso de las estrategias de mercado y ha allanado caminos
completamente nuevos para el crecimiento y las ganancias de las empresas. Con esto, puedes
representar y desglosar adecuadamente varios temas y servir los objetivos de la organización,
de la marca y de todos los stakeholders que formen parte de la misma.
Entre otras cosas, big data ayuda a establecer objetivos realistas bajo la metodología SMART.
Establecer metas para un negocio implicará adivinar sin la información correcta. Es aquí donde
la analítica juega un papel transcendental. Con la analítica, se podrá recopilar datos de
tendencias históricas y actividades pasadas. Se tendrá una idea clara de cuáles deben ser y
cuáles pueden ser las metas desde el principio, y modificarlas con tiempo si la situación lo
requiere.
Esto garantiza no malgastar las oportunidades para ayudar a que la organización crezca y
además, a saber con certeza cuando algunos objetivos no son posibles o realistas. Este tipo de
análisis de datos te mostrará tanto las debilidades como las fortalezas, que pueden ayudarte a
hacer crecer el modelo de negocio. Por otro lado, big data analytics ayuda e impulsa a la
retención, fidelización y a procesos de embajadores de marca de clientes.
El cliente es el activo más importante del que depende cualquier negocio. Esto es ampliamente
sabido. Ninguna empresa puede ser calificada como exitosa sin antes establecer una sólida
base de clientes y además, un sistema recurrente de captación de potenciales clientes. Sin
embargo, incluso con una gran base de clientes, una empresa no puede permitirse el lujo de
descuidar la alta competencia y más en la actual situación post covid con las altas
incertidumbres generadas por los problemas de inflación, tipos de interés, precio de materias
primas, caída de las criptomonedas, cambio climático, guerra en Ucrania...
El uso de big data permite a las empresas observar varios patrones y tendencias relacionados
con los clientes. Observar el comportamiento del cliente es fundamental para generar fidelidad.
En teoría, cuantos más datos recopile una empresa, más formas y tendencias podrá identificar.
Es necesario tener una estrategia de análisis de big data para maximizar los datos a disposición
de la Dirección. Con un mecanismo de análisis de datos de clientes adecuado, una empresa
tendrá la capacidad de obtener información crítica del comportamiento sobre la que se debe
actuar para mantener una base de clientes.
Comprender la información de los clientes también ayudará a la empresa a saber lo que los
clientes quieren y necesitan de la organización. Este es un paso esencial para lograr una alta
retención de clientes.
Un ejemplo de la vida real de una empresa que utiliza el análisis de big data para impulsar la
Smart Data
En la definición de Big Data entran en juego las cinco Vs: volumen, velocidad, variedad,
veracidad y valor de los datos. El avance de las tecnologías y los nuevos sistemas de
información (como Hadoop o Spark) están permitiendo que podamos usar estos datos,
almacenándolos y procesándolos según las necesidades de uso.
Para la toma de decisiones hay que separar los datos útiles de los no útiles y obtener valor a
partir de este océano de datos. Es aquí donde surge el concepto de Smart Data, centrado en la
veracidad y el valor de los datos para dar una respuesta real a los problemas y necesidades
empresariales.
Las nuevas herramientas analíticas de negocio son las que nos permiten procesar estos datos
no estructurados en datos inteligentes y útiles, convirtiendo Big Data en Smart Data.
Uniformidad.
Facilidad de extracción.
Análisis.
Los datos deben servir a la empresa para tomar mejores decisiones no solo para describir
procesos. No basta con recoger enormes cantidades de datos; hay que contextualizarlos
para poder interpretarlos correctamente.
El valor reside en el Smart Data, la información inteligente. Desde el punto de vista empresarial,
el valor de los datos está vinculado a su aplicación en un proceso o flujo de negocio concreto.
Smart Data consiste en:
Analizar.
Interpretar los datos para que la toma de decisiones y los procesos de negocio (desde las
aplicaciones industriales al marketing o la cadena de suministro) sigan una lógica
acertada, teniendo siempre en cuenta el contexto de los datos.
El objetivo es:
Ganar flexibilidad.
Smart Data sería el resultado de obtener valor para el negocio a partir de Big Data mediante
procesos analíticos de negocio como el análisis predictivo y la automatización de máquinas de
aprendizaje.
Con la ayuda de herramientas como SAP HANA Vora, que transforma y simplifica el análisis
analítico de Big Data (mediante un motor de computación en memoria para Spark -Hadoop-),
podemos realizar dos operaciones esenciales alrededor de los datos: democratizarlos (hacer que
sean accesibles a los usuarios con el popular lenguaje SQL) y ponerlos en contexto con el uso de
jerarquías y la semántica del negocio.
La automatización de procesos.
Por otro lado SAP ha construido la plataforma SAP HANA Cloud Platform (HCP) capaz de integrar
los Smart Data con datos transaccionales de las distintas líneas de negocio e información
consolidada a través de los EDW (data warehouse) corporativos, que aportan información
confiable, veraz y con valor para tomar decisiones de negocio ágiles y efectivas.
De este modo, la empresa puede anticiparse y responder a tiempo a los retos y oportunidades
de negocio, basándose en flujos de trabajo claros que permiten tomar decisiones acertadas. Por
último, todo esto ha de ser guiado mediante una clara estrategia de Business Intelligence, que
sirva para alinear el rendimiento corporativo con los objetivos del negocio.
El Smart data en 2022 y su evolución prevista para 2023 habla de la importancia de esta
disciplina y área tecnológica.
El mayor evento mundial sobre data inteligente y sus tecnologías complementarias reunió a
más de 50.000 personas entre público presencial y virtual. En su sexta edición, Smart Data
2022 fue el mayor evento para profesionales de empresas privadas y entidades públicas que
buscaban soluciones novedosas para la gestión, gobierno y análisis de sus datos, enfocadas a la
toma de decisiones y búsqueda de oportunidades de negocio.
Los cambios culturales que supone la transformación DATA DRIVEN y el papel que juega
la tecnología y la figura del CDO en esta transformación.
Qué aportan los entornos analíticos colaborativos para el desarrollo de Modelos MLOps.
Retos y oportunidades que abre el DATA LAKE, los retos que nos plantea una
arquitectura en la que los datos son tratados como productos.
Los contratos inteligentes o smart contracts podrían considerarse una parte fundamental de la
smart data, correlacionados con la tecnología Blockchain. Por otro lado, según comenta Rafa
Romero, responsable en España de Selligent, proveedor de soluciones de marketing
relacional, “los datos siempre son valiosos. Si hablamos de smart data estamos ante algo que
funciona con eficacia y que nos puede ayudar a generar mejores resultados empresariales”.
Cada vez hay más datos de clientes y posibles clientes, por lo que los responsables de
marketing deben centrarse en la calidad y no la cantidad. Las pymes tienen recursos más
limitados pero también mayor capacidad para captar, retener y utilizar información clave que
les permita conocer mejor a sus consumidores.
Otro aspecto comentado por los expertos es la necesidad del uso de estos “datos inteligentes”
impulsará el retorno de la inversión (ROI) siendo la base de una estrategia de marketing
relacional y automatizada, que aumentará las ventas, animará a repetir las compras y
fomentará la fidelidad del cliente. Ordenar y clasificar aquellos datos que resulten más
informativos y reveladores es el mejor método para utilizarlos en campañas reales.
Por ejemplo, la información personal proporcionada por el usuario, el historial de compras, las
preferencias de productos, la actividad de navegación en el site, los likes y los tuits, los clics en
los correos electrónicos... Puede parecer poca información pero con ellos ya se puede crear
una estrategia global de e-commerce basada en, por ejemplo, el email marketing
combinado con las notificaciones en la app y la personalización web.
El Small Data es el conjunto de datos a pequeña escala generados por el negocio que
pueden ayudar a mejorar los resultados. No todas las empresas pueden acceder a grandes
volúmenes de datos (Big Data) o a la tecnología para analizarlos y explotarlos. Fruto de esta
necesidad ha surgido el Small Data que es útil para las pymes y profesionales.
Small Data es un salto de profesionalización para las pymes que pueden conocer la edad, el
status social y los hábitos de los consumidores además de sus emociones, necesidades,
sentimientos, opiniones y otros indicadores que justifican sus comportamientos.
Esta información se genera en tiempo real, lo que permite adoptar cambios de forma rápida,
pudiendo ajustar el plan de acción empresarial y potenciar los resultados.
Small Data aporta datos comprensibles que se traducen en información práctica aplicable hacia
la orientación en la toma de decisiones y la supervivencia de las pequeñas y medianas
empresas. La mayoría tienen a su disposición más información de la que creen:
Información de proveedores.
El proceso de transformación de los datos en información es algo que necesita una estrategia
y un plan de acción.
Small Data está muy unido al comportamiento neurológico del consumidor. El Big Data
consiste en encontrar correlaciones mientras que el Small Data se preocupa por las causas, las
razones detrás de las cosas. Considera que no todo se puede medir con cifras y puede aportar
valor y complementar con el Big Data teniendo en cuenta las emociones (Martin Lindstrom) de
los consumidores.
Small Data conecta a personas con datos recientes y concretos que poseen un significado y que
están estructurados para ser fácilmente accesibles, entendibles y manejables.
Datos públicos de los competidores, listas públicas u orígenes de datos en los que
estamos sindicados.
Para llegar a la gestión de una gran cantidad de datos (Big Data) se puede empezar utilizando
las técnicas de análisis avanzado y predictivo en un conjunto de datos mucho más pequeña
(Small Data) que requiere una inversión menor y prepara para el cambio, permitiendo asentar
las bases de la estructura necesaria para maximizar el ROI de una futura inversión en
plataformas de análisis de Big Data si fuera necesaria.
Con el análisis avanzado se puede identificar no solo qué va a pasar sino también las líneas
estratégicas. La mayoría de empresas se encuentran en la fase Basic Data que abarca
diferentes niveles:
Empresas que han desarrollado un sistema de analítica básico pero tienen un dashboard
estratégico donde analizan el ROI de sus campañas. El objetivo es pasar de la Basic Data
al Small Data.
Small Data puede ayudar a explorar el nicho de mercado para diseñar campañas digitales
orientadas y optimizadas a un público determinado. Esta técnica es muy útil para pasar del
remarketing o retargeting a otro tipo de estrategias más avanzadas como el RTB (Real Time
Bidding), el clustering, el semillado de cookies...
Small data y edge computing irán de la mano durante lo que queda de 2022 y todo 2023.
Según los equipos de análisis de Powerdata "contar con grandes cantidades de datos no
siempre es ventajoso, ya que puede agobiar a las empresas y además presenta exigencias
importantes para su administración y aprovechamiento. Por ejemplo, big data requiere de
grandes algoritmos de machine learning para procesar los datos y cuando se trabaja con
sistemas basados en la Nube con ancho de banda ilimitado, esto no representa ningún
problema. Sin embargo, cuando se necesita o se desea trabajar directamente en el borde,
puede traer inconvenientes".
Por ello una de las tendencias que se observa para el 2023 es no dejar que se acumulen todos
los datos en la Nube o en el data center propio y en cambio trabajarlos en donde se captan, es
decir, en los dispositivos de computación en el borde. De allí que se esté hablando cada vez
más de “los pequeños datos”: este concepto surgió como un nuevo modelo “para facilitar el
análisis cognitivo rápido de los datos más vitales en situaciones donde el tiempo, el ancho de
Es decir, la técnica sigue siendo ML, pero con menos exigencia de energía, costos más
reducidos y sin conexión a Internet. Bajo este concepto se producen e implementan modelos de
aprendizaje automático lo suficientemente pequeños como para facilitar la gestión de datos de
forma más efectiva que con grandes cantidades de información.
Para 2023 podrían llegar al mercado unos 2.500 millones de dispositivos a través de
técnicas TinyML, teniendo como principal beneficio la creación de dispositivos de Internet de las
Cosas (IoT) inteligentes y más baratos. (Fuente: prnewswire.com)
Los datos que poseen las Pymes de clientes, ventas, pedidos, producción, etc., es un
volumen suficiente para realizar un análisis que les permita la mejora de sus procesos y su
actividad.
Ejemplo.
En una hoja de cálculo con 1.000 clientes y 20 columnas de información existen más
de 5 millones de datos: un small data. La transformación de datos en insights
(conocimientos) precisos y relevantes para la toma de decisiones es incuestionable.
Cómo mejorar el producto y/o sus ventas atendiendo a las particularidades locales.
Ejemplo.
Internet de las cosas (IoT) es una realidad cada vez más extendida. Es un recurso útil, por
ejemplo para conocer patrones de comportamiento y hábitos de los clientes y sus preferencias.
Los resultados del análisis de datos mediante Small data aplicados a la estrategia empresarial
pueden ayudar a una toma de decisiones más ágil, a controlar y estandarizar la información y a
ser más eficientes. Las ventajas que aporta small data son:
Conocer al Cliente. Mientras mejor se conozca a las personas que se tratan a diario y a
las que se vende y de las que depende el negocio, mayores serán las posibilidades de
saber qué, cómo y cuándo lo quieren.
cuándo es su cumpleaños,
a quién te ha recomendado,
Sirve para poder hacer seguimiento, mantenerlo informado de las promociones sobre los
productos o servicios preferidos para que cuando nos visite podamos atenderle más rápido y de
forma más personalizada...
Generar valor. La mejor recomendación posible es generar valor real para el cliente.
El software para el análisis Small Data permite recoger información para tomar
decisiones de marketing y de compra. Cada vez que nos registramos, hacemos una
búsqueda, navegamos, publicamos algo... se crean pequeños conjuntos de datos con una
firma única que deja entrever nuestro estado físico y digital. Esto es lo que registran y
procesan las aplicaciones y herramientas de small data.
Small Data trabaja con software OLTP (Procesamientos de datos en línea) y EDW (Enterprise
Data Warehouse) para la gestión y análisis de los datos sobre DBMS (Sistemas de Gestión
de Bases de Datos). Los sistemas de gestión de bases de datos más usados son MySQL,
Microsoft Access, SQL Server, FileMaker, Oracle, RDBMS, dBASE, Clipper y FoxPro.
Una estrategia de Small Data apuesta por centrar el foco en el cliente y (a través de
herramientas TIC) establecer una relación cercana que reporte la información que aporta valor
y cuyo análisis se puede aplicar de forma rápida.
El análisis Small Data forma el nuevo núcleo de CRM que se utiliza para crear un panorama
completo de clientes, segmentos, personas influyentes (influencers) e incluso competidores.
Permite combinar las perspectivas de los canales sociales (redes sociales) y las campañas con el
análisis Web y los datos transaccionales. El Small Data es la clave para crear estos perfiles que
formarán la parte central de las nuevas soluciones data CRM.
Mantener una relación más directa con el cliente y tener en cuenta su opinión.
Las herramientas son las mismas en las que se apoya el Big Data pero utilizadas de forma más
segmentada y personalizada. Una estrategia de Small Data cuenta con:
Datos oscuros (dark data) son los obtenidos a través de operaciones en la red
informática que no se utilizan. Son los datos de información que se recopilan, tratan y
almacenan durante las actividades empresariales que no utilizan para otros fines
1. Gartner
Datos que están en poder de la empresa pero se encuentran en formatos que es muy
costoso procesarlos.
Algunas categorías de información que se pueden considerar como Dark Data son:
Coordenadas de geolocalización.
Dicho informe también reveló que los líderes empresariales tienen dificultades no solo para dar
sentido a sus datos, sino también para ubicarlos y usarlos, con el 42% de los encuestados
diciendo que al menos la mitad eran “dark data" –datos sin usar, inmanejables e imposible de
encontrar. La falta de visibilidad de los datos a menudo conduce a cuellos de botella, lo que
impide la precisión y la eficacia operativa.
Datumize Kosmos captura desde cualquier sistema de software los datos oscuros que
necesita para detectar oportunidades perdidas y mejorar las operaciones. No es intrusivo y
no requiere modificar las aplicaciones existentes. Capta el comportamiento del cliente
utilizando datos operativos que las empresas están perdiendo y que contienen un alto valor.
Permite:
Puede integrarse con cualquier herramienta analítica de Qlik con una simple integración
de un paso.
Los datos capturados pueden ser almacenados localmente en la nube directamente en sus
servidores, con las soluciones de 3ª parte o en una de sus soluciones seguras Datumize.
Los datos capturados pueden revelar las tendencias y anomalías de relieve dentro de sus
redes internas en tiempo real en el momento adecuado.
Aumentar las ventas por atender mejor a las necesidades de sus clientes.
Ejemplos
La hipótesis sería que podemos conectar todas las cámaras, cada teléfono móvil, todo el
acceso a Internet... en un solo sistema distribuido y empezar a capturar grandes volúmenes
de datos.
1º Turbina eólica contiene varios sensores para determinar la dirección y velocidad del viento,
temperatura, vibración y otros atributos de interés. Las hélices de la turbina pueden ser
programadas para recalibrarse automáticamente ante condiciones cambiantes del viento en
función de la información alimentada al instante a través de Small Data.
Estos volúmenes de Small Data (una batería de Small Data por turbina) son incorporados un
pool de datos de mayor volumen (Big Data) donde algoritmos de procesamiento de datos
permiten descubrir tendencias y pautas de comportamiento. Estas pautas pueden revelar
información de rendimiento de ciertos mecanismos en base a su histórico de mantenimientos.
Por ejemplo, cómo el viento y las condiciones meteorológicas afectan al desgaste de los
componentes de las turbinas, desagregar la información para conocer el tiempo de vida útil de
una pieza concreta de la turbina, etc.
2º Etiquetas inteligentes en frascos de medicinas. Small Data puede ser usado para
determinar la ubicación del frasco, el estado del sello de la botella, las condiciones de
temperatura y humedad de la ubicación.
Agregando las secciones de Small Data a un volumen de Big Data se pueden ejecutar
algoritmos de análisis para, por ejemplo, determinar la raíz de la causa por la que una medicina
se ha deteriorado o caducado. ¿Es debido a una compañía de transporte o a un comercializador?
¿Son problemas recurrentes que apuntan a un fallo en la cadena de suministro?
Resolver problemas como estos puede suponer un gran ahorro. Small Data permite saber qué
hace el objeto que está siendo analizado. Si lo que se quiere es saber por qué está haciendo eso
Big Data es lo que se necesita.
1º Las cámaras de seguridad de una tienda pueden ofrecer mucha información acerca de los
compradores analizando sus gestos y expresiones. Con una tecnología que sea capaz de aplicar
analítica al vídeo y al audio en tiempo real se abre un universo de posibilidades para estudiar
sobre la marcha el comportamiento del cliente y ofrecer la respuesta oportuna.
2º Analizando los sonidos que se producen en el interior de las cañerías podemos recabar
información sobre su funcionamiento y prevenir averías, algo que pueden aplicar las refinerías.
http://www.ticbeat.com/tecnologias/que-es-el-small-data-y-como-puede-ayudar-a-tu-
negocio/
https://www.enriquedans.com/2016/08/small-data.html
http://www.headsem.com/que-es-dark-data/
http://blog.conento.com/es/el-lado-oscuro-del-big-data/
https://www.google.es/search?q=reporting+empresarial&source=lnms&tbm=isch&sa=X&
sqi=2&ved=0ahUKEwjt1Mv4oLXTAhWHzxQKHZo5DikQ_
https://itelligent.es/es/dark-data/
https://keyrus.com/sp/es/insights/dark-data-el-lado-oscuro-del-big-data
https://www.iberdrola.com/innovacion/que-es-small-data
https://javiercantera.com/small-data-no-todo-va-a-ser-big-data/
https://www.thinktur.org/media/Ebook-2017-DEF.pdf
https://www.fundacionbankinter.org/wp-content/uploads/2021/09/RE-PDF-ES-FTF_BigData.
pdf