Sunteți pe pagina 1din 18

03

Transformación de Datos en Información


Big Data 02
Retos y portunidades de Big data 03
Smart data 04
Small Data 07
Transformación de datos en información 08
Análisis avanzado y predictivo 09
Small business marketing 10
Herramientas de small data 12
Dark Data (Datos oscuros) 14
Aplicaciones de dark data 15
Ejemplos 17
Módulo Transformación Digital

Bibliografía y enlaces de interés 18


.
Casos Prácticos Resueltos
Transformación de Datos en Información

I. Big Data

Es una nueva generación de tecnologías y arquitecturas diseñadas para


extraer valor económico a partir de grandes volúmenes de datos de todo
tipo, mediante la captura, detección y análisis a alta velocidad.

Sus características principales son:


ശശ Es una cuestión de volumen. El nombre de "datos masivos", como el 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 impli-
cado, existen otros como la diversidad de los datos y la velocidad con la que
estos deben ofrecerse.
ശശ Los datos originales deben ser precisos para ser eficaces.
ശശ 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.
ശശ Monitorizar la eficiencia contribuye a reducir errores e ineficiencias y redunda
en un ahorro de costes considerable.
ശശ Hadoop no es la única herramienta. Es un auténtico ecosistema global, con
aplicaciones hasta hoy totalmente gratuitas.
ശശ Resulta difícil cuantificar el retorno de la inversión (ROI) pero no imposible. El
retorno puede tardar más en llegar, pero seguro que llega.
ശശ No se puede garantizar una respuesta sobre los beneficios de big data. Los da-
tos masivos son una gran incógnita. Son el resultado de analizar factores exter-
nos e internos y dependen del liderazgo y motivación.
ശശ Deberemos expresar claramente lo que buscamos obtener. Se debe tener un
objetivo empresarial claro en todo momento, un objetivo que debe cumplirse.
ശശ Las personas son los principales impulsores. Un proyecto de datos masivos
necesita a alguien que lo impulse. La clave consiste en encontrar a alguien con
una lista clara de objetivos que pueda determinar qué se necesita y cómo con-
seguirlo.
ശശ No es una mera cuestión de datos. El análisis de datos masivos consiste en tres
elementos fundamentales: los propios datos, el análisis de los mismos y la pre-
sentación de los resultados.

2
Transformación de Datos en Información

ശശ Los datos masivos son útiles para todos. Analizar datos ocultos y extraer los
patrones que ocultan son habilidades básicas en las empresas de cualquier ta-
maño. 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.

II. Retos y oportunidades de Big Data

Las empresas tienen por delante un reto ante el análisis de los datos de
sus procesos de negocio, resultados empresariales y expectativas de ven-
tas.

El Big Data o el análisis de las tendencias de comportamiento de sus


clientes no acaba en almacenar dicha información y datos en estructuras
cloud que permitan acercarse en cualquier momento y lugar para consul-
tarlas y analizarlas. El acceso a estos datos cada vez es mayor y, en la me-
dida que se consultan de forma más recurrente.

La tecnología en la que alojemos el Big Data debe ser escalable para sopor-
tar 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.

3
Transformación de Datos en Información

El reto de ir más allá para ofrecer auténtico valor de negocio. Cambiar la


forma en la que se trabaja y se crean nuevos negocios es el camino correcto
para que la empresa siga desarrollándose y mejorando las ventas. Big Data
es una manera de aumentar los conocimientos empresariales y, por tanto,
corregir los vicios anteriores para mejorar todos los procesos de negocio con
resultados reales.

Estos desafíos del Big Data hacen cada vez más necesario que se aumente el
almacenamiento de datos con nuevas arquitecturas que deben considerarse
para hacerlo posible. Las soluciones de almacenamiento cloud reúnen todos
los requisitos. Las empresas deben empezar a tener en cuenta que sus in-
fraestructuras no tienen por qué encontrarse en las mismas sedes físicas de
sus empresas.

III. Smart Data

En la definición de Big Data entran en juego las cinco Vs: volumen, veloci-
dad, variedad, veracidad y valor de los datos. El avance de las tecnologías
y los nuevos sistemas de información (como Hadoop o Spark) están per-
mitiendo que podamos usar estos datos, almacenándolos y procesándo-
los 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 con-
cepto de Smart Data, centrado en la veracidad y el valor de los datos para
dar una respuesta real a los problemas y necesidades empresariales.

4
Transformación de Datos en Información

Debido al peso creciente de los datos procedentes de sistemas de inteligen-


cia artificial e IoT una gran parte de los datos que hay procesar son datos no
estructurados.

Las nuevas herramientas analíticas de negocio son las que nos permiten
procesar estos datos no estructurados en datos inteligentes y útiles, convir-
tiendo Big Data en Smart Data.

Mediante este proceso se deben primar aspectos como:


ശശ Uniformidad.
ശശ Facilidad de extracción.
ശശ Análisis.
ശശ Relevancia de la información que albergan.

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:
ശശ Analizar.
ശശ 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) si-
gan una lógica acertada, teniendo siempre en cuenta el contexto de los datos.

La información inteligente debe estar además disponible en tiempo real


para que la personalización y capacidad de respuesta del negocio sea eficaz.
Además deben conectar múltiples canales, repositorios de datos y dispositi-
vos.

El objetivo es:
ശശ Acelerar los tiempos de respuesta.
ശശ Ganar flexibilidad.
ശശ Capacidad de adaptación al entorno en el que se mueve el negocio.

5
Transformación de Datos en Información

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 sim-
plifica el análisis analítico de Big Data (mediante un motor de computación
en memoria para Spark -Hadoop-), podemos realizar dos operaciones esen-
ciales 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.

Estas capacidades serán decisivas en ámbitos como:


ശശ La automatización de procesos.
ശശ El mantenimiento predictivo de maquinaria.

Por otro lado SAP ha construido la plataforma SAP HANA Cloud Platform
(HCP) capaz de integrar los Smart Data con datos transaccionales de las dis-
tintas líneas de negocio e información consolidada a través de los EDW (data
warehouse) corporativos, que aportan información confiable, veraz y con va-
lor para tomar decisiones de negocio ágiles y efectivas.

De este modo, la empresa puede anticiparse y responder a tiempo a los re-


tos 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.

6
Transformación de Datos en Información

IV. Small Data

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 em-
presas pueden acceder a grandes volúmenes de datos (Big Data) o a la
tecnología para analizarlos y explotarlos. Fruto de esta necesidad ha sur-
gido el Small Data que es útil para las pymes y profesionales.

Small Data es un salto de profesionalización para las pymes que pueden co-
nocer 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 supervi-
vencia de las pequeñas y medianas empresas. La mayoría tienen a su dispo-
sición más información de la que creen:
ശശ Navegación online de los clientes
ശശ Comportamiento en los perfiles de red social de la empresa
ശശ Interacciones a través de los canales implementados
ശശ Transacciones realizadas
ശശ Información de proveedores

7
Transformación de Datos en Información

1. Transformación de datos en Información

El proceso de transformación de los datos en información es algo


que necesita una estrategia y un plan de acción. Hay que trabajar
varios aspectos:

ശശ Identificación de oportunidades. Buscar las áreas de negocio para obtener


rendimiento trabajando sobre datos a pequeña escala para analizarlos y tra-
tar de saber qué productos generan más interés. Por ejemplo los datos de los
clientes en sus visitas a la web de la empresa.
ശശ Datos en el proceso de producción. Plantear un proceso desde que surge una
oportunidad hasta que se cierra una venta en el que se puedan establecer pun-
tos de control para medir indicadores. Por ejemplo un embudo de conversión
en una tienda online.
ശശ Inversión en tecnología. La tecnología necesaria para explotar la información
que permita capturar datos en producción, almacenarlos y conectar diferentes
servicios y sistemas para su análisis y explotación.
ശശ Formación de los empleados. Trabajadores que sepan detectar las oportunida-
des y procesarlas en información útil para la gestión empresarial.

Small data está muy unido al comportamiento neurológico del consu-


midor. 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 emociones1 de
los consumidores.

Small Data conecta a personas con datos recientes y concretos que po-
seen un significado y que están estructurados para ser fácilmente acce-
sibles, entendibles y manejables.

1. Martin Lindstrom

8
Transformación de Datos en Información

La mayoría del conocimiento que se necesita se puede conseguir de un


conjunto reducido de datos. Para ampliarlo hay que analizar los aspectos
sobre los que queramos tener ese conocimiento e integrarlos de forma
paquetizada como diferentes subproyectos Small Data:
ശശ Datos internos o datos resultantes de procesos de manipulación de datos de
ventas, estudios de seguimiento del CRM), registros de compras, etc.
ശശ Datos públicos de los competidores, listas públicas u orígenes de datos en los
que estamos sindicados.
ശശ Datos de encuestas u otras interacciones de los clientes.

2. Análisis avanzado y predictivo

Para llegar a la gestión de una gran cantidad de datos (Big Data) se


puede empezar utilizando las técnicas de análisis avanzado y predic-
tivo 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.

El análisis avanzado es el uso de estadísticas y técnicas matemáticas


para la obtención de las ventajas del ‘Big Data’ pero que pueden ser uti-
lizadas en un conjunto más pequeño de datos para:
ശശ encontrar patrones en los datos de clientes
ശശ predecir el impacto de los programas de marketing
ശശ optimizar las inversiones en marketing de la organización

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:
ശശ Organizaciones que han implementado un sistema de medición básico y con-
sultan los datos de manera esporádica sin ningún fin concreto (el análisis de
las clásicas métricas para el negocio: número de vistas, descargas de una app,
seguidores en los canales sociales, etc).
ശശ 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.

9
Transformación de Datos en Información

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...

V. Small business marketing

Los datos que poseen las Pymes de clientes, ventas, pedidos, produc-
ción... 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 (conoci-
mientos) precisos y relevantes para la toma de decisiones es incuestionable.

La idea de los pequeños datos es decisiva para el éxito del marketing. La es-
trategia de marketing debe estar basada en el análisis de los datos adecua-
dos atendiendo al público objetivo de cada negocio. Se pasa de una visión
macro-datos a otra de mayor segmentación y aproximación teniendo en
cuenta los beneficios que Small Data puede proporcionar para tomar deci-
siones de Marketing1. Entre los ejemplos de cómo Small Data que pueden
ayudar a conocer mejor el mercado están:
ശശ Identificar la diversidad de la demanda del cliente
ശശ Determinar si el tamaño de un mercado es suficiente para un nuevo producto
ശശ Cómo desarrollarse o expandirse en un mercado
ശശ Qué estarían dispuestos a pagar los consumidores por un producto
ശശ Cuáles son los precios de la distribución
ശശ Cuáles son los mejores canales para la distribución
ശശ Cómo mejorar el producto y/o sus ventas atendiendo a las particularidades lo-
cales
ശശ Qué fuentes de materiales están disponibles y dónde.

1. EJ McGowan, director general de Camaigner

10
Transformación de Datos en Información

Ejemplo. En las etiquetas inteligentes Small Data puede proporcionar información para su
localización y otros atributos de un determinado medicamento y conocer los motivos por
los que los medicamentos caducan o se deterioran.

Internet de las cosas (IoT) es una realidad cada vez más extendida. Es un re-
curso 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 estra-
tegia empresarial pueden ayudar a una toma de decisiones más ágil, a con-
trolar y estandarizar la información y a ser más eficientes. Las ventajas que
aporta small data son:
ശശ consolidar la información multi-origen en un entorno cada vez más divergente
de sistemas, operativas y productos.
ശശ tener una visión 360º del cliente.
ശശ estandarizar KPIs y métricas de negocio.
ശശ analizar variables operativas.

Para la explotación inteligente de la información hay cinco aspectos a tener


en cuenta:
ശശ Imagen Corporativa. El nombre comercial, el logotipo, los colores que identi-
fiquen la marca forman parte del core business de cualquier negocio y el mar-
keting es fundamental para desarrollarlo. Con la perspectiva de las pequeñas
cosas que ayudan a generar estrategias de marketing (color, logo, palabras) se
genera el small business marketing.
ശശ 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.
ശശ Servicio al Cliente. Un factor clave es la forma en que se trata al cliente. Un
cliente inicia su experiencia de marca desde el primer momento en que conoce
la empresa.
ശശ Administración de Clientes. Mientras mejor se haga mejores serán los resulta-
dos. Llevar una ficha de datos de cada uno de los clientes es imprescindible:
ശശ qué compran
ശശ cada cuándo
ശശ qué productos o servicios usan más
ശശ cuándo es o debe ser su próxima visita
ശശ cuándo es su cumpleaños
ശശ a quién te ha recomendado

11
Transformación de Datos en Información

ശശ cuáles son sus intereses


ശശ sus datos generales

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...
ശശ Generar valor. La mejor recomendación posible es generar valor real para el
cliente. Cualquier cosa que añada valor a la gestión de los servicios redundará
positivamente en la capacidad de fidelizarlo. Small data marketing busca las pe-
queñas cosas que crean valor en los clientes: satisfacción, calidad y sentimiento
positivo.

VI. Herramientas de Small Data

El software para el análisis Small Data permite recoger información para


tomar decisiones de marketing y de compra. Cada vez que nos registra-
mos, 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 apli-
caciones 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 rá-
pida.

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.

12
Transformación de Datos en Información

El software también permite validar el ROI en sistemas y campañas de mar-


keting. El nuevo modelo de marketing basado en Small Data revoluciona la
forma en que las empresas interactúan con los clientes, transforma la forma
en que los clientes acceden y consumen (e incluso llevan) datos útiles y re-
define la relación entre compradores y vendedores.

Los consumidores han visto el potencial del Small Data para optimizar sus
compras, potenciar su actividad física o hacer recomendaciones sobre el me-
jor precio para su próximo vuelo. Los próximos dispositivos basados en datos
más inteligentes y portátiles prometen una mayor demanda de dispositivos
de datos configurados y de entrega de datos que se ajusten a las necesida-
des de los consumidores.

Los beneficios de una estrategia de Small Data residen básicamente en:


ശശ Aprovechar y emplear las herramientas de análisis de Big Data.
ശശ Mantener una relación más directa con el cliente y tener en cuenta su opinión.
ശശ Tomar decisiones más rápidas por la escucha activa.
ശശ Poner una base sólida a la estrategia de marketing en el entorno digital.
ശശ Avanzar en la interpretación de los datos para incorporar nuevas opciones.

Las herramientas son las mismas en las que se apoya el Big Data pero utili-
zadas de forma más segmentada y personalizada. Una estrategia de Small
Data cuenta con:
ശശ Elementos de análisis y medición de datos como Google Analytics o Google
Trends focalizados en el negocio y público objetivo y en el uso de herramientas
SEO para el posicionamiento en nuestro entorno más local.
ശശ El papel fundamental del Community Manager para la gestión y la escucha ac-
tiva en redes sociales y el diálogo con los clientes.
ശശ La importancia de tener en cuenta el factor humano no solo se centra en las
opiniones sino también en los gustos y emociones de nuestra comunidad.

13
Transformación de Datos en Información

VII. Dark Data (datos oscuros)

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 (estadísticas, relaciones empresariales y mo-
netización directa)1. Pueden ser de tres clases:

ശശ Datos que existen en un formato accesible que no han sido utilizados.


ശശ Datos que están en poder de la empresa pero se encuentran en formatos que
es muy costoso procesarlos.
ശശ Datos que no son capturados o que se encuentran fuera de su rango de actua-
ción de la empresa.

Algunas categorías de información que se pueden considerar como Dark


Data son:
ശശ información diversa que deja el cliente en sus relaciones con la empresa.
ശശ archivos de registro (log files).
ശശ información de antiguos empleados.
ശശ datos sin procesar de encuestas realizadas.
ശശ registros de llamadas de clientes.
ശശ coordenadas de geolocalización.
ശശ registros de todo tipo de sensores.
ശശ cadenas de correos electrónicos.

1. Gartner

14
Transformación de Datos en Información

Fuente: EMC digital e IDC (2016)

VIII. Aplicaciones de Dark Data

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 exis-
tentes. Capta el comportamiento del cliente utilizando datos operativos
que las empresas están perdiendo y que contienen un alto valor. Permite:

15
Transformación de Datos en Información

ശശ Tener la capacidad de acceder a las búsquedas realizadas en su sitio y las res-


puestas dadas a sus clientes.
ശശ Obtener una visión en tiempo real en su embudo de ventas mediante la com-
prensión de los movimientos críticos en línea.
ശശ Puede integrarse con cualquier herramienta analítica de Qlik con una simple
integración de un paso.
ശശ Los datos capturados pueden ser almacenados localmente en la nube directa-
mente en sus servidores, con las soluciones de 3ª parte o en una de sus solu-
ciones seguras Datumize.
ശശ Los datos capturados pueden revelar las tendencias y anomalías de relieve
dentro de sus redes internas en tiempo real en el momento adecuado.
ശശ Conectar los mundos online y offline mediante la creación de un entorno.
ശശ Aumentar las ventas por atender mejor a las necesidades de sus clientes.
ശശ Disminuir los costes mediante la creación de un solo mundo (online u offline).

Cualquier cambio podría afectar a los ingresos y la reputación. Captura datos


sin modificar los sistemas críticos. El procesamiento de datos en tiempo real
en escalable y el motor ultra ligero está diseñado para funcionar con una
gran variedad de hardware. Las actividades habituales incluyen filtrado, se-
lección inteligente y compresión de los datos capturados.

16
Transformación de Datos en Información

IX. Ejemplos

Los avances en el reconocimiento de patrones, análisis de los sentimien-


tos, procesamiento del lenguaje natural y toda una serie de otras ciencias
de datos han transformado el mundo desde el punto de vista tecnológico
El almacenamiento de datos y la tecnología de recuperación ha mejorado
de manera similar, especialmente en los campos de los sistemas de archi-
vos distribuidos y bases de datos NoSQL soluciones (tales como Mongo
DB).
La hipótesis sería que podemos conectar todas las cámaras, cada telé-
fono móvil, todo el acceso a Internet... en un solo sistema distribuido y
empezar a capturar grandes volúmenes de datos.

• Ejemplos de Small Data.


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 condi-
ciones 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 incor-
porados un pool de datos de mayor volumen (Big Data) donde algoritmos de pro-
cesamiento 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 condi-
ciones meteorológicas afectan al desgaste de los componentes de las turbinasdes-
agregar la información para conocer el tiempo de vida útil de una pieza concreta
de la turbina.

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 eje-
cutar 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?

17
Transformación de Datos en Información

Resolver problemas como estos puede suponer un gran ahorro. Small Data per-
mite 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.

• Ejemplos de Dark Data.


1º Las cámaras de seguridad de una tienda pueden ofrecer mucha información
acerca de los compradores analizando sus gestos y expresiones. Con una tecno-
logía 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.

3º Persons of interest (serie de ficción norteamericana). Una importante empresa


de tecnología con dificultades financieras propone al gobierno de Estados Unidos
construir un sistema informático inteligente, conectado a cada cámara de tráfico
y de policía del país, leer todos los correos electrónicos, escuchando cada llamada
telefónica, el seguimiento de cada persona y la predicción de los que son posibles
amenazas a la seguridad nacional. Esto configura la imagen de Persons of Interest.

X. Bibliografía y enlaces de interés


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_

18

S-ar putea să vă placă și