Introducción
La sociedad de datos es un tema que forma parte de diversas investigaciones para liberar a todos el poder de los datos.Actualmente se está estudiando formas de adaptar nuestra infraestructura digital para captar,mover y trabajar mejor con la información digital,de manera fácil y eficaz.
Data science
El término “Data Science” no se empezó a utilizar hasta la década de los 70, que se empleaba para definir los métodos de procesamiento de datos.Finalmente, 2001 fue el año en el que la ciencia de datos se introdujo como una disciplina independiente.
El Data Science se encarga de estudiar de dónde viene la información, qué representa y cómo se puede convertir en un recurso valioso en la creación de negocios y estrategias. Para ello, busca extraer grandes cantidades de datos para identificar patrones y poder así ayudar a empresas u organizaciones a controlar los costes, aumentar la eficiencia, reconocer nuevas oportunidades de mercado y aumentar la ventaja competitiva de la organización.
El data science no se especializa únicamente en bases de datos estructurados. También trabaja con datos incompletos y desordenados, y combina en ocasiones cientos de fuentes. Además, su objetivo no solo es el de extraer información, sino el de mostrarla comprensible para el usuario
Todo el proceso de recopilación de datos consta unos pasos a seguir.En primer lugar, partir de la correcta definición de las preguntas de negocio para que se pueda tratar de forma analítica analítica y respondan a los objetivos de la empresa. A continuación, se lleva a cabo la recopilación y extracción de datos. Así como la limpieza y reestructuración de los datos para que sean aptos para ser analizados.Este análisis conlleva: un preproceso; análisis exploratorio ;creación y optimización de modelos; análisis predictivos; machine learning y estadística.Una vez analizados los datos, se da paso a la visualización de datos con gráficos e infografías, de manera que sean fácilmente comprensibles y podamos extraer inteligencia de ellos. Para finalizar, se presentan los insights y recomendaciones de negocio y se crean productos centrados en datos, destinados a empresas que usan el análisis para generar nuevas soluciones tecnológicas.
Por otra parte, el data science posee numerosas aplicaciones que modificarán en el futuro la vida cotidiana de los humanos. Entre las cuales podemos destacar:
-El mantenimiento de automóviles predictivo,por ejemplo sobre cómo generar reacciones a las grabaciones de audio desde el motor para determinar si es necesario hacerle mantenimiento, o si las partes están a punto de necesitar un reemplazo.
-La creación de modelos de alta precisión de los riesgos de catástrofes relacionadas con el clima (inundaciones, tormentas,sequías…)
-Sitios web como Ginger, utiliza datos de los dispositivos móviles de los usuarios para formar un punto de vista sobre cómo se sienten los usuarios. Se utiliza sobre todo en el ámbito de la medicina.Su motor de análisis de comportamiento, encripta y anonimiza datos de los pacientes antes de ejecutarlo a través de análisis estadístico para crear una perspectiva interesante. Este software intenta detectar a tiempo síntomas de estrés, ansiedad o depresión.
Big Data
Cuando hablamos de Big Data nos referimos al análisis masivo de datos. Una cuantía de datos, tan sumamente grande, que las aplicaciones de software de procesamiento de datos que tradicionalmente se venían usando no son capaces de capturar, tratar y poner en valor en un tiempo razonable.
El Big data se caracteriza sobre todo por su velocidad de análisis donde los datos en constante movimiento procesados a tiempo real cobran protagonismo, ejecutando algoritmos cada vez más complejos en menos tiempo.Además, los datos sobre los que trabajan las técnicas de macrodatos son diversos pues,proceden de numerosas fuentes y se encuentran en distintos formatos.Asimismo,continúa en aumento la cuantía de datos no estructurados en proporción a los tradicionales, al igual que ocurre con el volumen,esto requiere nuevos tratamientos de la información, necesitando de nuevas metodologías y tecnologías para poder ser analizadas.
Por otra parte, como hemos comentado, la cantidad de datos generados está aumentando. Según crecen las bases de datos, también lo han de hacer las aplicaciones y arquitectura construida para soportar la recogida y almacenamiento de datos cada vez más variados. Además, se han reducido los costes de almacenamiento propiciando almacenar grandes cuantías de información a un precio mucho más reducido que antiguamente.
Toda esta información se recoge en las “V” que han de ser consideradas a la hora de definir Big data. Hay numerosas ampliaciones pero yo he tenido he profundizado en las 3 “V” principales e imprescindibles.
Volumen: Las organizaciones recopilan datos de diversas fuentes, incluyendo transacciones comerciales, medios sociales e información de sensores o que se transmite de una máquina a otra. En el pasado, almacenarlos habría sido un problema pero gracias a las nuevas tecnologías se ha aligerado la tarea.
Velocidad: Los datos se transmiten a una velocidad sin precedentes y se deben distribuir de manera oportuna. Etiquetas FID, sensores y la medición inteligente crean la necesidad de distribuir torrentes de datos casi en tiempo real.
Variedad: Los datos vienen en toda clase de formatos,desde datos numéricos estructurados en bases de datos tradicionales hasta documentos de texto no estructurados, correo electrónico, video, audio, datos de teletipo bursátil y transacciones financieras.
Algunos de las aplicaciones del Big Data las podemos ver en las compañías que manejamos habitualmente en nuestro día a día, como por ejemplo Amazon, que basa buena parte de su éxito en conocer de antemano lo que necesitan sus clientes, a través del Big data.Otra de las grandes empresas como Netflix, que su éxito proviene de su magistral uso de los macrodatos para crear nuevos contenidos para sus usuarios, cuyos hábitos de consumo y preferencias son observados al detalle para descubrir qué es lo que van a querer ver a continuación en base a patrones predictivos.
Data analytics
Data analytics es un enfoque que implica el análisis de datos (big data, en particular) para sacar conclusiones. Al usar data analytics, las empresas pueden estar mejor equipadas para tomar decisiones estratégicas y aumentar su volumen de negocios.Los objetivos principales de un enfoque de data analytics son:mejorar la eficiencia operativa;mejorar y optimizar la experiencia UX y del cliente y Perfeccionar el modelo de negocio.
Además el Data analytics ayuda a las empresas a acceder en tiempo real a información fiable sobre todos los aspectos de su negocio, disponer de la visibilidad, comprensión y control sobre el desempeño financiero o medir, monitorizar y ajustar resultados empresariales de forma más eficiente.Asimismo impulsa impulsa la agilidad empresarial y afina la planificación estratégica, proporcionando información que mejora la toma mejores.También ayudan a las empresas a crear nuevos procesos de negocio.Para evitar que la competencia progrese más y más rápido y apoyar la cultura de pensamiento y la exploración innovadora de su organización son dos aspectos muy relacionados. Con la analítica avanzada de grandes datos se exploran las opciones estratégicas que potencian el crecimiento del negocio, utilizando nuevas perspectivas.
Las aplicaciones que podemos observar de data analytics, se recogen en empresas como Uber.Una de las primeras ventajas en analítica de datos se observó en los servicios de localización a través de GPS.Los teléfonos inteligentes con posicionamiento satelital han permitido desarrollar mapas avanzados y algoritmos para poder optimizar las rutas de circulación en las ciudades.Las finanzas y el sector bancario son otro de los grandes beneficiados por la extracción de información útil de la gran cantidad de datos y transacciones que generan.Empresas como BBVA ha realizado varios proyectos de extracción y análisis de información financiera de las que ha podido obtener tanto las diferentes actividades comerciales de las grandes urbes (Urban Discovery) como el impacto económico de la celebración de grandes eventos o Commerce360 que permite conocer datos que hasta ahora solo eran accesibles a la gran distribución, y que les proporciona una ventaja competitiva a la hora de diseñar sus estrategias comerciales y de marketing.
Business Intelligence
Business Intelligence es la habilidad para transformar los datos en información, y la información en conocimiento, de forma que se pueda optimizar el proceso de toma de decisiones en los negocios.También podemos definir Business Intelligence como el conjunto de metodologías, aplicaciones y tecnologías que permiten reunir, depurar y transformar datos de los sistemas transaccionales e información desestructurada en información estructurada, para su explotación directa o para su análisis y conversión en conocimiento, dando así soporte a la toma de decisiones sobre el negocio.
Asimismo, el Business Intelligence (BI) aprovecha el software y los servicios para transformar los datos en inteligencia accionable que informa las decisiones empresariales estratégicas y tácticas de una organización. Las herramientas de BI acceden y analizan conjuntos de datos y presentan hallazgos analíticos en informes, resúmenes, cuadros de mando, gráficos, gráficos y mapas para proporcionar a los usuarios información detallada sobre el estado del negocio.
Las aplicaciones que podemos observar de Business Intelligence se ven reflejadas en servicios como Einstein Analytics Products, es un servicio desarrollado por Salesforce con el objetivo de ofrecer análisis avanzados en diferentes áreas gracias al uso de la Inteligencia Artificial (AI). Así, las empresas pueden analizar toda la información con la que cuentan en diferentes áreas de negocio (ventas, marketing, análisis…) para mejorar sus resultados sin tener que construir modelos matemáticos, escribir algoritmos, etc.Estas aplicaciones específicas cuentan con KPI preconfigurados que brindan a los usuarios la oportunidad de explorar datos, descubrir tendencias y obtener conclusiones de forma rápida y sencilla.
Machine Learning
Machine Learning es una disciplina científica del ámbito de la Inteligencia Artificial que crea sistemas que aprenden automáticamente. Aprender en este contexto quiere decir identificar patrones complejos en millones de datos. La máquina que realmente aprende es un algoritmo que revisa los datos y es capaz de predecir comportamientos futuros. Automáticamente, también en este contexto, implica que estos sistemas se mejoran de forma autónoma con el tiempo, sin intervención humana.
El machine funciona con algoritmos, que realizan buena parte de estas acciones por su cuenta. Obtienen sus propios cálculos según los datos que se recopilan en el sistema, y cuantos más datos obtienen, mejores y más precisas serán las acciones resultantes.
Las máquinas se programan a sí mismas, hasta cierto punto, usando dichos algoritmos. Estos funcionan como ingenieros que pueden diseñar nuevas respuestas informáticas, como respuesta a la información que se les suministra a través de su interfaz u otros medios. Todo nuevo dato se convierte en un nuevo algoritmo, y a más datos, mayor complejidad y efectividad de cálculo puede proporcionar el sistema informático.
El Machine learning tiene numerosas aplicaciones, que se observan sobre todo en campos como la medicina, donde decidir si realizar una operación o no a un paciente o en el mundo de los negocios conocer en qué fechas es mejor bajar los precios o estimar ventas.Además interviene en el análisis de comportamiento de consumo y productividad, para la identificación de clientes potenciales y en general en sectores de banca, seguros etc
¿Cuál es la relación entre todas ellas?
En la actualidad uno de los ámbitos tecnológicos que más auge está teniendo es el acceso y gestión de grandes cantidades de datos, con el objetivo de realizar unos análisis que permitan obtener información para una mejor toma de decisiones. Esta es una característica que comparten todas estas tendencias.Pues todas ellas se encargan de analizar datos sobre todo en el ámbito empresarial con el fin de conseguir la máxima eficiencia y el éxito de todas ellas.
El siguiente esquema muestra la relación entre las diferentes tendencias
Bibliografía
A, A. (2013, 25 junio). La sociedad de los datos: Creando valor de su información digital para la vida diaria | Intel Latinoamérica Newsroom. Recuperado 25 enero, 2020, de https://newsroom.intel.la/la-sociedad-de-los-datos-creando-valor-de-su-informacion-digital-para-la-vida-diaria/
A, A. (2018, 17 junio). ¿Qué es el Data Science? – Máster en Data Science. Recuperado 25 enero, 2020, de https://www.master-data-scientist.com/que-es-masters-in-data-science/
A, A. (2020, 2 enero). Curso en Big Data Analytics. Recuperado 25 enero, 2020, de https://www.fundacion.uc3m.es/formacion/postgrado/big-data-analytics/
Grado EstadÃstica UVa, G. (s.f.). SabÃas que es un Data Scientist? Recuperado 25 enero, 2020, de http://sabiasqueestadistica.blogspot.com/2014/03/sabias-que-es-un-data-scientist_3.html
A, A. (2019, 25 agosto). ¿Qué Es Machine Learning? [Guía Completa Para Principiantes]. Recuperado 25 enero, 2020, de https://blog.adext.com/machine-learning-guia-completa/
Media, A. (s.f.). ¿Qué es Business Intelligence (BI) y qué herramientas existen? Recuperado 25 enero, 2020, de https://blog.signaturit.com/es/que-es-business-intelligence-bi-y-que-herramientas-existen
A, A. (s.f.). 403 Forbidden. Recuperado 25 enero, 2020, de https://blog.mdcloud.es/que-es-big-data-y-para-que-sirve/
Ana's blog 