BIG DATA

BIG DATA

1. Hadoop

   • Análisis masivos de datos

2. SAS

   • El nuevo software de SAS permite la toma de decisiones en tiempo real al analizar continuamente los datos a medida que estos son recibidos. Gracias al manejo de gran volumen de "eventos en movimiento", el nuevo software es una forma de procesamiento de eventos complejos (complex event processing – CEP, por sus siglas en inglés), la tecnología preferida para la gestión de datos críticos y aplicaciones analíticas.

3. IBM

4. Microsoft

   • La inteligencia aplicada al análisis de datos y a extraer valor de los enormes volúmenes de información que manejan las organizaciones es la piedra angular de Big Data. Como proveedor clave en este ámbito, Microsoft presenta la más completa plataforma para ayudar a sus clientes a abrazar una nueva era tecnológica, la de la “inteligencia ambiental”, que va más allá del concepto tradicional de Big Data.

5. Oracle

6. Definición

   • conjuntos de datos que superan la capacidad del software habitual para ser capturados, gestionados y procesados en un tiempo razonable y por los medios habituales de procesamiento de la información.
     • Datos de la empresa tradicional
       • Incluye información de los clientes en sistemas de CRM, datos transaccionales ERP, las transacciones de tienda web, los datos contables, etc.
         • Dispositivos móviles
           • Audio
             • Video
               • Sistemas GPS
                 • Automóviles, medidores eléctricos,veletas,anémometros
       • Machine generated/Sensor data
         • Datos de medios sociales
           • Grandes bases de datos
             • Grandes conjuntos de datos
               • No estructurados con mezcla de fuentes de origen y tipos de datos: numéricos, textuales, gráficos, etc.
             • Con información multidimensional, relacional y no relacional.
           • • Incluye datos sobre blogs, twiter, plataformas de Social Media como Facebook, etc.
         • • Incluye registos de detalles de llamadas ("Cali Detail Records, CDR"), los weblogs, los medidores inteligentes, los sensores de fabricación, registros de equipos, datos de sitemas comerciales, etc.
       • Web and Social Media
         • Incluye contenido web e información que es obtenida de las redes sociales como Fcebook, Twitter, Linkedln, blogs, etc.
       • Machine-to-Machine (M2M)
         • M2M se refiere a las tecnologías que permiten conectarse a otros dispositivos. M2M utiliza dispositivos como sensores o medidores que capturan algún evento en particular (velocidad, temperatura, presión, variables meteorológicas, variables químicas como la salinidad, etc.), los cuales transmiten a través de redes alámbricas, inalámbricas o híbridas a otras aplicaciones que traducen estos eventos en información significativa.
       • Big Transaction Data
         • Incluye de facturación, en telecomunicaciones registros detallados de las llamadas (CDR), etc. Estos datos transaccionales están disponibles en formatos tanto semiestructurados como no estructurados.
       • Biometrics
         • Información biométrica en la que se incluye huellas digitales, escaneo de la retina, reconocimiento facial, genética, etc. En el área de seguridad e inteligencia, los datos biométricos han sido información importante para las agencias de investigación.
       • Human Generated
         • Las personas generamos diversas cantidades de datos como la información que guarda un cali center al establecer una llamada telefónica, notas de voz, correos electrónicos, documentos electrónicos, estudios médicos, etc.

7. Volumen

   • Velocidad
     • Variedad
       • Valor
         • El valor económico de los diferentes datos varía significativamente. Por lo general hay buena información embebida en un gran conjunto más amplio de datos no tradicionales: El desafío esencial es identificar la información valiosa, transformada y extraer los datos para su análisis. A partir de los datos convenientemente extraídos y transformados se analiza el conocimiento conenido en los mismos.
       • •Los formatos de datos tradicionales tienden a ser relativamente bien definidos por un esquema de datos. En contraste, los formatos de datos no tradicionales exhiben un ritmo vertiginoso del cambio. A Medida que se añaden nuevos servicios, nuevos sensores desplegados, o nuevas campañas de marketing, se necesitan nuevos tipos de datos para capturar la información resultante.
     • •Los flujos de datos de medios sociales, aunque no es tan masivo como los datos generados por máquinas, producen una gran afluencia de opiniones y valiosas relaciones para la gestión de clientes. Incluso a 140 caracteres por tweet, la alta velocidad (o frecuencia) de los datos de Twitter proporciona grandes volúmenes de información (más de 8 TB por día).
   • Los datos relativos al Big Data se producen en cantidades mucho más grandes que los datos tradicionales.

8. Aplicaciones

   • Patrones de detección de fraude
     • La detección de fraude es un problema típico en los servicios financieros verticales, pero se encuentra en cualquier tipo de transacciones (subastas en línea, juego online, reclamaciones de seguros, fraude fiscal, etc.)
   • Patrones de social media
     • Tal vez el patrón de uso de Big Data más comentado son los medios de comunicación social y el sentimiento del cliente. Puede utilizar Big Data para averiguar lo que los clientes opinan sobre uno mismo (y tal vez lo que están diciendo acerca de la competencia). Además, se puede utilizar este resultado recién encontrado para averiguar cómo esta información repercute en las decisiones y la forma en que su empresa se comporta.
   • Patrones de modelado y gestión de riesgo
     • Como fue el caso en el patrón de detección de fraude, las empresas utilizan entre el 15 y 20 por ciento de los datos estructurados disponibles en sus modelos de riesgo. No es que no se reconozca que hay un montón de datos que están potencialmente subutilizados, si no que no saben dónde puede encontrarse la información relevante en el resto de los datos. Además, puede ser demasiado caro en la infraestructura actual de muchas empresas analizar a muchos clientes para investigar.
   • BIG DATA y el sector de la energía
     • El sector de la energía ofrece muchos retos de casos de uso de Big Data. El problema principal consiste en cómo hacer frente a los grandes volúmenes de datos de los sensores de las instalaciones remotas. Muchas empresas están utilizando sólo una fracción de los datos, ya que carecen de la infraestructura necesaria para almacenar o analizar la escala de datos disponibles.
   • BIG DATA en el call center
     • El reto de la eficiencia del centro de llamadas es similar al caso de la detección del patrón de fraude. Al igual que la dinámica apropiada en información de fraudes es crítica para los modelos de fraude robustos, en un centro de llamadas si no se gestiona bien la relación entre en tiempo de la resolución de la llamada y la gestión posterior de los patrones de descontento, la información recogida va a perder su valor.