Big Data

Big Data

• 
• Alumno: Mario Michael Casillas Macias
• Profesor: María Guadalupe García Toscano
• Materia: Seguridad
• Grupo: 00605AM
• Actividad: Problemas de seguridad
• Fecha: 11-06-2021

¿Qué es?

• Cuando hablamos de Big Data nos referimos a conjuntos de datos o combinaciones de conjuntos de datos cuyo tamaño (volumen), complejidad (variabilidad) y velocidad de crecimiento (velocidad) dificultan su captura, gestión, procesamiento o análisis mediante tecnologías y herramientas convencionales, tales como bases de datos relacionales y estadísticas convencionales o paquetes de visualización, dentro del tiempo necesario para que sean útiles.
• Aunque el tamaño utilizado para determinar si un conjunto de datos determinado se considera Big Data no está firmemente definido y sigue cambiando con el tiempo, la mayoría de los analistas y profesionales actualmente se refieren a conjuntos de datos que van desde 30-50 Terabytes a varios Petabytes.
• La naturaleza compleja del Big Data se debe principalmente a la naturaleza no estructurada de gran parte de los datos generados por las tecnologías modernas, como los web logs, la identificación por radiofrecuencia (RFID), los sensores incorporados en dispositivos, la maquinaria, los vehículos, las búsquedas en Internet, las redes sociales como Facebook, computadoras portátiles, teléfonos inteligentes y otros teléfonos móviles, dispositivos GPS y registros de centros de llamadas.
• En la mayoría de los casos, con el fin de utilizar eficazmente el Big Data, debe combinarse con datos estructurados (normalmente de una base de datos relacional) de una aplicación comercial más convencional, como un ERP (Enterprise Resource Planning) o un CRM (Customer Relationship Management).

¿Por qué el Big Data es tan importante?

• Lo que hace que Big Data sea tan útil para muchas empresas es el hecho de que proporciona respuestas a muchas preguntas que las empresas ni siquiera sabían que tenían. En otras palabras, proporciona un punto de referencia. Con una cantidad tan grande de información, los datos pueden ser moldeados o probados de cualquier manera que la empresa considere adecuada. Al hacerlo, las organizaciones son capaces de identificar los problemas de una forma más comprensible.
• La recopilación de grandes cantidades de datos y la búsqueda de tendencias dentro de los datos permiten que las empresas se muevan mucho más rápidamente, sin problemas y de manera eficiente. También les permite eliminar las áreas problemáticas antes de que los problemas acaben con sus beneficios o su reputación.
• El análisis de Big Data ayuda a las organizaciones a aprovechar sus datos y utilizarlos para identificar nuevas oportunidades. Eso, a su vez, conduce a movimientos de negocios más inteligentes, operaciones más eficientes, mayores ganancias y clientes más felices. Las empresas con más éxito con Big Data consiguen valor de las siguientes formas:
• Reducción de coste. Las grandes tecnologías de datos, como Hadoop y el análisis basado en la nube, aportan importantes ventajas en términos de costes cuando se trata de almacenar grandes cantidades de datos, además de identificar maneras más eficientes de hacer negocios.
• Más rápido, mejor toma de decisiones. Con la velocidad de Hadoop y la analítica en memoria, combinada con la capacidad de analizar nuevas fuentes de datos, las empresas pueden analizar la información inmediatamente y tomar decisiones basadas en lo que han aprendido.
• Nuevos productos y servicios. Con la capacidad de medir las necesidades de los clientes y la satisfacción a través de análisis viene el poder de dar a los clientes lo que quieren. Con la analítica de Big Data, más empresas están creando nuevos productos para satisfacer las necesidades de los clientes.
• 

Ejemplos de big data

• Los macrodatos provienen de innumerables fuentes: algunos ejemplos son los sistemas de procesamiento de transacciones, las bases de datos de los clientes, los documentos, los correos electrónicos, los registros médicos, los registros de flujo de clics de Internet, las aplicaciones móviles y las redes sociales. También incluye datos generados por máquinas, como archivos de registro de red y servidor y datos de sensores en máquinas de fabricación, equipos industriales y dispositivos de Internet de las cosas .
• Además de los datos de los sistemas internos, los entornos de big data a menudo incorporan datos externos sobre consumidores, mercados financieros, condiciones meteorológicas y de tráfico, información geográfica, investigación científica y más. Las imágenes, los videos y los archivos de audio también son formas de big data, y muchas aplicaciones de big data implican la transmisión de datos que se procesan y recopilan de forma continua.
• 

Características del big data

• Mirando más allá de las tres V originales, aquí hay detalles sobre algunas de las otras que ahora a menudo se asocian con big data:
• La veracidad se refiere al grado de precisión en los conjuntos de datos y cuán confiables son. Los datos sin procesar recopilados de diversas fuentes pueden causar problemas de calidad de los datos que pueden ser difíciles de identificar. Si no se solucionan mediante procesos de limpieza de datos , los datos incorrectos conducen a errores de análisis que pueden socavar el valor de las iniciativas de análisis empresarial. Los equipos de análisis y gestión de datos también deben asegurarse de tener suficientes datos precisos disponibles para producir resultados válidos.
• Algunos científicos y consultores de datos también agregan valor a la lista de características de big data. No todos los datos que se recopilan tienen un valor comercial o beneficios reales. Como resultado, las organizaciones deben confirmar que los datos se relacionan con problemas comerciales relevantes antes de que se utilicen en proyectos de análisis de big data.
• La variabilidad también se aplica a menudo a conjuntos de big data, que pueden tener múltiples significados o tener un formato diferente en fuentes de datos independientes, factores que complican aún más la gestión y el análisis de big data .
• Algunas personas atribuyen incluso más V a los macrodatos; Se han creado varias listas con entre siete y diez.
• 

Cómo se almacenan y procesan los macrodatos

• Los macrodatos a menudo se almacenan en un lago de datos . Si bien los almacenes de datos generalmente se construyen sobre bases de datos relacionales y contienen solo datos estructurados, los lagos de datos pueden admitir varios tipos de datos y, por lo general, se basan en clústeres de Hadoop , servicios de almacenamiento de objetos en la nube, bases de datos NoSQL u otras plataformas de big data.
• Muchos entornos de big data combinan varios sistemas en una arquitectura distribuida; por ejemplo, un lago de datos central puede integrarse con otras plataformas, incluidas bases de datos relacionales o un almacén de datos. Los datos en los sistemas de big data pueden dejarse en su forma sin procesar y luego filtrarse y organizarse según sea necesario para usos analíticos particulares. En otros casos, se procesa previamente con herramientas de minería de datos y software de preparación de datos para que esté listo para aplicaciones que se ejecutan con regularidad.
• El procesamiento de big data impone grandes exigencias a la infraestructura informática subyacente. La potencia informática necesaria a menudo la proporcionan los sistemas agrupados que distribuyen las cargas de trabajo de procesamiento en cientos o miles de servidores básicos, utilizando tecnologías como Hadoop y el motor de procesamiento Spark.
• Obtener ese tipo de capacidad de procesamiento de manera rentable es un desafío. Como resultado, la nube es una ubicación popular para los sistemas de big data. Las organizaciones pueden implementar sus propios sistemas basados ​​en la nube o utilizar ofertas administradas de big data como servicio de los proveedores de la nube. Los usuarios de la nube pueden escalar la cantidad requerida de servidores el tiempo suficiente para completar proyectos de análisis de big data. La empresa solo paga por el tiempo de almacenamiento y computación que usa, y las instancias en la nube se pueden apagar hasta que se necesiten nuevamente.

Cómo funciona la analítica de big data

• Para obtener resultados válidos y relevantes de las aplicaciones de análisis de big data, los científicos de datos y otros analistas de datos deben tener una comprensión detallada de los datos disponibles y una idea de lo que están buscando en ellos. Eso hace que la preparación de datos, que incluye la creación de perfiles, la limpieza, la validación y la transformación de conjuntos de datos, sea un primer paso crucial en el proceso de análisis.
• Una vez que los datos se han recopilado y preparado para el análisis, se pueden aplicar diversas disciplinas de análisis avanzado y ciencia de datos para ejecutar diferentes aplicaciones, utilizando herramientas que proporcionan características y capacidades de análisis de big data . Esas disciplinas incluyen el aprendizaje automático y su rama de aprendizaje profundo , el modelado predictivo, la minería de datos, el análisis estadístico, el análisis de transmisión, la minería de texto y más.
• Utilizando los datos del cliente como ejemplo, las diferentes ramas de la analítica que se pueden hacer con conjuntos de big data incluyen las siguientes:
• Análisis comparativo. Esto examina las métricas de comportamiento del cliente y la participación del cliente en tiempo real para comparar los productos, servicios y marca de una empresa con los de sus competidores.
• Escuchar las redes sociales . Analiza lo que las personas dicen en las redes sociales sobre un negocio o producto, lo que puede ayudar a identificar problemas potenciales y a las audiencias objetivo de las campañas de marketing.
• Analítica de marketing . Esto proporciona información que se puede utilizar para mejorar las campañas de marketing y las ofertas promocionales de productos, servicios e iniciativas comerciales.
• Análisis de los sentimientos. Todos los datos recopilados sobre los clientes se pueden analizar para revelar cómo se sienten acerca de una empresa o marca, los niveles de satisfacción del cliente, los problemas potenciales y cómo se podría mejorar el servicio al cliente.

Tecnologías de gestión de big data

• Hadoop, un marco de procesamiento distribuido de código abierto lanzado en 2006, inicialmente estaba en el centro de la mayoría de las arquitecturas de big data. El desarrollo de Spark y otros motores de procesamiento empujó MapReduce , el motor integrado en Hadoop, más hacia un lado. El resultado es un ecosistema de tecnologías de big data que se pueden usar para diferentes aplicaciones, pero que a menudo se implementan juntas.
• Las plataformas de big data y los servicios administrados que ofrecen los proveedores de TI combinan muchas de esas tecnologías en un solo paquete, principalmente para su uso en la nube. Actualmente, eso incluye estas ofertas, enumeradas alfabéticamente:
• Amazon EMR (anteriormente Elastic MapReduce)
• Plataforma de datos de Cloudera
• Google Cloud Dataproc
• HPE Ezmeral Data Fabric (anteriormente MapR Data Platform)
• Microsoft Azure HDInsight
• Para las organizaciones que desean implementar sistemas de big data por sí mismas, ya sea en las instalaciones o en la nube, las tecnologías que están disponibles para ellos, además de Hadoop y Spark, incluyen las siguientes categorías de herramientas:
• repositorios de almacenamiento, como Hadoop Distributed File System ( HDFS ) y servicios de almacenamiento de objetos en la nube que incluyen Amazon Simple Storage Service ( S3 ), Google Cloud Storage y Azure Blob Storage;
• marcos de gestión de clústeres, como Kubernetes, Mesos y YARN , el administrador de recursos y el programador de trabajos integrados de Hadoop, que significa Yet Another Resource Negotiator pero que se conoce comúnmente solo por el acrónimo;
• motores de procesamiento de flujo, como Flink, Hudi, Kafka, Samza, Storm y los módulos Spark Streaming y Structured Streaming integrados en Spark;
• Bases de datos NoSQL que incluyen Cassandra, Couchbase, CouchDB, HBase, MarkLogic Data Hub, MongoDB, Neo4j, Redis y varias otras tecnologías;
• plataformas de data lake y data warehouse, entre ellas Amazon Redshift, Delta Lake, Google BigQuery, Kylin y Snowflake; y
• Motores de consulta SQL, como Drill, Hive, Impala, Presto y Trino.

Desafíos de big data

• En relación con los problemas de capacidad de procesamiento, diseñar una arquitectura de big data es un desafío común para los usuarios. Los sistemas de big data deben adaptarse a las necesidades particulares de una organización, una empresa de bricolaje que requiere que los equipos de gestión de datos y TI compilen un conjunto personalizado de tecnologías y herramientas. La implementación y la gestión de sistemas de big data también requieren nuevas habilidades en comparación con las que suelen poseer los administradores y desarrolladores de bases de datos centrados en el software relacional.
• Ambos problemas pueden aliviarse mediante el uso de un servicio en la nube administrado, pero los administradores de TI deben vigilar de cerca el uso de la nube para asegurarse de que los costos no se salgan de control. Además, la migración de conjuntos de datos locales y el procesamiento de cargas de trabajo a la nube suele ser un proceso complejo.
• Otros desafíos en la gestión de sistemas de big data incluyen hacer que los datos sean accesibles para los científicos y analistas de datos, especialmente en entornos distribuidos que incluyen una combinación de diferentes plataformas y almacenes de datos. Para ayudar a los analistas a encontrar datos relevantes, los equipos de análisis y gestión de datos están creando cada vez más catálogos de datos que incorporan funciones de gestión de metadatos y linaje de datos. El proceso de integración de conjuntos de macrodatos a menudo también es complicado, especialmente cuando la variedad y la velocidad de los datos son factores.
• 

Las 7 V del Big data Caracteristicas

• Volumen de información
• El volumen se refiere a la cantidad de datos que son generados cada segundo, minuto y días en nuestro entorno. Es la característica más asociada al Big Data, ya que hace referencia a las cantidades masivas de datos que se almacenan con la finalidad de procesar dicha información, transformando los datos en acciones.
• Cada vez estamos más conectados al mundo 2.0 por lo que generamos más y más datos. Para algunas empresas, el estar en el mundo digital es algo obligatorio, por lo que la cantidad de datos generados es aún mayor. Por ejemplo, una empresa que vende sus productos únicamente a través de un canal online, le convendría implantar tecnología Big Data para procesar toda aquella información que recoge su página web rastreando todas las acciones que lleva a cabo el cliente; conocer donde cliquea más veces, cuántas veces ha pasado por el carrito de la compra, cuáles son los productos más vistos, las páginas más visitadas, etc.
• Velocidad de los datos
• La velocidad se refiere a los datos en movimiento por las constantes interconexiones que realizamos, es decir, a la rapidez en la que son creados, almacenados y procesados en tiempo real.
• Para los procesos en los que el tiempo resulta fundamental, tales como la detección de fraude en una transacción bancaria o la monitorización de un evento en redes sociales, estos tipos de datos deben estudiarse en tiempo real para que resulten útiles para el negocio y se consigan conclusiones efectivas.
• Variedad de los datos
• La variedad se refiere a las formas, tipos y fuentes en las que se registran los datos. Estos datos pueden ser datos estructurados y fáciles de gestionar como son las bases de datos, o datos no estructurados, entre los que se incluyen documentos de texto, correos electrónicos, datos de sensores, audios, vídeos o imágenes que tenemos en nuestro dispositivo móvil, hasta publicaciones en nuestros perfiles de redes sociales, artículos que leemos en blogs, las secuencias de click que hacemos en una misma página, formularios de registro e infinidad de acciones más que realizamos desde nuestro Smartphone, Tablet y ordenador.
• Estos últimos datos requieren de una herramienta específica, debido a que el tratamiento de la información es totalmente diferente con respecto a los datos estructurados. Para ello, las empresas necesitan integrar, observar y procesar datos que son recogidos a través de múltiples fuentes de información con herramientas cualificadas.
• Veracidad de los datos
• Cuando hablamos de veracidad nos referimos a la incertidumbre de los datos, es decir, al grado de fiabilidad de la información recibida.
• Es necesario invertir tiempo para conseguir datos de calidad, aplicando soluciones y métodos que puedan eliminar datos imprevisibles que puedan surgir como datos económicos, comportamientos de los consumidores que puedan influir en las decisiones de compra.
• La necesidad de explorar y planificar la incertidumbre es un reto para el Big Data que está a la orden del día en las compañías dedicadas al análisis de datos.
• Viabilidad
• La inteligencia empresarial es un componente fundamental para la viabilidad de un proyecto y el éxito empresarial. Se trata de la capacidad que tienen las compañías en generar un uso eficaz del gran volumen de datos que manejan.
• La inteligencia competitiva también se asocia con la innovación de los equipos de trabajo y el uso de tecnologías empleadas. Una empresa inteligente analiza, selecciona y monitoriza la información con el fin de conocer mejor el mercado en el que opera, a sus clientes y diseñar estrategias eficaces.
• Es necesario filtrar a través de esta información y seleccionar cuidadosamente los atributos y factores que son capaces de predecir los resultados que más interesan a las empresas. El secreto del éxito es descubrir las relaciones entre las variables ocultas.
• Una vez que conoces la viabilidad de tu organización, es el momento de detallar el proyecto en una hoja de ruta, y desarrollar el plan de negocio.
• Visualización de los datos
• Cuando hablamos de visualización nos referimos al modo en el que los datos son presentados. Una vez que los datos son procesados (los datos están en tablas y hojas de cálculo), necesitamos representarlos visualmente de manera que sean legibles y accesibles, para encontrar patrones y claves ocultas en el tema a investigar. Para que los datos sean comprendidos existen herramientas de visualización que te ayudarán a comprender los datos gráficamente y en perspectiva contextual.
• Valor de los datos
• El dato no es valor. Tampoco tienes valor por el mero hecho de recopilar gran cantidad de información. El valor se obtiene de datos que se transforman en información; esta a su vez se convierte en conocimiento, y este en acción o en decisión. El valor de los datos está en que sean accionables, es decir, que los responsable de la empresas puedan tomar una decisión (la mejor decisión) en base a estos datos.
• No todos los datos de los que partimos se convierten en acción o decisión. Para ello, es necesario tener tecnologías aplicadas. Por ejemplo, una publicación en una red social, que gracias al uso de tecnologías de procesamiento de lenguaje natural, puede medir el sentimiento positivo o negativo, con la ayuda de un algoritmo de análisis de redes sociales o herramientas que permitan obtener de esto información.
• En definitiva, el Big Data es una combinación de estas siete características donde las empresas pueden obtener una ventaja competitiva frente a sus competidores contribuyendo al éxito asegurado con las tres últimas V de viabilidad, visualización y la más importante, la de valor.
• No todas las compañías optaran por la misma metodología con respecto al desarrollo y la creación de sus capacidades con tecnologías Big Data. Sin embargo, en todos los sectores existe la posibilidad de recurrir a estas nuevas tecnologías y analíticas para mejorar la toma de decisiones y el rendimiento, tanto a nivel interno como en el mercado.

Posibles usos del big data en las empresas

• La utilización del big data facilita acometer una serie de actividades empresariales desde el análisis de datos masivos hasta la experiencia del cliente. A continuación se reflejan algunas de ellas:
• – Desarrollo de productos. Grandes compañías hacen uso del big data para anticiparse a la demanda de los usuarios. Generan modelos predictivos para nuevos productos y servicios clasificando aspectos clave de productos actuales y anteriores.
• – Experiencia del cliente. Disponer de una visión clara de la experiencia del cliente es más fácil que nunca. El big data permite recopilar información de las visitas de la página web, redes sociales, registros de llamadas y otros orígenes de datos para perfeccionar la experiencia de interacción, así como optimizar el valor que se ofrece. Reducir las tasas de abandono de los visitantes, gestionar incidencias de forma proactiva… Todo con un único objetivo: obtener una mayor clientela.
• – Conformidad y fraude. Los requisitos de conformidad y los contextos de seguridad están evolucionando constantemente. El big data facilita la identificación de patrones de datos que puedan ocasionar un fraude, al mismo tiempo que aglutina grandes volúmenes de datos para agilizar la creación de informes normativos.
• – Aprendizaje automático. Los datos son una de las causas de este proceso. Las máquinas en vez de programarse pueden aprender gracias a la disponibilidad de big data para generar modelos de aprendizaje automático.
• – Impulso de la innovación. Puede ayudar a innovar en la empresa gracias al análisis de las interdependencias entre instituciones, procesos, entidades y seres humano. Y posteriormente mediante la determinación de maneras novedosas de emplear dicha información. Las posibilidades son ilimitadas: mejorar las decisiones financieras y las consideraciones de planificación, implantación de precios dinámicos, análisis de tendencias y los deseos de los clientes para desarrollar nuevos servicios y productos, etc.
• Para utilizar el big data, las empresas necesitan nuevas herramientas y tecnologías que permitan gestionar estas grandes cantidades de datos para así poder sacar el máximo potencial de los datos de que disponen. Es por ello, que a día de hoy ya hay multitud de herramientas de big data que las empresas pueden utilizar para maximizar sus rendimientos.
• 

Riesgos de Ciberseguridad de la tecnología Big Data

• Riesgo de computación insegura. Los programas de computación no fiables suelen ser utilizados por los atacantes para extraer y generar información confidencial de las fuentes de datos. Pero el cómputo inseguro no sólo puede generar una fuga de datos, sino causar también resultados incorrectos en las búsquedas realizadas en la plataforma de Big Data.
• Problemas de validación de entrada y filtrado. Los sistemas tecnológicos de Big Data necesitan recopilar información de muchas fuentes distintas. Por ello, si no se valida bien que la información que se está incorporando a la base de datos es correcta, pueden acabar entrando datos no confiables. En este sentido, es importante filtrar la información que se recopila. De esta manera, un posible atacante no podrá introducir información que afecte al modelo datos o a los componentes tecnológicos que la procesan. A mayor volumen del sistema utilizado, más riesgos habrá de que haya problemas de validación en los mismos.
• Controles de acceso granular. Las bases de datos tradicionales tienen un control de acceso a nivel de tabla, fila y celda considerablemente completo. Por el contrario, las soluciones de Big Data no implementan este tipo de controles de seguridad, o se encuentra deshabilitados por defecto. Por ello, es importante activar y verificar este tipo de controles de Ciberseguridad, con el fin de que se garantice el acceso granular a la información.
• Riesgo de almacenamiento inseguro de la información. Se trata de un riesgo básico asociado al Big Data. Dado que los datos se almacenan en miles de nodos, la autenticación, autorización y cifrado de la información en estos nodos se convierte en un trabajo difícil. Por ello, es necesario encontrar un mecanismo que garantice que los datos de carácter sensible se encuentran seguros, pero que puedan realizarse consultas y analíticas sin tener que cifrar y descifrar constantemente.
• 

Seguridad en Big Data, privacidad y protección de datos

• Ciberseguridad y Big Data
• Un fallo de seguridad en el mundo digital, el hackeo de cualquier plataforma, sistema, aplicación o herramienta online, supone un motivo de falta de credibilidad y desconfianza hacia el proveedor del servicio, pero sobretodo una alerta inmediata por saber qué información han conseguido los ciberdelincuentes durante su ataque.
• Asegurar la máxima protección de los datos es un elemento básico en cualquier proyecto Big Data, pues este tipo de irrupciones pueden producirse en cualquier entorno. Peso a todo tipo de protocolos de seguridad, los hackers han llegado a irrumpir en el sistema Swift de mensajes utilizado por bancos internacionales y compañías en todo el mundo para transferir dinero, en las bases de datos de populares empresas de juguetes electrónicos donde se guardan las sesiones de juego de nuestros hijos, o en las plataformas de citas online que además de información de identificación personal (PII) recogen hasta nuestras fantasías sexuales…
• Las empresas deben invertir en seguridad de datos en función de lo valiosos, sensibles o críticos que sean los datos: valiosos porque constituyan un importante activo de la empresa, sensibles según el acceso que a ellos se tenga; y críticos porque resulten indispensables para la operativa de la empresa. Cuidar la información, y más aquella con la que se trabaja en los proyectos con gran cantidad de datos, pasa por implementar estrategias para proteger la confidencialidad, integridad y disponibilidad de dicha información.
• Seguridad y privacidad en Big Data
• En los procesos Big Data es imprescindible equilibrar la seguridad y la privacidad. La sensación que tienen más del 90% de los consumidores es que han perdido el control de sus propios datos, que ya no son sus dueños. Para ganar la confianza de la sociedad, la única alternativa es la transparencia. Es decir, la empresa tiene que hacer un uso transparente de los datos.
• Es indudable que las empresas tecnológicas necesitan regulaciones claras, pragmáticas y orientadas al mercado. Miles de usuarios se descargan a diario aplicaciones en sus móviles o tablets que conectan con sus agendas, sus búsquedas en Google, su cámara, etc. y tienen acceso a toda su información… Por ello, la empresa tiene que hacer un uso consentido de los datos, es decir, debe solicitar siempre el consentimiento del usuario y este debe asumir, como dueño de la información, que da ese consentimiento.
• Las redes sociales, la nube, el IoT y el Big Data están provocando un intercambio de información personal sin precedentes. El valor de estos datos personales es cada vez mayor y cae cada vez en menos empresas, cuyas políticas de gestión de datos difieren. El acceso a más información del internauta debería conllevar, por tanto, que las empresas asumieran legalmente una mayor responsabilidad, aseguraran que realizan un uso responsable de los datos y respetaran los derechos que los dueños de los datos tienen sobre ellos.
• Ley orgánica de protección de datos
• La Ley Española recoge el derecho fundamental a la protección de datos personales: todas las personas tienen la potestad de control sobre el uso que se hace de sus datos. La LOPD obliga a todas las personas, empresas y organismos, tanto privados como públicos, que dispongan de datos de carácter personal a cumplir una serie de requisitos y aplicar determinadas medidas de seguridad en función del tipo de datos que posean, su origen, características del tratamiento, tipo de instalaciones y soporte en los que se almacenen, etc.
• Entre las obligaciones legales se incluyen:
• dar de alta los ficheros en la Agencia Española de Protección de Datos (AEPD),
• elaborar y mantener actualizado el ‘Documento de Seguridad’,
• obtener el consentimiento de los afectados,
• cuidar la calidad del dato,
• regular el acceso a los datos por terceros,
• considerar la transferencia internacional de datos,
• asegurar el secreto, y
• trabajar con datos anonimizados.
• De no cumplir con estas obligaciones, las sanciones previstas por acción u omisión pueden llegar a ser muy elevadas… de hasta, por ejemplo, 100.000 euros por publicar en una web información íntima de víctimas y afectados de atentados terroristas y sus familiares. ¿Cuánto vale que expongan ya no solo tu domicilio sino hasta tu libro de familia, tu número de la seguridad social o tus partes médicos por incapacidad temporal…?
• Visto lo visto, es fundamental cuidar los datos y gestionar adecuadamente su protección, posesión y anonimización para poder aplicar sobre ellos técnicas Big Data. Extraer valor de los datos mediante técnicas analíticas es una oportunidad para conseguir una ventaja competitiva, beneficios tangibles y aumentar el ROI, pero no debemos olvidarnos de la seguridad de esos datos.
• 

Los 5 grandes retos del Big Data

• Datos multi-estructurados
• Dada la cada vez, también mayor, complejidad de los datos, puesto que los negocios tienen información además de texto, foto o vídeo, en la web y en diferentes redes sociales o plataformas, se requieren también soluciones capaces de identificar y recolectar estos datos. Por ello, el Big Data asume este desafío de recopilar datos multi-estructurados y poder analizarlos para optimizar sus procesos.
• Cambio de concepción del negocio
• Hace ya tiempo, un informe de Economist Intelligence Unit y patrocinada por SAS relacionó directamente los recursos invertidos en Big Data con los proyectos exitosos. El uso del Big Data en las empresas, no obstante, no solo debe proporcionar un conocimiento de diversos procesos de la empresa, sino modificar la forma en que se gestiona la empresa – compartiendo esta información con todos los estamentos del negocio e involucrándola en la toma de decisiones – y cambiando la visión sobre las acciones llevadas a cabo.
• Costes
• Uno de los grandes desafíos de este campo es reducir los costes de almacenaje que dan lugar a que pueda llevarse a cabo toda acción de Big Data.
• Las personas son también necesarias
• Los datos extraídos son muy importantes, así como todo el proceso que su extracción conlleva. Pero igual de importante es el proceso cualitativo en que científicos o analistas de datos interpretan los números. Por eso, se debe apuntar a la necesidad de personal formado en estos temas, ya que en ocasiones se da cuenta de la escasez de ellos.
• Seguridad
• Todos los expertos apuntan a la necesidad de contar con herramientas de seguridad avanzada para evitar las fugas de información, asegurarse que solo la gente adecuada accede a determinada información y en general, contar con una política adecuada de seguridad en lo que respecta al Big Data
• 

Ventajas y desventajas

• Ventajas
• Las ventajas del Big Data se basan en la capacidad de procesamiento y obtención de información de las que esta tecnología es capaz. El aprovechamiento de estas ventajas dependerá de creación experta de estos sistemas, razón por la que la demanda de profesionales con un Máster en Big Data es una de las tendencias del mercado laboral.
• Mejora en la toma de decisiones. Disponer de un gran volumen de datos estructurados que se puedan interpretar ayuda a las organizaciones a poder tomar una decisión.
• Feedback a tiempo real. La tecnología Big Data permite no solo almacenar y procesar datos. También supone recibir datos a tiempo real y contar con la información necesaria rápidamente. El Big Data es por encima de todo una tecnología ágil y veloz que permite, por ejemplo, obtener información a tiempo real del lanzamiento de un producto o el resultado de una estrategia
• Conocimiento del mercado. La obtención y seguimiento de datos del Big Data permite conocer a los consumidores y adelantarse a sus necesidades, así como detectar tendencias en consumo o fallos en la atención al cliente. La inclusión de profesionales con un Máster en Big data supone a permite a las empresas localizar de posibles oportunidades mediante el tratamiento de estos datos estructurados y comparables.
• Tecnología del presente y del futuro. La ciencia de datos comienza a ser un elemento diferenciador y de éxito entre las empresas. También empiezan a experimentarse sus ventajas de aplicación en otros campos como la medicina. La tecnología del Big Data está en constante evolución y todo apunta a que jugará un papel todavía más importante en la toma de decisiones futuras
• Desventajas
• Hace poco desmentíamos algunos de los mitos más extendidos sobre la tecnología Big Data. Y aunque la seguridad sigue siendo uno de sus mayores riesgos, existen otra serie de inconvenientes si esta tecnología no es gestionada y aplicada por expertos
• El exceso de datos La utilidad del Big Data surge de su capacidad para extraer información de los datos. Si estos datos se almacenan y analizan indiscriminadamente solo se convierten en ruido que ralentizará y obstaculizará las tareas.
• Ciberseguridad
• La seguridad es el mayor reto para la tecnología Big Data. La vulnerabilidad de esta enorme cantidad de datos almacenados es el objetivo de los nuevos ciberataques. Reconocer la responsabilidad de trabajar con datos y dotar los sistemas de normas y herramientas, son aspectos clave de la formación en un Máster en Big data.
• 3. Las políticas de protección de datos
• En relación con lo anterior, y como ocurre con muchos de los grandes avances tecnológicos, son necesarios consensos y protocolos que establezcan hasta qué punto esta tecnología podría considerarse intrusiva y cómo protegerla.
• 4. Tecnofobia :Más como consecuencia de los mitos sobre el Big Data que por sus desventajas, existen reacciones desfavorables por parte de los usuarios, que consideran que vulnera su privacidad. Lo que estos usuarios probablemente no sepan, es que la tecnología de datos lleva años entre sus acciones cotidianas permitiendo avances destinados a facilitar su día a día.

Conclusión

• El tema es muy interesante, parece que el Big Data ha llegado y se va ir integrando cada vez más en todo tipo de empresas. No conocía sobre este tema y me deje llevar por el nombre Big Data, creyendo que era por los gran cantidad de datos, pero con esta investigación me doy cuenta que lo que importa con el Big Data es lo que las organizaciones hacen con los datos. Big Data se puede analizar para obtener ideas que conduzcan a mejores decisiones y movimientos de negocios estratégicos y eso es muy bueno. A lo largo del tiempo se han visto distintos ejemplos de cómo una buena gestión de los datos ligados a cualquier fase de un proceso productivo, pueden aportar valor y generar nuevas líneas de negocio. Todo ello permitirá una mejor toma de decisiones.