Qué es Big Data

En el pasado Futurizz, muchas fueron las ponencias que hablaron sobre Big
Data y compra programática, y su importancia tanto en la época actual como en
el futuro. Por ejemplo, Israel Ruesga, Head of Programmatic & Data en PRISA
Brand Solutions, declaró: “Cada dos días generamos tantos datos que los
acumulados hasta 2003”. A esta generación masiva de datos es a lo que
llamamos “Big Data”.

Tan inmensa es esta acumulación de datos que no nos es posible gestionarla

con facilidad. Pero, de conseguir procesar estos grandes volúmenes de datos de
forma ágil y rigurosa, se convierte en una poderosa herramienta para identificar
clientes potenciales, observar su comportamiento y fidelizar a los ya existentes.

Principales fases del Big Data

Para comprender mejor qué es Big Data, vamos a dividir el concepto en 2 etapas
diferentes:

1. Etapa de preparación

 Fase inicial: es imprescindible valorar que la implementación de una

solución de Big Data en nuestro negocio es una alternativa factible y
realista. En caso de que así sea, tendremos que preparar todo lo
necesario y conseguir las autorizaciones pertinentes para poder llevarlo a
cabo.
o Detectar necesidades: tienen que ver con el volumen de datos a
almacenar, su variedad, velocidad de recogida, procesamiento y
escalabilidad horizontal. En este proceso también se revelan
carencias cuando se confronta la nueva tecnología con la existente
en la compañía.
 o Justificar la inversión: con el Big Data se pretenden mejorar las
cuestiones técnicas, al igual que crear un entorno de alto
rendimiento que posibilite el ahorro de costes.
o Evaluar las limitaciones: se deberá tener en cuenta la
infraestructura de la empresa, su madurez tecnológica, sus
recursos, pero, sobre todo, los aspectos legales en relación a la
privacidad de datos.

 Fase de planificación: en esta fase se determinará el presupuesto con

el vamos a contar durante el proceso y los recursos que van a intervenir
en el mismo, a saber:
o Gestores: sponsors, directores de proyecto, coordinadores y
gestores de calidad.
o Diseñadores y arquitectos de datos: perfiles técnicos con los
objetivos muy claros en cuanto a la implementación del proyecto.
o Implementadores: personal cualificado, analistas y
desarrolladores, con conocimientos del sector y de tecnología.
o Operadores de datos: de entrada, intermedios y de resultado.

 Fase de diseño: se parte de un diseño acorde a las necesidades de la

organización y se va optimizando teniendo en cuenta el coste, la
escalabilidad y las distintas opciones del mercado. Consta de 2 etapas:
o Infraestructura: son las redes, los equipos o los servidores, es
decir, el soporte físico de la solución.
o Arquitectura: es el apoyo lógico de la solución, formado por los
protocolos, las comunicaciones o los procedimientos, entre otros.

 Fase de implementación: en este punto ya se han tenido que dejar

cubiertos aspectos como el de la administración, el mantenimiento o la
seguridad para poder poner en marcha la solución de Big Data. Los pasos,
para ello, son los siguientes:
 o Instalación de servidores y componentes y puesta en marcha
de la infraestructura.
o Configuración de dicha infraestructura para su correcto
funcionamiento.
o Ingesta, transformación y explotación de datos.

2. Etapa de recopilación, análisis de datos y generación de valor

 Fase de recopilación: los datos son los componentes básicos del Big
Data. Durante el proceso se trasformarán en información y, con las
técnicas adecuadas, aportarán conocimiento. Aquí ya podremos hablar
de datos inteligentes. Dicho proceso comienza con estos pasos:
o Evaluar los datos: se realiza un estudio de la utilidad de los datos,
una evaluación de su volumen y frecuencia de explotación, y una
definición de accesos y restricciones para proteger información
confidencial.
o Absorber los datos para su explotación: se preparan y
estandarizan los datos.
o Gestión de datos: en relación a su seguridad, visibilidad,
mantenimiento y disponibilidad.

 Fase de análisis: es el núcleo de la solución de Big Data y se concreta

en 2 acciones:
o Generar los cálculos y algoritmos que se precisen para
implementar la solución.
o Intervención de especialistas para detectar patrones,
tendencias y oportunidades y/o amenazas.

 Fase de agregación de valor: la investigación de los datos por parte de

los analistas permite la elaboración de conclusiones y la identificación de
nuevas vías de desarrollo del negocio.

Elementos primordiales del Big Data

 Para llevar a cabo todo este proceso sin fisuras, es vital que nuestra solución de
Big Data cuente, al menos, con los siguientes componentes:

 Fuentes: las más habituales son los registros históricos de la compañía,

los almacenes de datos, los dispositivos inteligentes, los sistemas de
gestión de datos, Internet y el Internet de las Cosas. Para poder
determinarlas es necesaria la puesta en común de los conocimientos
técnicos, por parte de los desarrolladores, y la perspectiva del negocio,
por parte de los analistas.

 Capa de almacenamiento: su función es la de recoger y transformar los

datos sin perder de vista la normativa legal. Además, tiene que dar acceso
a los datos independientemente de su formato, volumen, frecuencia u
origen.

 Capa de análisis: se encarga de leer los datos almacenados. Mediante

la utilización de los modelos, los algoritmos y las herramientas adecuadas,
proporciona visibilidad sobre los datos para que puedan ser consultados
en la capa de consumo.

 Capa de consumo: son muchos los proyectos y usuarios que se

benefician del conocimiento extraído en todo este proceso. La forma de
consumir los datos dependerá del destinatario, pero será habitual verlos
en forma de reporting o visualización en tiempo real

EL BIG DATA Y SU FUNCIÓN DENTRO DE LAS EMPRESAS

 Correo electrónico
Visto: 1710
Big Data es un término que describe el gran volumen de datos que inundan
los negocios cada día. Pero NO es la cantidad de datos lo que es importante,
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.
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.

Volumen: La cantidad de datos. Mientras que el volumen indica más datos, la

naturaleza granular de los datos es única. Los big data requieren procesar altos
volúmenes de datos Hadoop no estructurados y de baja densidad; es decir, datos
de valor desconocido, como fuentes de datos de Twitter, flujos de clics en una
página web y una aplicación móvil, tráfico de red, equipos con sensores que
capturan datos a la velocidad de la luz, y mucho más. Es la tarea de los big data
convertir estos datos Hadoop en información valiosa. Para algunas
organizaciones, puede significar decenas de terabytes; para otras, cientos de
petabytes.
Variedad: Nuevos tipos de datos no estructurados. Los tipos de datos no
estructurados o semiestructurados, como texto, audio y video, requieren un
procesamiento adicional para extraer el significado y los metadatos de respaldo.
Una vez comprendidos, los datos no estructurados tienen muchos de los mismos
requisitos que los datos estructurados, como resumen, linaje, auditabilidad y
privacidad. Surgen complejidades adicionales cuando los datos de una fuente
conocida cambian sin previo aviso. Los cambios de esquema frecuentes o en
tiempo real son una carga enorme para los entornos de transacción y análisis.
Velocidad: El ritmo en que se reciben los datos y, quizás, se ponen en práctica.
Normalmente, los datos de velocidad más alta fluyen directamente a la memoria
en lugar de escribirse en el disco. Algunas aplicaciones tienen ramificaciones de
estado y seguridad que requieren evaluación y acción en tiempo real. Otros
 productos inteligentes funcionan en tiempo real o prácticamente en tiempo real.
Por ejemplo, las aplicaciones de comercio electrónico para los consumidores
buscan combinar la ubicación del dispositivo móvil y las preferencias personales
para hacer ofertas de marketing de tiempo limitado. En términos operativos, las
experiencias de aplicaciones móviles tienen una mayor cantidad de usuarios, un
mayor tráfico de red y la expectativa de respuestas inmediatas.
Valor: Los datos tienen un valor intrínseco, pero debe ser descubierto. Hay una
variedad de técnicas cuantitativas y de investigación para extraer el valor de los
datos; desde descubrir una preferencia u opinión del consumidor a realizar una
oferta importante por ubicación o identificar una pieza del equipo que está a
punto de fallar. Por el avance tecnológico es que el costo del cálculo y del
almacenamiento de datos ha disminuido considerablemente, lo que proporciona
una infinidad de datos desde los cuales se lleva a cabo una comparación entre
el análisis estadístico de todos los datos con las muestras anteriores. El avance
tecnológico hace que sea posible tomar decisiones mucho más precisas y
adecuadas. Sin embargo, encontrar el valor también requiere nuevos procesos
de descubrimiento que involucran a analistas, usuarios empresariales y
ejecutivos inteligentes y perspicaces. El desafío real de los big data es humano
y tiene que ver con aprender a hacer las preguntas correctas, reconocer
patrones, formular hipótesis informadas y predecir comportamientos.
¿Por qué es tan importante el Big Data?

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 costos. 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
¿Cómo explotar la información que mi organización genera?, ¿qué valor
aportan los datos al negocio?, ¿qué tipos de datos existen? La tendencia Big
Data se basa en la obtención de datos para su clasificación, análisis e
interpretación, y de esta forma transformarlos en información y acciones
valiosas para expandir el negocio.

Existen 3 tipos de datos:

 Empresariales tradicionales: los cuales incluyen la información del

cliente que proveniente de sistemas como el CRM, datos transaccionales
del ERP, transacciones provenientes de sitios web, inventarios de ventas,
etc.
 Detallados: son los datos o hallazgos derivados de actividades como las
campañas de atención telefónica con clientes, medidores inteligentes,
información de planta o producción, logs de equipos, sistemas de ventas y
comercio, etc.
 Sociales: son los datos obtenidos a través del comportamiento e
interacción de los usuarios con las redes sociales, los cuales incluyen
feedbacks, opiniones, tendencias, etc.
La pregunta es: ¿En qué momento los datos comienzan a generar valor para la
empresa? El valor de los datos no proviene de la recolección y el
almacenamiento de datos, más bien se desprende del proceso de análisis, el
desarrollo de una visión profunda y de la toma de acciones sobre la base del
análisis realizado.

El objetivo principal del Big Data es que las empresas sean capaces de
recolectar y aprovechar información relevante y usarla su favor.

BIG DATA: tipos, características y beneficios

ABig Data"Entiendo, primero debemos saber que 'datos' es. Definir el

diccionario de Oxford 'datos' si -

"La cantidad de caracteres o símbolos en los que las operaciones son

realizadas por una computadora, que pueden almacenarse y transmitirse en
forma de señales eléctricas y grabadas en medios de almacenamiento
magnéticos, ópticos o mecánicos".

Entonces, 'Big Data' también es datos pero luego de uno volumen de enorm.
'Big Data' es un término que usamos para recopilar datos de un tamaño
enorme y almacenarlos en uno almacenamiento de datos De modo que el
volumen también puede crecer exponencialmente con el tiempo. En resumen,
la cantidad de datos es tan grande y compleja que ninguno de los
 tradicionales datos de gestión herramientas que pueden guardar o procesar de
manera eficiente. La administración de datos plantea un problema.

Categorías de "Big Data"

Big Data puede ocurrir en tres formas:

1. Datos estructurados
2. Datos no estructurados
3. Datos semiestructurados

La característica de estas formas es el almacenamiento en un sistema de

almacenamiento de datos.

Datos estructurados

Nos referimos a todos los datos que podemos almacenar, consultar y procesar
en forma de diseño fijo como datos "estructurados". A lo largo del tiempo, los
titulares inteligentes en informática han logrado muchos éxitos en
la desarrollar de técnicas para trabajar con dichos datos (donde la clasificación
se conoce de antemano) y lograron que esto fuera rentable para el cliente. Hoy
ves Gestión de datos se enfrenta a problemas que surgen del volumen de
dichos conjuntos de datos y el alto grado de crecimiento que a veces conduce
al tamaño de múltiples pitabytes.

1 zettabyte es igual a 10 21 bytes cualquiera mil millones de terabytes

Con estas cifras de volumen, es fácil entender de dónde viene el nombre "Big
Data" y se pueden imaginar los desafíos para el almacenamiento y el
procesamiento para la gestión de datos. Los sistemas OLTP están diseñados
para trabajar con datos estructurados en los que los datos con sus relaciones
se almacenan en tablas.

Los datos almacenados en un sistema de administración de bases de datos

relacionales son un ejemplo de datos 'estructurados'.

Datos no estructurados

Los conjuntos de datos con una forma o estructura desconocida caen bajo el
denominador de datos no estructurados. Además del enorme tamaño, los datos
no estructurados conllevan múltiples desafíos para la administración de datos
con respecto a la obtención de valor agregado a partir de los datos. Un ejemplo
típico de datos no estructurados es una fuente de datos heterogénea que
contiene una combinación de archivos de texto simples, imágenes, videos, etc.
Hay organizaciones que tienen una gran cantidad de datos, pero
desafortunadamente no saben cómo pueden serles útiles. Este dato tiene un
diseño aproximado o desestructurado. También llamamos a la búsqueda y
reproducción de dichos datos. la minería de datos.

Un ejemplo de datos no estructurados son los resultados de búsqueda que

Google Search le brinda.

Datos semiestructurados

Los datos semiestructurados pueden contener ambas formas de datos.

Podemos ver los datos semiestructurados como estructurados, pero no
definidos, como una definición de tabla en el DBMS relacional. Ejemplo de
datos semiestructurados es un archivo XML.

Crecimiento de datos a lo largo de los años

El crecimiento explosivo en la cantidad de datos se produjo después de los

años 90 después de la introducción de Internet. La cantidad de datos de
aplicaciones web en 2010 ya era el triple de los datos OLTP.

Tenga en cuenta que los datos de la aplicación web no estructurados se

componen de páginas web, fotos y videos, pero de archivos de registro,
archivos de historial de transacciones, etc.

Características de 'Big Data'

(I) Volumen - El nombre 'Big Data' en sí mismo se relaciona con un tamaño

que es enorme. El tamaño de los datos juega un papel crucial en la
determinación del valor que podemos obtener de los datos. Determinar si
realmente podemos considerar los datos como Big Data es el volumen de los
datos. Entonces 'Volumen' Siempre es una característica que tenemos que
llevar con nosotros cuando tratamos con 'Big Data'.

(II) Variedad -El siguiente aspecto de 'Big Data' es la diversidad.

La variedad se refiere a fuentes heterogéneas y la naturaleza de los datos, que

pueden ser tanto estructuradas como no estructuradas. En el pasado, las hojas
de cálculo y las bases de datos eran las únicas formas de almacenamiento que
se consideraban para la mayoría de las aplicaciones. Ahora también
almacenamos datos en forma de correos electrónicos, fotos, videos,
dispositivos de vigilancia, archivos PDF, audio, etc. en Debemos considerar
estos formularios de almacenamiento en las aplicaciones de análisis. La
variedad de datos no estructurados plantea ciertos problemas para el
almacenamiento (gestión de datos), la minería (la minería de datos) y
analizando datos.

(III) Velocidad -El término Velocity tampoco 'velocidad' Se refiere a la

velocidad con la que creamos datos. Big Data Velocity se refiere a la velocidad
a la que los datos de fuentes como procesos de negocios, registros de
aplicaciones, redes y sitios de redes sociales, sensores, dispositivos móviles,
etc. viene Estos flujos de datos son masivos y constantes. La velocidad con la
que podemos generar y procesar los datos determina el potencial real de los
datos.

(IV) Variabilidad -Esto indica cómo lidiamos con la inconsistencia que a veces
ocurre en los datos para que el proceso sea capaz de procesar, controlar y
filtrar los datos de manera efectiva.

Beneficios del procesamiento de Big Data

La posibilidad de procesar 'Big Data' tiene varias ventajas. Estos son:

 Las organizaciones pueden aplicar conocimiento desde el exterior

cuando toman decisiones

Acceda a los datos sociales los motores de búsqueda y sitios como Facebook y
Twitter permiten a las organizaciones mejorar sus estrategias comerciales.

 Mejorado servicio al cliente

Los sistemas tradicionales de retroalimentación de los clientes son

reemplazados por sistemas nuevos que utilizan tecnologías de 'Big Data'. En
estos nuevos sistemas utilizamos Big Data y tecnologías basadas en lenguaje
natural para leer y evaluar las reacciones de los consumidores.

 Identificación temprana del riesgo para el producto / servicios

 Mejor eficiencia operacional

En nuevo aplicaciones Podemos usar las tecnologías de 'Big Data' para el

almacenamiento provisional de los nuevos datos antes de saber qué datos
queremos incluir en el almacén de datos. Además, el integración Las
aplicaciones empresariales con tecnologías de 'Big Data' y las soluciones de
almacenamiento de datos ayudan a cargar 'datos en tiempo real' que
almacenamos allí.
CARACTERISTICAS
Las características más importantes del Big Data perfectamente se pueden
clasificar en cuatro magnitudes, más conocidas como las cuatro V del Big Data,
relativas a volumen, variedad, velocidad y veracidad. A estas cuatro V, podemos
añadir tres más, como pueden ser la de Viabilidad y Visualización. Pero si
hablamos de V en Big Data no podemos dejar pasar la principal característica
del análisis de datos que es la V de Valor de los datos. Así pues, en los últimos
artículos se empieza a hablar, ya no de las tradicionales cuatro V de Big Data,
sino de las 7 “V” del Big Data:
1. Volumen
2. Velocidad
3. Variedad de los datos
4. Veracidad de los datos
5. Viabilidad
6. Visualización de los datos
7. Valor de los datos
También de manera más visual puedes consultar la infografía sobre las 7 V del
Big Data.
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.