Libro Cien CIA Delos Da To S

Ciencia de los Datos
Propuestas y casos de uso
Coordinadores:
Rubén Pizarro Gurrola

José Gabriel Rodríguez Rivas
Marco Antonio Rodríguez Zúñiga
Jeorgina Calzada Terrones
Docentes del Tecnológico Nacional de México del Instituto

Tecnológico de Durango
Septiembre 2020
CIENCIA DE LOS DATOS. PROPUESTAS Y CASOS DE USO
Ciencia de los Datos.
Propuestas y casos de uso
ii
Primera Edición: Septiembre 2020 ©
Editado en Durango, Dgo, México
Cuidaron la edición:
Universidad Pedagógica de Durango
Instituto Tecnológico de Durango
Diseño Editorial
Luis Fernando Galindo Vargas
D.R. Rubén Pizarro Gurrola, José Gabriel Rodríguez Rivas, Marco Antonio
Rodríguez Zúñiga, Jeorgina Calzada Terrones
D.R. Universidad Pedagógica de Durango
ISBN: 978-607-8730-10-0
ISBN
978-607-8730-10-0
iii
Comité Científico Dictaminador
Dr. Omar David Almaraz Rodríguez. Universidad Pedagógica de Durango

(UPD).
Dr. Isidro Amaro Rodríguez, Tecnológico Nacional de México. Instituto

Tecnológico de Durango.
MES. Josefa del Carmen Hernández Ancona. Tecnológico Nacional de

México. Instituto Tecnológico de Campeche
D.C.C. Blanca Cecilia López Ramírez. Tecnológico Nacional de México.

Instituto Tecnológico de Roque
MC. Javier Nájera Frías. Tecnológico Nacional de México. Instituto

Tecnológico de El Salto.
MC. Liliana Elena Olguín Gil. Tecnológico Nacional de México. Instituto

Tecnológico de Tehuacán.
MGTI Eliceo Manuel Martín Pacheco Can. Tecnológico Nacional de México.

Instituto Tecnológico de Campeche.
MGTI Elías Gabriel Fidel Pacheco Can. Tecnológico Nacional de México.

Instituto Tecnológico de Campeche.
Dr. Rafael Moisés Rosas Sánchez. Tecnológico Nacional de México. Instituto

M.S.L. Luis Ramón Sánchez Rico . Tecnológico Nacional de México.

Instituto Tecnológico de Roque.
MC. Francisco Vázquez Guzmán. Tecnológico Nacional de México.

Instituto Tecnológico de Tehuacán.
MTI. Eduardo Vázquez Zayas. Tecnológico Nacional de México.

iv
Tabla de contenido
Prólogo ..................................................................................................... 21
Rubén Pizarro Gurrola .
Capítulo 1 .................................................................................................. 38
Bases de datos SQL y NoSQL. Comparativo SQL server & MongoDB ........ 38
Juan Daniel Carrillo Mercado
Gabriel Arturo Lugo Morales
1.1. Introducción ............................................................................................................. 38
1.2. Marco de referencia.................................................................................................. 40

1.2.1. Bases de datos ................................................................................................................... 41
1.2.2. Sistemas de gestión de bases de datos ............................................................................. 42
1.2.3. Big Data, Inteligencia de Negocios, Ciencia de los Datos y Bases de datos....................... 45
1.2.4. Principales sistemas de gestión de bases de datos en la actualidad. ................................ 47
1.2.5. Bases de datos relacionales............................................................................................... 48
1.2.6. Leguaje SQL ....................................................................................................................... 49
1.2.6.1. Componentes del lenguaje SQL ............................................................................... 49
1.2.6.2. Estructura básica de una consulta SQL .................................................................... 50
1.2.6.3. Operaciones sobre conjuntos .................................................................................. 51
1.2.6.4. Cláusulas para modificar datos ................................................................................ 52
1.2.6.5. Actualidad en bases de datos relacionales .............................................................. 53
1.2.7. Bases de datos NoSQL ....................................................................................................... 53
1.2.7.1. Justificación de las de las bases de datos NoSQL ..................................................... 55
1.2.7.2. Tipos de bases de datos NoSQL ............................................................................... 56
1.2.8. Diferencias con las bases de datos SQL ............................................................................. 58
1.2.9. Principales sistemas de gestión de bases de datos NoSQL ............................................... 58
1.2.10. Clasificación de bases de datos de acuerdo al teorema CAP........................................ 59
1.3. Desarrollo .................................................................................................................. 60

1.3.1. SQL Server ......................................................................................................................... 61
1.3.1.1. Características de SQL Server .................................................................................. 61
1.3.1.2. Cliente/Servidor ....................................................................................................... 62
1.3.1.3. Motor de base de datos ........................................................................................... 63
1.3.1.4. Servicio de análisis de datos .................................................................................... 63
v
1.3.1.5. Seguridad ................................................................................................................. 63

1.3.1.6. Interfaces de programación ..................................................................................... 64
1.3.1.7. Replicación ............................................................................................................... 65
1.3.1.8. Disponibilidad .......................................................................................................... 65
1.3.1.9. Servicio Broker ......................................................................................................... 66
1.3.2. MongoDB .......................................................................................................................... 66
1.3.2.1. Modelo enriquecido de datos .................................................................................. 67
1.3.2.2. Escalabilidad ............................................................................................................ 67
1.3.2.3. Datos como documentos ......................................................................................... 68
1.3.2.4. Modelo de consultas................................................................................................ 69
1.3.2.5. BSON ........................................................................................................................ 70
1.3.3. Comparativo SQL Server MongoDB................................................................................... 70
Conclusiones .......................................................................................................................... 74
Referencias ............................................................................................................................ 75
Capítulo 2 ................................................................................................... 79
Big Data y su impacto en la sociedad ........................................................ 79
Carolina Sosa Hernández
2.1. Introducción ............................................................................................................. 79
2.2. Marco de referencia.................................................................................................. 82

2.2.1. Era digital y Big Data.......................................................................................................... 82
2.2.2. Tecnologías Big Data ......................................................................................................... 84
2.2.2.1. Tipos de Base de datos ............................................................................................ 84
2.2.3. Herramientas para el Big Data .......................................................................................... 87
2.2.3.1. Hadoop. ................................................................................................................... 87
2.3. Desarrollo .................................................................................................................. 89

2.3.1. Big Data: Un enfoque optimista ........................................................................................ 89
2.3.2. Primer caso. El séptimo arte ............................................................................................. 91
2.3.3. Segundo caso. ¿Saldrás de viaje?, los DTI son la mejor opción. ........................................ 92
2.3.3.1. El alma del sistema: la Información («Big Data») .................................................... 94
2.3.4. Tercer caso. Un nuevo perfil: El periodista de Datos ........................................................ 95
vi
2.3.5. Cuarto caso. Una campaña política exitosa: Barack Obama ............................................. 98
2.3.6. Quinto caso. BBVA Bancomer y SECTUR .......................................................................... 105
2.3.7. Riesgos del Big Data ......................................................................................................... 107
2.3.7.1. Privacidad de las personas ...................................................................................... 108
2.3.7.2. Conclusiones erróneas que nadie revisa: errores por azar y por confusión ........... 110
2.3.7.3. La toma de decisiones automatizadas. ................................................................... 114
2.3.8. Análisis personal ............................................................................................................... 115
2.4. Conclusiones ............................................................................................................ 117
Referencias ........................................................................................................................... 118
Capítulo 3 .................................................................................................. 120
Herramientas Big Data ............................................................................. 120
Jaime Alonso Chacón Soto.
3.1. Introducción ............................................................................................................ 120
3.2. Marco de referencia................................................................................................. 123

3.2.1. Herramientas de ingesta .................................................................................................. 126
3.2.1.1. Kafka ....................................................................................................................... 126
3.2.1.2. Sqoop ...................................................................................................................... 127
3.2.1.3. Flume ...................................................................................................................... 127
3.2.2. Herramientas de Almacenamiento .................................................................................. 128
3.2.2.1. Hadoop ................................................................................................................... 128
3.2.2.2. MongoDB ................................................................................................................ 129
3.2.2.3. Cassandra ................................................................................................................ 129
3.2.2.4. HBase ...................................................................................................................... 130
3.2.3. Herramientas de Procesamiento...................................................................................... 131
3.2.3.1. Spark ....................................................................................................................... 131
3.2.3.2. Apache Hive ............................................................................................................ 131
3.2.3.3. Cloudera Impala ...................................................................................................... 132
3.2.3.4. Apache Pig .............................................................................................................. 132
3.2.3.5. Apache Storm ......................................................................................................... 133
3.2.4. Herramientas de Análisis .................................................................................................. 134
vii
3.2.4.1. Jupiter Lab............................................................................................................... 134

3.2.4.2. Python ..................................................................................................................... 134
3.2.4.3. Lenguaje R............................................................................................................... 135
3.2.4.4. Scala ........................................................................................................................ 135
3.2.5. Herramientas de visualización de datos ........................................................................... 136
3.2.5.1. IBM Spss .................................................................................................................. 136
3.2.5.2. Tableau ................................................................................................................... 136
3.2.5.3. RapidMiner ............................................................................................................. 137
3.2.5.4. SAS Studio ............................................................................................................... 137
3.2.6. Aplicaciones de Big Data .................................................................................................. 138
3.3. Desarrollo ................................................................................................................. 140

3.3.1. Herramientas de Ingesta de datos ................................................................................... 140
3.3.2. Herramientas de Almacenamiento .................................................................................. 141
3.3.3. Herramientas de Procesamiento...................................................................................... 144
3.3.4. Herramientas de Análisis .................................................................................................. 145
3.3.5. Herramientas de visualización de datos ........................................................................... 147
3.3.6. Propuesta de trabajo. ....................................................................................................... 149
3.3.7. Enlaces de instalación y configuración de herramientas ................................................. 152
3.3.7.1. Instalación de Hadoop ............................................................................................ 153
3.3.7.2. Instalacion de Mongodb ......................................................................................... 153
3.3.7.3. Instalación de Tableau ............................................................................................ 153
3.3.7.4. Instalación del lenguaje R ....................................................................................... 153
3.3.7.5. Instalación del lenguaje Python .............................................................................. 153
3.3.8. Análisis de propuesta ....................................................................................................... 153
3.3.8.1. Herramientas de Ingesta (Sqoop vs Flume) ............................................................ 154
3.3.8.2. Herramientas de Almacenamiento (MongoDB vs Hadoop).................................... 155
3.3.8.3. Herramientas de Procesamiento (Apache Pig vs Apache Hive) .............................. 156
3.3.8.4. Herramientas de Análisis (R vs Python) .................................................................. 156
3.3.8.5. Herramientas de Análisis Graficas (SAS VS Tableau) .............................................. 157
Conclusiones y Recomendaciones ........................................................................................ 158
Referencias ........................................................................................................................... 159
viii
Capítulo 4 .................................................................................................. 162

Big Data. Análisis de Estrategias de Marketing Digital ............................ 162
María Dolores Concepción De Lara Gurrola
Jesús Eduardo Carrillo Morales
4.1. Introducción ............................................................................................................... 162
4.2. Marco de referencia.................................................................................................... 165
4.2.1. ¿Qué es el Business Intelligence?.................................................................................... 165
4.2.2. ¿Qué es el Big Data?........................................................................................................ 166
4.2.3. Características de Big Data.............................................................................................. 168
4.2.3.1. Volumen de datos ...................................................................................................... 169
4.2.3.2. Variedad de Información. .......................................................................................... 169
4.2.3.3. Velocidad de la información. ..................................................................................... 170
4.2.3.4. Veracidad ................................................................................................................... 170
4.2.3.5. Valor........................................................................................................................... 170
4.2.3.6. Variabilidad ................................................................................................................ 170
4.2.3.7. Visualización .............................................................................................................. 171
4.2.3.8. ¿Para qué el Big Data? ............................................................................................... 171
4.2.4. Inconvenientes Big Data ...................................................................................................... 172
4.2.5. Elección de la fuente de datos ............................................................................................ 173
4.2.5.1. Datos Estructurados................................................................................................... 173
4.2.5.2. Datos No Estructurados ............................................................................................. 173
4.2.6. Herramientas para manejo del Big data.............................................................................. 174
4.2.6.1. Hadoop ...................................................................................................................... 174
4.2.6.2. Cassandra. .................................................................................................................. 175
4.2.6.3. MongoDB ................................................................................................................... 175
4.2.6.4. Nube de cómputo (o cloud computing) ..................................................................... 176
4.2.6.5. Extract, transform, and load. ..................................................................................... 176
4.2.6.6. HBase ......................................................................................................................... 177
4.2.6.7. MapReduce ................................................................................................................ 177
4.2.6.8. SQL (structured query language o lenguaje de consulta estructurado). ................... 177
4.2.6.9. Visualización de datos................................................................................................ 177
4.2.7. Machine Learning ................................................................................................................ 177
4.2.8. Data Mining ......................................................................................................................... 179
4.2.8.1. Herramientas de Data Mining.................................................................................... 179
4.2.9. e-businnes ........................................................................................................................... 180
ix
4.2.10. ¿Qué es Marketing?...................................................................................................... 180

4.2.10.1. ¿Qué es Marketing Digital?...................................................................................... 180
4.2.10.2. Estrategias del marketing ........................................................................................ 182
4.2.10.3. Tácticas para crear marketing digital. ...................................................................... 182
4.2.10.4. Inbound Marketing .................................................................................................. 183
4.2.10.5. Outbound Marketing ............................................................................................... 184
4.2.11. ¿Qué es el ADN Digital? ................................................................................................ 184
4.2.11.1. Empresas y disrupción digital ................................................................................... 185
4.3. Desarrollo .................................................................................................................. 186

4.3.1. ¿Cómo utiliza Amazon el Big Data? ................................................................................... 186
4.3.2. Netflix: Las claves del éxito basado en Big Data ................................................................ 187
4.3.3. Analítica descriptiva, predictiva y prescriptiva en el Marketing Digital ............................ 188
4.3.4. Propuesta de implementación Big Data ............................................................................ 189
Conclusiones y Recomendaciones ......................................................................................... 191
Referencias ............................................................................................................................ 192
Capítulo 5 ................................................................................................... 195
Análisis comparativo a través del uso de R y Python enfocado al análisis

descriptivo de datos de una entidad financiera......................................... 195
Nohemí García Hernández
Claudia Elizabeth Serrato Bacio
5.1. Introducción .............................................................................................................. 195
5.2. Marco de referencia................................................................................................... 198

5.2.1. Estadística........................................................................................................................... 200
5.2.1.1. Estadística Descriptiva .............................................................................................. 201
5.2.2. Ciencia de los datos ............................................................................................................ 203
5.2.3. Análisis de datos. ................................................................................................................ 203
5.2.3.1. Análisis ...................................................................................................................... 203
5.2.3.2. Análisis de datos ....................................................................................................... 203
5.2.3.3. Análisis comparativo ................................................................................................. 203
x
5.2.4. Minería de datos................................................................................................................ 203

5.2.5. Machine Learning .............................................................................................................. 204
5.2.5.1. Análisis predictivo .................................................................................................... 205
5.2.5.2. Algoritmos de regresión lineal ................................................................................. 206
5.2.5.3. Algoritmos de regresión NO lineal........................................................................... 206
5.2.6. Lenguajes de programación R y Python para análisis de datos ........................................ 207
5.2.6.1. R ............................................................................................................................... 207
5.2.6.2. Python ..................................................................................................................... 207
5.2.7. Otorgamiento de créditos de una entidad financiera ....................................................... 207
5.3. Desarrollo .................................................................................................................. 209

5.3.1. Big Data en el análisis predictivo. ...................................................................................... 209
5.3.1.1. Evaluación de riesgo de otorgamiento crédito ........................................................ 209
5.3.1.2. Puntaje de crédito ................................................................................................... 210
5.3.2. Herramientas para análisis predictivo ............................................................................... 211
5.3.2.1. IBM........................................................................................................................... 212
5.3.2.2. SAS Visual Statistics ................................................................................................. 213
5.3.2.3. SAP ........................................................................................................................... 214
5.3.2.4. Oracle Advanced Analytics....................................................................................... 215
5.3.2.5. RapidMiner Studio ................................................................................................... 215
5.3.2.6. Alteryx 7.1 ................................................................................................................ 215
5.3.2.7. Microsoft soluciones de SQL Server ........................................................................ 216
5.3.2.8. KMINE Analytics Platform ........................................................................................ 216
5.3.2.9. Tableau, SAP Predictive Analytics & Fiserv .............................................................. 217
5.3.3. Comparativo entre R y Python .......................................................................................... 217
5.3.4. Caso BBVA Research.......................................................................................................... 220
5.3.5. Propuesta de análisis predictivo para la empresa financiera ............................................ 221
5.3.5.1. Preparación de datos ............................................................................................... 224
5.3.5.2. Proceso para evaluación del riesgo ......................................................................... 225
5.3.5.3. Regresión logística para desarrollar un modelo de cuadro de mandos................... 227
5.3.5.4. Características clave de un modelo útil de cuadro de mandos ............................... 229
5.3.5.5. Regresión logística en R ........................................................................................... 231
5.3.5.6. Resumen del modelo ............................................................................................... 233
5.3.5.7. Análisis predictivo .................................................................................................... 234
5.3.5.8. Análisis de la propuesta ........................................................................................... 236
Conclusiones y Recomendaciones ......................................................................................... 237
xi
Referencias ........................................................................................................................... 239
Capítulo 6. ................................................................................................. 242
Ciencia de los Datos aplicada en las PyMES en Durango .......................... 242
César Omar Domínguez Gurrola .
6.1. Introducción ............................................................................................................ 242
6.2. Marco de referencia................................................................................................. 248

6.2.1. Big Data (Datos Masivos).............................................................................................. 249
6.2.1.1. Volumen.................................................................................................................. 250
6.2.1.2. Velocidad ............................................................................................................... 250
6.2.1.3. Variedad................................................................................................................. 251
6.2.1.4. Veracidad ............................................................................................................... 252
6.2.1.5. Valor....................................................................................................................... 252
6.2.1.6. Visualización .......................................................................................................... 252
6.2.1.7. Variabilidad ............................................................................................................ 253
6.2.1.8. Volatilidad .............................................................................................................. 253
6.2.2. Business Intelligence ....................................................................................................... 254
6.2.2.1. El Cuadro de Mando Integral (CMI) ....................................................................... 256
6.2.2.2. Sistemas de Soporte a la Decisión (DSS) ................................................................ 256
6.2.2.3. Sistemas de Información Ejecutiva (EIS) ................................................................ 257
6.2.2.4. Data Warehouse .................................................................................................... 257
6.2.3. Ciencia de los Datos ........................................................................................................ 258
6.2.4. Científico de datos........................................................................................................... 260
6.2.5. Machine learning (Aprendizaje Automático) ................................................................... 262
6.2.6. Contexto PyMES y Tecnología en el Estado de Durango ................................................. 264
6.3. Desarrollo ................................................................................................................ 265

6.3.1. Ciencia de los Datos en el sector Retail ........................................................................... 265
6.3.2. Big Data en Kroger........................................................................................................... 269
6.3.3. CASO BBVA ...................................................................................................................... 271
6.3.4. Caso Confectionary Holding S.L ....................................................................................... 272
xii
6.3.5. Smart Cities ..................................................................................................................... 274
Conclusiones y Recomendaciones ....................................................................................... 278
Referencias .......................................................................................................................... 279
Capítulo 7 ................................................................................................. 282
Ciencia de los Datos con R como herramienta aplicada a la

productividad........................................................................................... 282
Beatriz Eneida Chávez Atayde
7.1. Introducción ........................................................................................................... 282
7.2. Marco de referencia................................................................................................ 285

7.2.1. Herramientas de calidad y estadísticas ........................................................................... 286
7.2.1.1. Diagrama de Ishikawa ............................................................................................ 286
7.2.1.2. Diagrama de Flujo .................................................................................................. 287
7.2.1.3. Hoja de comprobación ........................................................................................... 287
7.2.1.4. Gráfico de control.................................................................................................. 288
7.2.1.5. Histograma de Frecuencias .................................................................................... 289
7.2.1.6. Diagrama de Pareto ............................................................................................... 289
7.2.1.7. Diagrama de dispersión ......................................................................................... 290
7.2.1.8. Análisis de varianza ................................................................................................ 291
7.2.1.9. Correlación lineal ................................................................................................... 291
7.2.1.10. Regresión lineal...................................................................................................... 291
7.2.2. La empresa Aptiv ............................................................................................................ 292
7.2.3. Metodologia Six Sigma .................................................................................................... 292
7.2.4. Lenguaje de programación R ........................................................................................... 293
7.2.5. R Studio ........................................................................................................................... 294
7.2.6. Ciencia de los Datos ........................................................................................................ 294
7.3. Desarrollo ................................................................................................................ 295

7.3.1. MRP Controller ................................................................................................................ 295
7.3.2. La propuesta .................................................................................................................... 295
7.3.2.1. Análisis de Pareto .................................................................................................. 298
xiii
R Notebook ................................................................................................................................ 298

7.3.2.2. Análisis de varianza (one way) ................................................................................ 301
R Notebook ................................................................................................................................ 302
7.3.2.3. Análisis de regresión y correlación .........................................................................312
Regresión lineal múltiple de autos............................................................................................. 312
7.3.2.4. Diagrama de Ishikawa ............................................................................................. 322
R Notebook ................................................................................................................................ 322
7.3.2.5. Diagrama Sixsigma causa y efecto .......................................................................... 324
Conclusiones ......................................................................................................................... 325
Bibliografía ........................................................................................................................... 326
Capítulo 8 .................................................................................................. 328
Análisis de datos masivos en el campo de la salud ................................... 328
Teresita De Jesús Camacho Cepeda
8.1. Introducción ........................................................................................................... 328

8.2.1. Datos masivos y Big Data ............................................................................................... 331
8.2.2. Big Data .......................................................................................................................... 332
8.2.3. Tipos de Datos ................................................................................................................ 334
8.2.4. La fuente (Captura) de Datos Masivos ........................................................................... 335
8.2.5. Herramientas Big Data. .................................................................................................. 336
8.2.6. Analítica Predictiva ......................................................................................................... 337
8.2.7. Herramientas del Análisis Predictivo .............................................................................. 339
8.2.8. Big Data en Sector Salud ................................................................................................ 340
8.2.8.1. Importancia de aplicar Big Data en el Sector Salud .............................................. 341
8.2.8.2. Aplicaciones Big Data en Sector Salud .................................................................. 343
8.2.8.3. Big Data en la Biomedicina ................................................................................... 345
8.2.8.4. Big Data Revolucionando el Sector Salud ............................................................. 346
8.2.8.5. Responsabilidad del Big Data ................................................................................ 348
8.2.9. Herramientas para el manejo de Datos Masivos ........................................................... 350
8.2.9.1. Herramientas de Recolección ............................................................................... 351
xiv
8.2.9.2. Herramientas de Almacenamiento de Datos Masivos.......................................... 352

8.2.9.3. Herramientas de Procesamiento .......................................................................... 355
8.2.9.4. Herramientas de Visualización.............................................................................. 357
8.3. Desarrollo ............................................................................................................... 358

8.3.1. Unificación de contenidos generales en Sector Salud.................................................... 358
8.3.2. Implementación de un Sistema para unificar datos generales en Sector Salud Nacional...361
8.3.3. Pasos a seguir para aplicar el sistema de unificación ..................................................... 362
8.3.4. Descripción de los pasos a seguir para la aplicación del sistema de unificación............ 363
8.3.5. Análisis de la propuesta ................................................................................................. 364
8.3.6. Resultados esperados..................................................................................................... 366
Conclusiones y Recomendaciones ...................................................................................... 371
Referencias ......................................................................................................................... 374
Capítulo 9 ................................................................................................. 376
Machine Learning aplicado a la salud ...................................................... 376
Sayra María Vargas Arroyo .
9.1. Introducción ........................................................................................................... 376

9.2.1. Machine Learning (ML) .................................................................................................. 378
9.2.2. Clasificación de algoritmos de Machine Learning .......................................................... 379
9.2.3. Algoritmos supervisados ................................................................................................ 380
9.2.3.1. K-vecino más cercanos (K-Nearest Neighbors) ..................................................... 381
9.2.3.2. Regresión lineal..................................................................................................... 382
9.2.3.3. Regresión logística ................................................................................................ 384
9.2.3.4. Máquinas de vectores de soportes (SVM) ............................................................. 385
9.2.3.5. Árboles de clasificación......................................................................................... 386
9.2.3.6. Bosques aleatorios ................................................................................................ 388
9.2.3.7. Redes neuronales ................................................................................................. 390
9.2.3.8. Redes Bayesianas .................................................................................................. 391
9.2.3.9. Aplicaciones de algoritmos supervisados ............................................................. 392
9.2.4. Algoritmos no supervisados ........................................................................................... 393
xv
9.2.4.1. Algoritmos de Clustering (agrupación) ................................................................. 393

9.2.4.2. Análisis de componentes principales (PCA) .......................................................... 395
9.2.4.3. Deep Learning ....................................................................................................... 395
9.2.5. Tipos de problemas de algoritmos supervisados ........................................................... 395
9.2.5.1. Problemas de regresión ........................................................................................ 396
9.2.5.2. Problemas de clasificación .................................................................................... 396
9.2.6. Proceso de Machine Learning (ML) ................................................................................ 397
9.2.7. Lenguajes de programación para Machine Learning ..................................................... 397
9.2.7.1. Lenguaje Python ................................................................................................... 398
9.2.7.2. Lenguaje R............................................................................................................. 398
9.2.7.3. Matlab................................................................................................................... 399
9.2.8. Herramientas para aplicar modelos de Machine Learning ............................................ 399
9.2.8.1. NumPy .................................................................................................................. 399
9.2.8.2. Pandas................................................................................................................... 400
9.2.8.3. Scipy ...................................................................................................................... 400
9.2.8.4. Matplotlib ............................................................................................................. 401
9.2.8.5. Scikit-Learn ........................................................................................................... 401
9.2.8.6. Statsmodels .......................................................................................................... 402
9.2.8.7. XgBoost ................................................................................................................. 402
9.2.8.8. LigthGBM .............................................................................................................. 403
9.2.8.9. Eli5 ........................................................................................................................ 403
9.2.8.10. TensorFlow ........................................................................................................... 403
9.2.8.11. Theano .................................................................................................................. 404
9.2.8.12. PyTorch ................................................................................................................. 404
9.2.8.13. Keras ..................................................................................................................... 405
9.2.9. Áreas de aplicación de Machine Learning ...................................................................... 405
9.3. Desarrollo ............................................................................................................... 406

9.3.1. Proceso para llevar a cabo ............................................................................................. 407
9.3.2. Casos de ML en el Sector Salud ...................................................................................... 408
9.3.2.1. Caso Wisconsin Breat Cáncer. Predicción del riesgo de cáncer y diagnóstico. ..... 408
9.3.2.2. Técnicas de Machine Learning en medicina cardiovascular ................................. 413
9.3.3. Tecnologías y recursos ................................................................................................... 418
Conclusiones ....................................................................................................................... 418
Referencias ......................................................................................................................... 419
xvi
Capítulo 10. ............................................................................................. 422
Análisis de Datos Geoespaciales en Protección Civil utilizando R y Python.422
Armando Urbina Retana
10.1. Introducción ........................................................................................................... 422

10.2.1. Ciencia de datos y Big Data........................................................................................ 425
10.2.2. Panorama Tecnológico de la Ciencia de los Datos...................................................... 426
10.2.3. Impacto y beneficios de aplicar la Ciencia de Datos ................................................... 428
10.2.4. Sistema de Información Geográfico (GIS) ................................................................... 428
10.2.5. Bases de Datos para GIS ............................................................................................. 429
10.2.6. SIG con R ..................................................................................................................... 431
10.2.6.1. Paquetes de R para trabajar con datos espaciales ................................................. 432
10.2.7. SIG con Python ............................................................................................................ 433
10.2.7.1. Paquetes de Python para análisis de datos y visualización..................................... 434
10.2.7.2. Paquetes para SIG ................................................................................................... 435
10.2.8. Herramientas Webmapping ........................................................................................ 436
10.2.9. Ciencia de los Datos y los datos geoespaciales. .......................................................... 436
10.2.10. Protección Civil. ........................................................................................................... 438
10.2.11. Caso de estudio: Sistema Nacional de Cartografía de Zonas Inundables de Espaa. .... 441
10.2.12. Caso Simca. Sistema de monitoreo de la calidad del aire del Estado de Durango. ..... 442
10.2.13. Caso Municipio de Durango ........................................................................................ 443
10.2.13.1. Fenómenos geológicos....................................................................................... 443
10.2.13.2. Fenómenos hidrometeorológicos ...................................................................... 445
10.2.13.3. Peligro por lluvias extraordinarias ..................................................................... 446
10.2.13.4. Sequías ............................................................................................................... 446
10.2.13.5. Inundaciones ...................................................................................................... 449
10.2.13.6. Vientos Fuertes .................................................................................................. 451
10.2.13.7. Heladas y temperaturas bajas ............................................................................ 451
10.3. Desarrollo ................................................................................................................. 456

10.3.1. Metodología Fundamental para la Ciencia de Datos........................ .......................... 457
10.3.2. Propuesta de solución ................................................................................................. 459
xvii
10.3.3. Proceso para llevar a cabo actividades ........................................................................ 461

10.3.4. Tecnologías y recursos................................................................................................. 462
10.3.5. Análisis de la propuesta ............................................................................................... 463
Conclusiones ......................................................................................................................... 464
Referencias ........................................................................................................................... 466
Capítulo 11 ................................................................................................ 468
Comparativo de herramientas para visualización de datos: Tableau y Power

BI .............................................................................................................. 468
Ana Georgina Soledad Núñez Martínez
América Herrera Domínguez
11.1. Introducción ........................................................................................................... 468

11.2.1. Inteligencia de Negocios (Business Intelligence) ....................................................... 471
11.2.2. Herramientas de visualización de datos .................................................................... 474
11.2.2.1. Tableau ................................................................................................................. 476
11.2.2.2. Qlik ........................................................................................................................ 476
11.2.2.3. Plotly ..................................................................................................................... 477
11.2.2.4. Carto ..................................................................................................................... 478
11.2.2.5. DataWrapper ........................................................................................................ 479
11.2.2.6. PowerBI................................................................................................................. 479
11.2.3. Herramienta Tableau ................................................................................................. 480
11.2.4. Herramienta Power BI ............................................................................................... 482
11.2.5. La empresa ................................................................................................................ 483
11.3. Desarrollo ............................................................................................................... 486

11.3.1. ¿Por qué Tableau? ..................................................................................................... 486
11.3.1.1. Instalación de la herramienta Tableau Desktop ................................................... 487
11.3.1.2. Requerimientos del Sistema ................................................................................. 487
11.3.1.3. ¿Cómo funciona Tableau? .................................................................................... 487
11.3.1.4. Recursos adicionales que ofrece el portal de Tableau.......................................... 491
xviii
11.3.2. Casos exitosos en la aplicación de la herramienta Tableau............................................... 492

11.3.2.1. Nacional Financiera – Análisis Financiero ..................................................................... 492
11.3.2.2. GNP centraliza sus datos y gana agilidad en la toma de decisiones ............................. 493
11.3.3. ¿Porqué Power BI? ............................................................................................................ 493
11.3.3.1. Instalación de la herramienta Power BI ........................................................................ 494
11.3.3.2. Requerimientos del Sistema ......................................................................................... 496
11.3.3.3. ¿Cómo funciona Power BI? ........................................................................................... 496
11.3.4. Casos exitosos en la aplicación de la herramienta Power BI ............................................. 499
11.3.4.1. Policía Municipal de Nezahualcóyotl ............................................................................ 499
11.3.5. Propuesta de trabajo ......................................................................................................... 500
11.3.6. Comparativo de herramientas de visualización de datos Tableau & Power BI ................. 502
11.3.7. Análisis de la propuesta ..................................................................................................... 505
11.3.8. Impacto y beneficios de aplicar ......................................................................................... 507
Conclusiones .............................................................................................................................. 508
Bibliografía ................................................................................................................................ 509
Capítulo 12 .................................................................................................... 512
Herramientas para análisis y visualización de datos: Tableau y R ............... 512
Nahibe Susana Orrante Vázquez
Jesús Raymundo Rodríguez Díaz
12.1. Introducción ................................................................................................................. 512
12.2. Marco de referencia...................................................................................................... 516

12.2.1. Conceptos .......................................................................................................................... 517
12.2.2. Ciencia de los Datos ........................................................................................................... 518
12.2.3. Bussines Intelligence (BI) ................................................................................................... 519
12.2.4. Tableau .............................................................................................................................. 521
12.2.5. Lenguaje de programación R ............................................................................................. 524
12.2.6. Los Servicios de Salud de Durango (SSD) ........................................................................... 524
12.2.6.1. Antecedentes de los Servicios de Salud de Durango .................................................... 525
12.2.6.2. Servicios, funciones y objetivo que ofrecen los Servicios de Salud de Durango (SSD) . 528
12.2.6.3. Residencia General de Conservación de Carreteras ................................................. 529
xix
12.3. Desarrollo ............................................................................................................... 530

12.3.1. Propuesta para solución para Área de Epidemiología del Sector Salud .................... 533
12.3.2. Análisis de la propuesta para Área de Epidemiología del Sector Salud ..................... 533
12.3.3. Propuesta para solución para la Residencia General de Conservación de Carreteras de la
SCT ............................................................................................................................. 536
12.3.4. Análisis de la propuesta para para la Residencia General de Conservación de Carreteras de
la SCT .......................................................................................................................... 541
Conclusiones ....................................................................................................................... 544
Referencias ......................................................................................................................... 547
xx
Prólogo

Tecnológico Nacional de México. Instituto Tecnológico de Durango
[email protected]
El libro es el resultado de una integración y adaptación de diversos productos

académicos desarrollados como consecuencia de cursos relacionados con “Ciencia
de los Datos e Internet de las Cosas” ofrecidos en el Instituto Tecnológico de
Durango durante los años 2018 y 2019.
Los lectores tendrán un panorama claro sobre ¿lo que es?, ¿para qué sirve?
¿qué incluye?, ¿qué herramientas existen?, ¿cómo? y ¿en dónde se puede usar
“Ciencia de los Datos”. El Libro va dirigido a la comunidad de científicos de datos,
académicos, investigadores, emprendedores, innovadores y público en general que
deseen involucrarse con el paradigma Ciencia de los Datos.
El libro "no" es un tutorial para el aprendizaje de herramientas

relacionadas con Ciencia de los Datos, "no" es un libro a detalle de temas tales
como Bases de datos, Big Data, Machine Learning, Minería de Datos, entre
otros, "no" es una metodología de trabajo; el documento es una integración de
distintos temas en donde los autores asocian y relacionan de manera general
características del concepto denominado Ciencia de los Datos.
¿Cómo debiera leerse este libro?; el libro contiene distintos tópicos asociados
a “Ciencia de los Datos”, el lector "no" debe esperar que cada capítulo sea
un antecedente del siguiente, el lector "no" debe pensar que tiene un libro con
temas sucesivos en orden de importancia. "no" son capítulos en donde se hace
necesario leer un capítulo anterior para comprender el siguiente, es decir, "no"
va de temas sencillos a temas más complejos como algún libro de tipo
académico. El libro es propiamente una percepción de aspectos que se asocian
con “Ciencia de los Datos”.
21
Ahora bien, al identificar cada capítulo, los lectores que les interese algún
tema en particular puede dirigirse y dar lectura al mismo sin necesidad de haber
leído algún capítulo anterior, es decir son temas independientes pero relacionados
con “Ciencia de los Datos”.
La nube de palabras de la figura 1, identifica las palabras principales de este

prólogo.
Figura 1. Nube de palabras del prólogo. Fuente propia
Los datos y la información en las empresas son un activo necesario para la

acertada toma de decisiones. Hoy en día y la gran cantidad de datos, la diversidad
de formatos y la velocidad que se crean, requiere del uso de herramientas y
tecnología para su rápido almacenamiento, procesamiento, análisis e interpretación
veraz y oportuna, con ello obtener valor y conocimiento con la finalidad de realizar
acciones que busquen la eficiencia y productividad en las organizaciones.
22
La información proviene de todos lados, sensores que recibe datos,

publicaciones en las redes sociales, imágenes y vídeos digitales, registros de
compra y transacciones, señales de GPS de los móviles, datos de las aplicaciones
WEB, además de los tradicionales medios de comunicación como radio, televisión,
prensa entre otros.
La Ciencia de los Datos como eje central de este libro, es un campo

multidisciplinario que involucra los procesos y sistemas para extraer el conocimiento
o un mejor entendimiento de grandes volúmenes de datos y sus diferentes formas
estructurados y no estructurados. Pretende aprovechar aspectos tales como base
de datos, tecnología big data, aprendizaje automático (machine learning) e, internet
de las cosas (internet of things). (Pizarro, Amaro, López, & Galindo, 2018).
Estas tecnologías son parte de la Ciencia de los Datos que se pueden utilizar
para transformar los datos en información con la finalidad de obtener razonamiento
y comprensión para convertirla de manera inmediata en conocimiento, de forma que
se pueda optimizar el proceso de toma de decisiones en las organizaciones y en las
personas. (Pizarro, Amaro, López, & Galindo, 2018).
A pesar de que el término Big Data se asocia principalmente con cantidades

de datos exorbitantes, se debe dejar de lado esta percepción, Big Data no va dirigido
solo a gran tamaño, sino que abarca tanto volumen como variedad de datos y
velocidad de acceso y procesamiento; además la Tecnología de Información y
Comunicaciones (TIC) propicia que una gran cantidad se datos, estos deben
procesase, entenderse y transformarse en decisiones de valor, esto es el reto del
big data (Pizarro, Amaro, López, & Galindo, 2018) .
El concepto de Machine Learning en la Ciencia de los Datos, es una área de

la Inteligencia Artificial que engloba un conjunto de tareas, técnicas y algoritmos que
hacen posible el aprendizaje automático a través del entrenamiento con grandes
volúmenes de datos (Pizarro, Amaro, López, & Galindo, 2018).
Por otra parte, en un futuro cercano cualquier objeto cotidiano estará dotado
de algún tipo de sensor que enviará información. El internet de las cosas (IoT) en la
23
Ciencia de los Datos, está generando volúmenes masivos de datos estructurados y

no estructurados.
Las personas con las competencias adquiridas en el uso de éstas y otras

herramientas y tecnologías, se dotan con ciertas características que dan lugar al
surgimiento de un nuevo perfil profesional, el científico de datos (Data Scientist),
que serían las personas capacitadas que deben saber de procesos, de tecnologías,
del análisis e interpretación estadística, de comunicación de negocios, entre otros
atributos.
El perfil del científico de datos es un ejemplo de la evolución de las

profesiones que hacen uso de la información con el uso de la tecnología de
información y comunicaciones (TIC), un híbrido entre un programador, analista,
comunicador y consejero. Se trata de un profesional dedicado a analizar e
interpretar grandes bases de datos. (Pizarro, Amaro, López, & Galindo, 2018).
Con lo anterior y con el ánimo de difundir y promover una comunidad de

científicos de datos, en el Instituto Tecnológico de Durango (ITD), se tiene el cuerpo
académico en formación denominado “Desarrollo de Tecnologías de Información
basada en Ciencia de los Datos” con clave Prodep “ITDUR-CA-14” y cuyo propósito
es el generar productos académicos de investigación, vinculación y difusión que
sean innovadores y productivos para hacer frente a los nuevos retos de las
empresas y organizaciones.
De igual forma en el ITD en los años 2018 y 2019, se impartieron por parte
de docentes integrantes del cuerpo académico y colaboradores, dos cursos
especiales de titulación relacionados con “Ciencia de los datos e Internet de las
cosas” y cuyo objetivo fue entre otras cosas acercar a los exalumnos con necesidad
de lograr cerrar su ciclo y culminar su proceso de titulación desarrollando productos
académicos relacionados con Ciencia de los Datos.
Como resultado del trabajo desarrollado de los participantes en los cursos,

los integrantes y colaboradores del cuerpo académico denominados coordinadores
del libro, realizaron un proceso de clasificación, selección, evaluación, ajustes y
24
modificaciones de los productos académicos concluidos y presentan en este libro

los resultados.
El libro que lleva por nombre “Ciencia de los Datos. Propuestas y casos
de uso”, se plantean temas, casos y propuestas de implementación de aspectos
relacionados con Ciencia de los Datos, incluye títulos tales como: Bases de datos
SQL y NoSQL. Comparativo SQL server & MongoDB; Comparación de
herramientas para visualización de datos (Tableau - Power BI); Big Data y su
impacto en la sociedad; R como herramienta de Ciencia de los Datos aplicada a la
productividad; Big Data: Análisis de estrategias de marketing digital; Comparativo
de herramientas para análisis y visualización de datos: Tableau y R; Análisis de
datos masivos en el campo de la salud; Herramientas de Big Data; Ciencia de los
Datos aplicado en las Pymes; Análisis de Datos Geoespaciales en Protección Civil
utilizando R y Python; Machine Learning aplicado a la salud; Análisis comparativo y
uso de R y Python enfocado al análisis descriptivo de datos de una entidad
financiera.
Cada uno de los trabajos fueron editados por sus autores y coautores;
adaptados, modificados y evaluados por los coordinadores de libro. En cada uno
de ellos, se trata de manera particular los temas citados. Los trabajos se presentan
en la modalidad de capítulos de tal forma que cada capítulo viene incluido la autoría
del participante y en algunos casos en coautoría respetando de manera general la
esencia, el pensamiento y la forma de redacción de cada autor.
En cada capítulo se presenta una estructura que identifica los elementos de

introducción, marco de referencia, desarrollo, conclusiones y la referencia
bibliográfica respectiva de cada capítulo.
En la introducción de cada capítulo, se presentan elementos de una

justificación del título, el objetivo general y los específicos, el propósito, el impacto
y beneficio entre otras cosas.
Con respecto al marco de referencia en cada capítulo, se da a conocer los

conceptos que sustentan los aspectos relevantes del título del capítulo.
25
En el apartado de desarrollo en algunos capítulos, se enriquecen conceptos;

en algunos casos se hace un análisis personal de los temas tratados en el marco
de referencia; en otros capítulos, se habla de la relación que existe de los conceptos
establecidos en el marco de referencia con una propuesta de implementación y caso
de uso relacionados con la naturaleza de la Ciencia de los Datos y del tema del
capítulo.
En el capítulo 1, se presenta el título “Bases de datos SQL y NoSQL.

Comparativo SQL server & MongoDB” desarrollado por Juan Daniel Carrillo
Mercado y Gabriel Arturo Lugo Morales. Los autores presentan aspectos teóricos
y conceptuales de las bases de datos SQL y NoSQL; ponen de manifiesto el
enfoque relacional y No relacional; identifican la relación de las bases de datos con
el paradigma de la Ciencia de los Datos, Inteligencia de Negocios y Big Data;
exponen un comparativo de las características principales de los enfoques SQL y
NoSQL basado en los atributos de herramientas manejadoras de bases de datos
SQL Server y MongoDB.
Al final del capítulo presentan un comparativo y resumen mediante modelo

de fortalezas, oportunidades, debilidades y amenazas utilizando la herramienta
FODA para destacar los aspectos principales de los dos gestores de bases de
datos.
En el capítulo 2 se presenta el tema “Big Data y su impacto en la sociedad”.

desarrollado por “Carolina Sosa Hernández” en coautoría con “José Gabriel
Rodríguez Rivas”. Los autores abordan los conceptos de Big Data, partiendo de
los temas relacionados con bases de datos, herramientas y tecnologías de Big Data,
entre otros.
En el apartado de desarrollo, la autora y su coautor presentan cinco ejemplos

en donde queda de manifiesto el uso del Big Data como casos de éxito y dignos de
tomarse en cuenta.
Los ejemplos que se muestran del uso de Big Data son: primer caso. El
séptimo arte; segundo caso. ¿Saldrás de viaje?, los Destinos Turísticos Inteligentes
26
(DTI) son la mejor opción; tercer caso. Un nuevo perfil: El periodista de Datos; cuarto
caso. Una campaña política exitosa: Barack Obama y finalmente el quinto caso.
BBVA Bancomer y Secretaría de Turismo (SECTUR).
El capítulo 3 llamado “Herramientas Big Data” desarrollado por “Jaime

Alonso Chacón Soto” y “Jeorgina Calzada Terrones” tiene mucha relación con
el capítulo 2, aquí el autor y su coautora describen algunas de las herramientas
relacionadas con Big Data, desde aquellas que tienen propósito para la ingesta de
datos, el almacenamiento, el procesamiento, el análisis hasta las que tienen que ver
con la visualización de los datos.
Los autores hacer tablas comparaciones destacando características de las

distintas herramientas dejando bien el claro las oportunidades de hacer uso de cada
una de ellas.
Finalmente, presentan una propuesta en donde mencionan las aplicaciones

del Big Data en el ámbito laboral, profesional, social, empresarial y gubernamental,
argumentando además algunos casos relacionados con los Big Data, en donde
cabe la posibilidad de implementarse. El capítulo termina con un análisis personal
sobre lo que se propone y finaliza con sus correspondientes conclusiones y
recomendaciones.
En el capítulo 4 titulado “Big Data. Análisis de estrategias de Marketing

Digital”, desarrollado por “María Dolores Concepción De Lara Gurrola”, Jesús
Eduardo Carrillo Morales” y “Luis Fernando Galindo Vargas” se aborda de igual
como en el capítulo 2 y 3 conceptos relacionados con el Big Data, los autores
enriquecen con temas de Marketing, Marketing digital, Inbound marketing y
Outbound Marketing.
Al final del capítulo los autores recomiendan estrategias elementales y uso

de tecnología existente para el posicionamiento de marca e imagen de la empresa,
del producto o servicio que vende y para mejorar la relación con el cliente. En sus
análisis y conclusiones del documento, los autores hacen una reflexión de la
27
relación que existe entre Big Data y el Marketing Digital y las posibilidades que trae
consigo el uso de estas tecnologías para las empresas.
El capítulo 5 titulado “Análisis comparativo y uso de R y Python enfocado al

análisis descriptivo de datos de una entidad financiera” desarrollado por “Nohemí
Garcia Hernádez, Claudia Elizabeth Serrato Bacio” y “Marco Antonio Rodríguez
Zúñiga”. Se presentan temas y conceptos asociados a estadística descriptiva;
Ciencia de Datos, Minería de Datos; análisis de datos y análisis predictivo; Machine
Learning así como algunos tópicos relacionados con el proceso de otorgamiento de
créditos a clientes
Los autores en el apartado de desarrollo, presentan algunas herramientas

que existen en el mercado para análisis predictivo, así mismo, hacen una
comparativa entre R y Python y enriquecen el tema con la presentación de
herramientas para análisis predictivo, de igual forma dan a conocer un panorama
de un proceso de otorgamiento de créditos para una empresa financiera utilizando
únicamente R como ejemplo del caso.
Con respecto a la empresa financiera que se cita en el capítulo, los autores

omiten el nombre de la misma por cuestiones de confidencialidad y solo se le
llamará “la empresa financiera”.
Se menciona sobre el modelo de ScoreBoard como una técnica para el

otorgamiento de créditos a los clientes de una entidad financiera, se hace referencia
de un ejemplo ficticio con datos de dominio público de un análisis de regresión
logística para valorar el otorgamiento de crédito a un cliente.
El capítulo 6 es titulado “Ciencia de los Datos aplicado en las Pymes”

desarrollado por “César Omar Domínguez Gurrola”, “Marco Antonio Rodríguez
Zúñiga” y “Jeorgina Calzada Terrones”. Los autores en su marco de referencia
abordan los principales temas en orden de aparición tales como Business Intelligent
o Inteligencia de negocios, Big data, Ciencia de los Datos y la importancia del
científico de datos, Machine Learning, Minería de Datos.
28
Proponen en el contexto del estado de Durango y la importancia de que sea

la Ciencia de los Datos un detonante para el desarrollo del Municipio y del Estado.
Por otra parte, en el apartado de desarrollo de éste capítulo los autores ponen
de manifiesto un conjunto de casos que bien pudieran ser referentes para que se
tomen de ejemplo y se impuse la tecnología relacionada con Ciencia de los Datos y
con ello potenciar el desarrollo económico de las PyMES, de la ciudad y en el Estado
de Durango.
El capítulo 7 es titulado “Ciencia de los Datos con R como herramienta

aplicada a la productividad” desarrollado por “Beatriz Eneida Chavez Atayde” y
“Rubén Pizarro Gurrola”. La autora y su coautor presentan las características
principales del lenguaje de programación R y el entorno de trabajo R Studio.
Realizan una asociación interesante de características del Ingeniero

Industrial con el Ingeniero en Sistemas Computacionales de la siguiente manera:
Con respecto a los industriales hace mención en distintas técnicas y

herramientas que son esenciales en el campo laboral tales como: Diagrama de Flujo
de Procesos, Diagrama de Causa-Efecto, Diagrama de Pareto, Modelo ANOVA,
Histograma, Gráfica de Corrida, Gráfica de control, Diagrama de Dispersión, Modelo
de Regresión, entre otros. De todas ellas hace hincapié en las siete Herramientas
de la Calidad y el modelo Sixsigma.
Con respecto a las características del Ingeniero en Sistemas, la autora y su

coautor hacen referencia a que los Ingenieros Industriales pueden enriquecer sus
habilidades computacionales y analíticas haciendo el uso del lenguaje R y el entorno
R Studio para desarrollar y aplicar las técnicas de calidad mencionadas en el párrafo
anterior.
Como propuesta, en el capítulo hacen mención que se utilice R y R Studio

como lenguaje y herramienta para potenciar las técnicas analíticas que se
mencionaron.
Ofrecen cuatro ejemplos prácticos del uso de R y R Studio mencionando

cuatro herramientas: el diagrama de pareto, el modelo ANOVA, el modelo de
29
correlación y regresión lineal para predicciones y el modelo de causa efecto, todos

ellos perfectamente emulabes en R y R Studio.
La autora y su coautor hacen mención del proceso de un MRP Controller de

una empresa maquiladora de la localidad de Durango.
Terminan concluyendo y con buenos deseos de que sea posible implementar

la propuesta de combinar herramientas y técnicas de la Ingeniería Industrial con la
programación R, mencionan que se puede potencializar las ventajas por encima de
las opciones actuales para el análisis de datos.
El capítulo 8 lleva por nombre “Análisis de datos masivos en el campo de la

salud” desarrollado fue escrito y desarrollado por “Teresita De Jesús Camacho
Cepeda” y “Marco Antonio Rodríguez Zúñiga”.
La autora y su coautor hablan sobre los datos que se generan en el campo

de la salud, mencionan lo siguiente: “estos crecen de manera exponencial y a gran
velocidad, gracias a la implementación de técnicas y herramientas Big Data se
puede capturar, almacenar, procesar y analizar esta ingesta cantidad de datos,
acción que con las herramientas convencionales no se puede realizar
eficientemente”.
El capítulo aborda los conceptos de análisis de datos, identifican el área de

oportunidad que existe de adecuar técnicas y herramientas Big Data en el Sector
Salud.
En el capítulo se mencionan aspectos tales como el análisis de datos

masivos, tipos de datos, origen de los datos; las herramientas y técnicas más
recomendadas para la aplicación de Big Data, la analítica predictiva y se mencionan
algunos tipos de algoritmos; el impacto y beneficio de la aplicación de esta nueva
tecnología.
Se plantea una propuesta de implementación utilizando Big Data, esta

propuesta se trata de unificar todos los datos relacionados con el Sector Salud con
el objetivo de brindar atención médica. La propuesta que se documenta, se
denomina “Unificación de Contenidos Generales en el Sector Salud”.
30
El capítulo 9 titulado “Machine Learning aplicado a la salud” fúe elaborado

por su autora “Sayra María Vargas Arroyo” y su coautor “Rubén Pizarro Gurrola”
El Aprendizaje Automático (Machine Learning), es un área de la Inteligencia

Artificial (IA), que engloba un conjunto de técnicas que hacen posible la extracción
de conocimiento a través del entrenamiento y validación con grandes volúmenes de
datos. Las Técnicas avanzadas de Machine Learning (ML) incluye algoritmos
supervisados y no supervisados; tales como máquinas de soporte vectorial (SVM),
árboles de decisión, regresión logística para predicciones; clasificación para
identificar la pertenencia a un grupo o a una etiqueta y clustering para asociaciones
y diferencias de datos en grupos, entre otros, pueden ser utilizadas en la actualidad
en muchas áreas de trabajo y por supuesto en la ciencia médica.
La autora y su coautor, describen los conceptos relacionados al Machine

Learning; la clasificación de los algoritmos, supervisados y no supervisados;
ventajas y desventajas de los algoritmos: presentan ejemplos y casos de uso en el
Sector Salud para los diferentes tipos de algoritmos, así como el proceso para la
construcción de modelos; mencionan los principales lenguajes de programación y
herramientas más usadas para análisis de grandes volúmenes de datos;
documentan aplicaciones de Machine Learning es decir, resñonden a la pregunta
¿en dónde se está desarrollando y aplicando?.
El desarrollo del capítulo define una propuesta de trabajo en el Sector Salud,

para la implementación de herramientas de Machine Learning, se analizan procesos
para llevar a cabo las principales actividades para implementar la propuesta, se
define el flujo de trabajo necesario para llevar a cabo un proceso de construcción de
un modelo, utilizando estrategias para que el sistema de clasificación sea lo más
óptimo posible.
Se presentan casos de uso de predicción del riesgo de cáncer y diagnóstico

y del uso de las técnicas de Machine Learning en medicina cardiovascular. En
ambos casos se muestran el poder de los algoritmos Machine Learning, observando
cuál de los algoritmos es el clasificador perfecto y con la tasa de error más baja.
31
El capítulo 10 tiene por nombre “Análisis de datos georreferenciados en

protección civil usando R y Python” y fue desarrollado por “Armando Urbina
Retana” en coautoría con “Rubén Pizarro Gurrola”.
El autor y coautor en este capítulo presentan una propuesta que incluye

aspectos de análisis de datos geoespaciales mediante lenguajes de programación
de uso libre R y Python para integrarlos dentro de un Sistema de Información
Geográfico de uso libre (QGIS). La idea se centra en que un QGIS tenga
características de visualizar mapas cartográficos que muestren zonas de riesgos en
la ciudad de Durango, Dgo. México realizando cruces de datos de la unidad de
Protección Civil del propio Municipio.
Presentan una importante justificación en el hecho de que es un área de

oportunidad de que el ciudadano con aplicaciones adecuadas, se entere de manera
pronta y con certeza sobre contingencias relacionadas con Protección Civil, es decir
en donde hay desastre para tomar las debidas precauciones y reacciones al
respecto.
En el marco de referencia, presentan los temas de Protección Civil, Sistemas

de Información Geográfica, Sistema de Gestores de Base de Datos, Sistemas de
Informacióm Geográfica con R, Sistemas de Información Geográfica con Python,
herramientas Webmapping, Ciencia de Datos y datos espaciales.
En el apartado de desarrollo del tema, presentan una propuesta de trabajo

como área de oportunidad, el proceso para llevar acabo las actividades, la
descripción de cómo llevarlo a cabo, las tecnologías y recursos a utilizar.
Terminan haciendo una reflexión sobre la propuesta con un análisis a título

personal.
El capítulo 11 denominado “Comparativo de herramientas para

visualización de datos: Tableau y Power BI” fue desarrollado por las autoras
“Ana Georgina Soledad Núñez Martínez”, “América Herrera Domínguez”
y “José Gabriel Rodríguez Rivas”.
32
Las autoras y su coautor dan a conocer en el capítulo conceptos acerca del

término Business Intelligence (BI) y su relación con las herramientas de
visualización de datos, hablan acerca de las definiciones, aplicaciones,
características y cuales herramientas existen en el mercado de manera
generalizada,
En su marco de referencia hacen mención de distintas herramientas de

visualización de datos, entre ellas PowerBI y Tableau.
Posteriormente en el apartado de desarrollo, proporcionan datos específicos

sobre Tableau y Power BI, sus ventajas bondades, restricciones, proceso de
instalación, entre otras cosas que van llevando al lector a una comprensión sencilla
de ¿qué son? y ¿para qué? sirven estas herramientas.
Así mismo, las autoras y su coautor mencionan casos recopilados de la

literatura en donde algunos ejecutivos de empresas hablan y citan sobre las
bondades tanto de las herramientas Tableau como de PowerBI respectivamente.
En su propuesta, dan a conocer la importancia de que la empresa Financiera

Nacional de Desarrollo Agropecuario, Rural, Forestal y Pesquero (FND) utilice
herramientas como Tableau y PowerBI.
Terminan en su propuesta, haciendo un comparativo mediante el modelo de

Fortalezas, Oportunidades, Debilidades y Amenazas (FODA) haciendo mención de
las dos herramientas.
Las autoras y su coautor hacen una reflexión a manera de análisis de la

propuesta y finalizan con las conclusiones pertinentes de su trabajo.
El capítulo 12 denominado “Herramientas para análisis y visualización de

datos: Tableau y R” fue desarrollado por los autores(as) “Nahibe Susana Orrante
Vázquez” y “Jesus Raymundo Rodríguez Díaz” y José Gabriel Rodríguez
Rivas.
Los autores de este capítulo ofrecen una descripción acerca de R y Tableau

como herramientas para análisis y visualización de datos.
33
En el contenido del capítulo abordan conceptos relacionados con Ciencia de

los Datos y la relación existente con herramientas para el análisis y visualización de
datos.
En el apartado de desarrollo, enfatizan dos propuestas:
La primera es acerca de utilizar R y Tableau para procesar, analizar y

visualizar información relacionada con Área de Vigilancia Epidemiológica del Estado
de Durango; específicamente tratar datos del sistema que se encuentra en el área
de Epidemiología de la Dirección General de Epidemiología (DGEPI) denominado
Sistema Único Automatizado para la Vigilancia Epidemiológica (SUAVE).
En la segunda propuesta mencionan el uso de R y Tableau para enriquecer

el análisis y la visualización de datos en la Residencia General de Conservación de
Carreteras dependiente de la Secretaria de Comunicaciones y Transportes;
propiamente en información relacionada con informes correspondientes a todo el
proceso de licitación, contratación, ejecución y terminación de las obras además del
informe del programa nacional de conservación de carreteras, entre otros.
Los autores del capítulo terminan con un análisis sobre las posibilidades
y los beneficios de utilizar herramientas poderosas y flexibles como R y Tableau
en los procesos de análisis y visualización de datos, con ello mejorar procesos de
toma de decisiones y estar en un contexto integral al mundo de la Ciencia de los
Datos.
El libro en su totalidad ha sido riguorosamente cuidado, auto evaluado, co-

evaluado por los coordinadores con el uso de rúbrica establecida para este
propósito y que se encuentra en el enlace siguiente:
https://docs.google.com/forms/d/e/1FAIpQLSf4EELt-
KJSCHSOmb5kAGtehoMw98wpqg2qKghX8fFkLkxbSg/viewform?usp=sf_link
El libro fue dictaminado por un Comité Cientifico Dictaminador integrado y

conformado por docentes académicos e investigadores que laboran en
instituciones petenecientes al Tecnológico Nacional de México (TecNM) y a la
Universidad Pedagógica de Durango (UPD).
34
Dentro de las instituciones que pertenecen al TecNM participaron docentes

del Instituto Tecnológico de El Salto (ITES), Instituto Tecnológico de Roque (ITR),
Instituto Tecnológico de Tehuacán (ITT), Instituto Tecnológico de Campeche (ITC)
y por supuesto del Instituto Tecnológico de Durango.
El rol y funciones que realizaron los académicos del comité de este libro, fue
el de observar y dictaminar recomendaciones a las cuales se les dio seguimiento
por parte de los coordinadores del libro, se realizaron los ajustes pertinentes
para obtener finalmente un producto valorado, cuidado y enriquecido.
La siguiente lista de personalidades fueron los académicos investigadores

que formaron parte de este comité científico, el orden de aparición obedece a
una cuestión de tipo alfabético:
• Dr. Omar David Almaraz Rodríguez de la Universidad Pedagógica de

Durango (UPD).
• Dr. Isidro Amaro Rodríguez del Tecnológico Nacional de México. Instituto
Tecnológico de Durango.
• MES. Josefa del Carmen Hernández Ancona del Tecnológico Nacional de
México. Instituto Tecnológico de Campeche
• D.C.C. Blanca Cecilia López Ramírez del Tecnológico Nacional de México.
Instituto Tecnológico de Roque
• MC. Javier Nájera Frías del Tecnológico Nacional de México. Instituto
Tecnológico de El Salto.
• MC. Liliana Elena Olguín Gil del Tecnológico Nacional de México. Instituto
• MGTI Eliceo Manuel Martín Pacheco Can del Tecnológico Nacional de
México. Instituto Tecnológico de Campeche.
• MGTI Elías Gabriel Fidel Pacheco Can del Tecnológico del Nacional
de México. Instituto Tecnológico de Campeche.
• Dr. Rafael Moisés Rosas Sánchez del Tecnológico Nacional de México.
Instituto Tecnológico de Tehuacán
35
• M.S.L. Luis Ramón Sánchez Rico del Tecnológico Nacional de México.

Instituto Tecnológico de Roque.
• MC. Francisco Vázquez Guzmán del Tecnológico Nacional de México.
• MTI. Eduardo Vázquez Zayas del Tecnológico Nacional de México.
La función del comité editorial fue la de observar y realizar recomendaciones

en cada uno de los capítulos con la finalidad de fortalecer el producto académico.
Con respecto a los resultados de la rúbrica se obtuvieron en una escala de

calificación de 1 a 5, siendo la más baja 1 y las más alta 5 se distinguen algunos
datos en lo general. Determinando resultados de la encuesta de la rúbrica aplicada
y con valores primordialmente entre 4 y 5 se destacan las siguientes descripciones:
Con respecto al apartado de introducción de cada capítulo, se establece que

un 92% definen los aspectos generales del título, con un 92.9% deteminan la
claridad de la justificación, con 98% se establece con claridad el objetivo general y
con un 92% definen el propósito del del capítulo.
En el apartado de marco de referencia de cada capítulo el comité científico

dictaminador describe que un 99% hay un adecuado hilo conductor de ideas; un
85% hablan de homogeneidad de ideas conforme al título; un 85% indican la
formalidad de citación y referencia; un 92% coinciden en párrafos no plagiados; un
84% deteminan que hay adecuada citación de figuras
Con respecto al desarrollo establecen que un 78% los capítulos describen la

empresa o unidad de trabajo a donde se dirige la propuesta, así como la relación
que se tiene con los conceptos incorporados en el marco de referencia, además,
coinciden que un 95% se cumplen los objetivos específicos citados en
introducción, un 85% en ideas claras y con un 90% los párrafos describen con
ideas claras en relación a herramientas, técnicas que se utilizarían para llevar a
cabo una propuesta relacionada con Ciencia de los Datos.
36
Con respecto a las conclusiones se describe que un 99% son ideas claras y
concluyentes, un 93% de las ideas rescatan el cumplimiento de los objetivos
general y específicos y un 93% las ideas son homogéneas conforme a los objetivos
y el título del capítulo.
Con todo esto, es importante reconocer el trabajo de autores y coautores de

capítulos, académicos e investigadores del comité científico dictaminador,
coordinadores del libro y las Instituciones involucradas, mencionado que una
variable para el éxito es la perseverancia y el esfuerzo individual pero el trabajo en
equipo es el ingrediente secreto.
Finalmente, con un profundo agradecimiento a todos y cada uno de ellos,

resulta grato recordar una frase: "Mi padre solía decir que nunca es demasiado tarde
para hacer algo que siempre quisiste hacer. Y decía que nunca sabes lo que puedes
lograr hasta que lo intentas". Michael Jordan en “A Humbled Jordan Learns New
Truths” (1994) de The New York Times.
Referencias
Pizarro, R., Amaro, I., López, J. R., & Galindo, L. (2018). Formación de científicos de datos en el
Instituto Tecnológico de Durango. En N. Bocanegra Vergara, INNOVACIÓN Y
TECNOLOGÍAS DE LA INFORMACIÓN Y LA COMUNICACIÓN EN EDUCACIÓN
SUPERIOR (págs. 47-59). Durango Dgo.: REDIE.
37
Capítulo 1
Bases de datos SQL y NoSQL. Comparativo SQL server &

MongoDB
Juan Daniel Carrillo Mercado

[email protected]
Gabriel Arturo Lugo Morales

[email protected]
1.1. Introducción
Las bases de datos han sido importantes para el almacenamiento y análisis
de datos. A través de los años han surgido herramientas que han ayudado a poder
realizar esta tarea de manera satisfactoria.
En los últimos años ha crecido la necesidad de almacenar y analizar grandes

volúmenes de información, por lo que los sistemas de bases de datos relacionales
se han enfrentado a un gran reto.
En este documento presenta cómo los sistemas de gestión de bases de datos

han evolucionado para poder satisfacer el gran crecimiento de almacenamiento y
tratamiento de los datos. Se mencionará el papel que han tenido las bases de datos
38
relacionales, se mencionará el surgimiento de un nuevo paradigma para almacenar

y tratar los datos, como lo son las bases de datos NoSQL.
El objetivo general de este capítulo es realizar un comparativo de las bases

de datos SQL con respecto a las bases de datos NoSQL listando las principales
características, ventajas, así el análisis de gestores respectivos.
De manera específica se pretende lo siguiente:
• Mostrar la evolución de los sistemas de gestión de bases de datos relacionales

o SQL, describiendo sus funcionalidades.
• Describir las características principales del modelado de datos de los sistemas
relacionales, así como su principal lenguaje de consulta SQL.
• Explicar la necesidad del surgimiento de las bases de datos NoSQL, sus
características y los tipos de bases de datos NoSQL.
• Mostrar algunos de los principales sistemas de gestión de bases de datos.
• Mostar algunas de las características de SQL Server como uno de los sistemas
de gestión de bases de datos relacionales más populares en el mercado.
• Mostrar como MongoDB está teniendo una gran aceptación entre las bases de
datos NoSQL, así como el lenguaje de consulta que utiliza para gestionar los
datos.
Dentro de los alcances de este apartado se pretende mostrar un panorama

general de las bases de datos relacionales y como éstas han desempeñado un
papel importante en el almacenamiento y trato de los datos, a la vez como van
cobrando fuerza las bases de datos NoSQL; visualizar las ventajas y desventajas
de las bases de datos SQL y las NoSQL; tener una visión general de cuáles son las
similitudes en sus lenguajes de consulta entre SQL Server y MongoDB y cuáles son
sus principales diferencias como sistemas de gestión de bases de datos.
El capítulo da a conocer cómo fueron surgiendo las bases de datos NoSQL

como respuesta a nuevas necesidades en el tratamiento y procesamiento de los
datos que las bases de datos relacionales no han podido satisfacer. De igual forma,
menciona las características que son parte de las bases de datos NoSQL.
39
Una justificación para la elaboración de este capítulo es dar a conocer a la

comunidad las nuevas herramientas de sistemas de gestión de bases de datos que
están haciendo frente a las necesidades de la gestión y almacenamiento de grandes
volúmenes de datos y así poder tomar una decisión de cual elegir de acuerdo con
las necesidades de los sistemas a desarrollar.
1.2. Marco de referencia

Actualmente ha aumentado la demanda para almacenar, consultar y analizar
datos. Este fenómeno se ha presentado en las empresas, organizaciones y en
particulares. Y ahora con el uso del internet y los dispositivos móviles, la demanda
de datos se ha disparado exponencialmente.
Ahora bien, surgen algunos cuestionamientos como los siguientes:
• ¿Qué aspectos habrá que abordar sobre las bases de datos?,

• ¿Cómo surge la necesidad de estructurar los datos en forma de bases de
datos?,
• ¿Cuáles son las aplicaciones de las bases de datos?,
• ¿Qué sistemas de datos se utilizaban antes de las bases de datos
relacionales?,
• ¿Cómo fueron surgiendo los sistemas de gestión de bases de datos?,
¿Qué características tienen los sistemas de gestión de bases de datos?,
• ¿Cuáles son tendencias y ventajas de los sistemas de gestión de bases
de datos?,
• ¿Cómo surgen los sistemas de bases de datos NoSQL?
El origen de las bases de datos fue evolutivo, debido a necesidades de

almacenamiento y procesamiento, los sistemas de bases de datos tuvieron que
requerir mayor capacidad y funcionalidades, así se da el surgimiento de
herramientas para interactuar con los datos y la información.
40
1.2.1. Bases de datos

Una base de datos en un sentido simple es un conjunto de información
organizada y se requieren herramientas para su tratamiento y uso.
Las bases de datos son un elemento indispensable de las buenas prácticas

en el desarrollo de software empresarial. Una base de datos es lo que le dará
sentido al desarrollador para conectar los programas con los datos bajo un esquema
de optimización y mejor rendimiento en las aplicaciones.
Debido al crecimiento de las tecnologías de información, sumado al uso de

las tecnologías móviles con acceso a internet, el volumen de datos que manejan
tanto las organizaciones como los particulares se ha incrementado notablemente,
hoy en día es difícil de imaginar una aplicación que no utilice una base de datos.
Arias (2015) menciona, “las bases de datos son colecciones de información

(datos) que se relacionan para crear un sentido y dar más eficiencia a una encuesta,
un estudio organizado, o la estructura de datos de una empresa, son de vital
importancia para las organizaciones y en las últimas décadas son parte principal de
los sistemas de información” (pág. 13).
En las primeras décadas del siglo XX, el uso de las bases de datos fue
creciendo en las empresas. En esos años solo algunas personas interactuaban
directamente con los sistemas de bases de datos, otros sin darse cuenta manejaban
datos en forma de base de datos como: informes impresos, expedientes, registro de
transacciones, entre otros (Silberschatz, Korth, & Sudarshan, Fundamentos de
Bases de Datos. Cuarta Edición, 2002).
Actualmente casi todas las empresas u organizaciones usan las bases de

datos: en agencias de viajes en el sector turismo; escuelas y el giro educación; en
la industria en el ámbito de producción, inventarios y calidad; en el comercio y
tiendas departamentales y tiendas autoservicio; aeropuertos; bancos; áreas de
recursos humanos y financieros en las empresas; gobierno y sus instituciones;
ventas y marketing; medicina y sector salud; y en todas aquellas aplicaciones que
tenga que ver con servicios web, móviles y sus transacciones; entre muchos otros.
41
1.2.2. Sistemas de gestión de bases de datos

Silberschatz, Korth, & Sudarshan (2020), establecen que “un sistema de
bases de datos es una colección de archivos interrelacionados y un conjunto de
programas que permitan a los usuarios acceder y modificar estos archivos” (pág. 3).
Un sistema de gestor de base de datos también nombrado sistema

manejador de bases de datos (SMBD) es una herramienta computacional que
permite a los usuarios establecer esquemas de definición de la base de datos,
utilizar un lenguaje de manipulación para administrar, programar y realizar consultas
y modificaciones sobre los datos (Silberschatz, Korth, & Sudarshan, Fundamentos
de Bases de Datos. Cuarta Edición, 2002).
Las bases de datos contienen información relevante para la empresa,

organización o particular. La función principal de los sistemas de gestión de bases
de datos es almacenar y recuperar la información de una base de datos de manera
rápida, práctica y eficiente.
Los sistemas de gestión de bases de datos están desarrollados para manejar

grandes cantidades de datos. Además, debe de proporcionar la fiabilidad de la
información almacenada, a pesar de las interrupciones en el sistema.
Los primeros sistemas de gestión de bases de datos se realizaron para

ejecutar procesos administrativos y así reducir el papeleo, tener un mayor control
sobre los datos y facilitar su consulta (Silberschatz, Korth, & Sudarshan,
Fundamentos de Bases de Datos. Cuarta Edición, 2002).
En los inicios de los sistemas de gestión de bases de datos estaban ligados

y dependientes a los sistemas operativos, así como al hardware. Los sistemas de
gestión de bases de datos estaban diseñados para para facilitar el manejo de
grandes volúmenes de datos con operaciones complejas.
Cuando el programador realizaba una aplicación, este tenía que conocer

detalles del diseño físico de la base de datos, por lo que la programación de las
aplicaciones se convertía en algo complicado.
42
En su artículo Aguilar Romero & Rodríguez García, (2016), mencionan que

un sistema gestor de bases de datos pueden verse como una capa intermedia que
integra el lenguaje de definición de datos (DDL) y el lenguaje de manipulación de
datos (DML) para facilitar la manipulación de tablas, registros y realizar consultas y
operaciones generalmente basadas en un estándar de un lenguaje para ejecución
de consultas (SQL) (pág. 9), además, los sistemas de gestión de bases de datos
proporcionan las siguientes tareas:
• Definición y creación de las bases de datos mediante lenguaje de definición

de datos (DDL)
• Manipulación de los datos realizando consultas, inserciones, eliminaciones y
actualizaciones con lenguaje de manipulación de datos (DML)
• Acceso controlado a los datos mediante mecanismos de seguridad de
acceso a los usuarios. Esto implica que los usuarios que no tengan
autorización a la base de datos no puedan tener acceso a ella.
• Mantener la integridad y consistencia de los datos.
• Controlar la concurrencia a la base de datos para compartición de recursos.
• Mecanismos de copias de respaldo y recuperación para restablecer la
información en caso de fallos de sistema. (Aguilar Romero & Rodríguez
García, 2016).
El sistema de gestión de bases de datos administra tanto los datos físicos y

su almacenamiento, lo que lo convierte en una herramienta muy útil. Conscientes
de esta situación, los sistemas de gestión de bases de datos utilizan una
herramienta de vistas que facilitan a que cada usuario tenga su propia visión de la
base de datos.
No todos los sistemas de gestión de bases tienen las mismas

funcionalidades, estas dependen según el producto. Pero en general, los grandes
sistemas de gestión de bases de datos proporcionan las funcionalidades que se
citaron e incluso más. Pretendiendo así ofrecer un sistema de gestión de bases de
datos que controle cualquier tipo de requisitos y que sea confiable a cualquier fallo.
43
Los sistemas de gestión de bases de datos evolucionan cada vez más rápido
para satisfacer los requisitos de los usuarios. El gran aumento de aplicaciones, web,
escritorio, móviles, aparatos electrónicos, hoy en día es necesario almacenar
grandes cantidades de datos, imágenes, videos, sonido, entre otros. Respecto a
esta gran demanda los sistemas de gestión de bases de datos nunca permanecerán
estáticos.
Los sistemas de gestión de bases de datos se han adaptado a las tecnologías

recientes: la multimedia, la de orientación a objetos e internet.
Los sistemas de gestión de bases de datos incorporan la posibilidad de tipos

abstractos de datos. El éxito del desarrollo de software orientado a objetos ha hecho
que esta práctica se extienda a todos los ámbitos de la informática, por lo que ha
requerido que los sistemas de gestión de bases de datos relacionales incluyan el
paradigma orientado a objetos que integra aspectos tales como objeto, identidad de
objeto, objetos compuestos, métodos, encapsulación y herencia, entre otros. (Meza
Quiñones, 2018).
El rápido crecimiento de sistemas de información por medio de la web hace

que los sistemas de gestión de bases de datos agreguen recursos en su servidor
web para que se puedan incluir instrucciones SQL y mostrar la información de las
bases de datos a los usuarios.
Los sistemas de gestión de bases de datos tienen características y

funcionalidades diversas, entre las que se destacan: optimización en la redundancia
de datos; consistencia y mismo significado de los datos; compartición de datos por
distintos usuarios; posibilidad de mantenimiento; integridad de los datos mediante
reglas y restricciones; seguridad y accesibilidad, replicaciones; productividad para
no preocupares por aspectos de bajo nivel; respaldos y restaurado; concurrencia
para accesos al mismo tiempo y en paralelo de distintos usuarios y de manera
remota; entre otros.
44
1.2.3. Big Data, Inteligencia de Negocios, Ciencia de los Datos y Bases de

datos
Ahora bien, la pregunta es ¿qué relación existe entre las Bases de Datos con
los conceptos de Inteligencia de Negocios, Big Data y Ciencia de los Datos?
Actualmente los sistemas de gestión de bases de datos se han adaptado a

este tipo de almacenes de datos incorporando herramientas tales como: creación y
mantenimiento de réplicas, diferentes orígenes de datos, estructuras físicas que
permiten el análisis multidimensional, diversos tipos de datos, entre otros.
En vista de estos grandes volúmenes de datos y adaptándose a las

necesidades de los usuarios, han surgido los sistemas de gestión de bases de datos
no relacionales, los cuales ha ido creciendo su implementación y se han visto como
una opción a escoger de acuerdo a las necesidades las empresas, organizaciones
y particulares.
En los últimos años se ha tenido el auge del concepto de Data Warehouse

(DW) o almacén de datos, entendiéndose como un repositorio de datos que contiene
los datos históricos de la organización, extraídos de las bases de datos
operacionales, archivos de trabajo y cualquier otra fuente de información importante
para la toma de decisiones. (Formia & Estevez, 2019). Esto aumenta definitivamente
el volumen de información.
A lo largo de los años las empresas, organizaciones y particulares han ido

acumulando grandes cantidades de datos que han ido almacenando en Data
Warehouse, por lo que ha requerido que los sistemas de gestión de bases de datos
administren de manera confiable los datos para poder realizar consultas y análisis.
Como lo menciona Jones (2019), en su libro intitulado: La guía definitiva de

análisis de Big Data para empresas, técnicas de minería de datos, recopilación de
datos y conceptos de inteligencia empresarial, la inteligencia de negocios o
empresarial “es un término amplio que cubre aspectos como el análisis de procesos,
extracción de datos, análisis descriptivo y evaluación comparativa del rendimiento”.
(pág. 192).
45
Con lo anterior, se hace imprescindible el uso del recurso de los datos que
se encuentra inmerso y de manera natural en las bases de datos.
Las bases de datos, representan la información organizada de la empresa,

la tecnología Big Data requiere de manera imprescindible tener acceso de las bases
de datos internas y externas de la empresa y representa un modelo evolutivo que
hace referencia al enorme volumen de datos de formato heterogéneo
(estructurados, semiestructurados, y no estructurados) que se generan
continuamente y cuyo análisis mediante las tecnologías habituales y tradicionales
de los sistemas manejadores de bases de datos se ve dificultado (Hueso, y otros,
2019).
Como lo expresa Hueso, y otros (2019) “En la actualidad, el término Big Data
se ha expandido para incorporar el análisis e interpretación de los datos,
constituyendo una Ciencia de los Datos (data science)”. (pág. 2)
Jones (2019) menciona que “los datos modernos no están estructurados y

son diferentes de los datos tradicionales. Por lo tanto, necesita tener métodos
avanzados de análisis de datos”. (págs. 49-50). La figura 1, indica el tipo de datos
requerido para el año 2020, más del 80% de los datos no están estructurados.
Se necesitan manejadores de bases de datos con mayores funcionalidades

o con adaptaciones e integración con otras herramientas para obtener mayor
potencia y rendimiento en el procesamiento del volumen de datos, variedad,
variabilidad, a grandes velocidades de recuperación, con veracidad y valor, así
como para poderlos visualizarlos de distintas formas.
46
Figura 1. Datos estructurados y No estructurados para el año 2020. (Jones, Ciencia de los Datos.
Lo que saben los mejores científicos de datos sobre el análisis de datos, minería de datos,
estadísticas, aprendizaje automático y Big Data que usted desconoce, 2019)
1.2.4. Principales sistemas de gestión de bases de datos en la actualidad.

Actualmente existe una gran cantidad de sistemas de gestión de bases de
datos, estos son usados de acuerdo a las necesidades y solvencia económica de
las empresas, organizaciones o particulares. Se muestra en la figura 2, los diez
principales sistemas de gestión de bases de datos
Figura 2. Principales sistemas de gestión de bases de datos. (DB-Engines, 2020)
47
1.2.5. Bases de datos relacionales

Las bases de datos relacionales son unas de las más utilizadas por las
empresas, organizaciones y particulares para administrar sus datos, ya que estos
en su mayoría tienen una estructura que cumple con las especificaciones del
modelo de datos relacionales.
Una de las principales características que presentan las bases de datos

relacionales actualmente es que manejan como un estándar el Lenguaje
Estructurado de Consulta (SQL).
Una base de datos relacional es un conjunto de tablas estructuradas en

registros y que se relacionan entre sí mediante claves.
El modelo de datos relacional continúa siendo hoy en día la forma más común
de estructurar y almacenar la información en cualquier tipo de sistema de
información.
Las bases de datos relacionales son aquellas que se apegan y cumplen con
el modelo relacional, su estructura principal la componen tablas, atributos y
relaciones que representan información (Osorio Rivera, 2008).
Los componentes básicos de una base de datos relacional son:
• Tablas. Son estructuras regulares conformadas por renglones y columnas

Las tablas no pueden encontrarse duplicadas dentro de una misma base de
datos.
• Columnas. Es una división lógica de la tabla, son los atributos que forman la
estructura y caracterizan a cada tabla.
• Registros. También conocidas como filas, es decir los registros son los
valores divididos en columnas de una fila.
• Relaciones. Son asociaciones entre tablas mediante valores comunes en
ellas. Dichos valores se conocen como llaves o claves. Las claves pueden
ser primarias o foráneas Clave primaria.
48
• Clave Primaria. Cada registro pose una clave única, estas claves identifican
de manera única a un registro. Este registro en el valor de la clave primaria
no puede repetirse en la tabla.
• Clave foránea. Estas claves son referencias colocadas en tablas secundarias
de la relación de tablas. Estas contienen el mismo valor que la clave primaria
del registro de la tabla principal (Osorio Rivera, 2008).
Otra de las características de las bases de datos relacionales es que es

posible aplicar principios de álgebra relacional y de cálculo relacional para manipular
los datos contenidos en la base de datos.
La integridad y seguridad de los datos son importante en las bases de datos

relacional porque permiten proteger los datos de los daños provocados por los
usuarios ya sea de manera intencional o no, así como algún fallo en el sistema.
Como parte de la integridad de los datos las bases de datos relacionales

deben de asegurar que alguna actualización de los datos no viole las restricciones
de integridad que se especifican en una base de datos.
1.2.6. Leguaje SQL

Una de las principales características de los sistemas de gestión de bases
de datos relacional es contar con un leguaje de consulta que sea fácil y mas
amigable con el usuario. (Osorio Rivera, 2008).
El principal lenguaje de consulta utilizado por los sistemas de gestión de

bases de datos relacionales es el Lenguaje Estructurado de Consulta (SQL).
El lenguaje SQL está basado en el álgebra relacional (Silberschatz, Korth, &

Sudarshan, Fundamentos de Bases de Datos. Cuarta Edición, 2002), no solo se
pueden realizar consultas sino también modificación de los datos y establecer
restricciones de integridad en estos.
1.2.6.1. Componentes del lenguaje SQL

El lenguaje SQL está compuesto por varios partes:
49
• Lenguaje de definición de datos (DDL). Mediante este lenguaje se proporciona

órdenes para crea, modificar o eliminar un esquema de relaciones, crear,
modificar o eliminar tablas, crear, modificar o eliminar índices.
• Lenguaje de manipulación de datos (DML). Permite realizar consultas a los datos
utilizando el álgebra relacional sobre los registros. Incluye instrucciones para
insertar, borrar y modificar registros en una base de datos.
• Definición de vistas. Mediante el lenguaje de definición de datos se pueden crear
vistas de los datos
• Control de transacciones. Por medio de instrucciones SQL se puede especificar
el comienzo y el final de una transacción.
• SQL incorporado y SQL dinámico. Se pueden definir instrucciones SQL en
lenguajes de programación como C++, C#, Java, PHP, entre otros.
• Integridad. Mediante el lenguaje de definición de datos se puede especificar las
restricciones de integridad que deben de contener los datos almacenados en la
base de datos.
• Autorización. Incluye órdenes para dar acceso a los datos. (Silberschatz, Korth,
& Sudarshan, Fundamentos de Bases de Datos. Cuarta Edición, 2002).
1.2.6.2. Estructura básica de una consulta SQL

Una instrucción de consulta SQL en su forma básica contiene tres clausulas:
select, from, where. El conjunto de estas instrucciones son de gran utilidad a la hora
de la extracción de datos de una base de datos relacional. (Osorio Rivera, 2008).
• select. Se utiliza para listar o proyectar los campos que se requieren de una
consulta.
• from. Muestra las relaciones o tablas que se debe de analizar en una
instrucción.
• where. Corresponde a la condición de álgebra relacional para mostrar o filtrar
registros.
Una instrucción simple en SQL tiene la siguiente forma:
50
Select Atributo1, Atributo2,…AtributoN
From Relacion1, Relacion2, …RelacionN
Where Condición de JOIN y fitrado
1.2.6.2.1. Cláusula order by

SQL ofrece un control sobre el orden de los registros. La cláusula order by
hace que los registros obtenidos de una consulta sean presentados en un orden
específico. De manera predeterminada la cláusula order by muestra los registros de
manera ascendente. Esta cláusula permite el que se pueda especificar que los datos
se muestren de manera descendente solo con agregarle la condición desc. Ejemplo:
select nombre, sueldo, sueldo-(sueldo*iva) /100
From Empleado
Order by Sueldo desc
1.2.6.3. Operaciones sobre conjuntos

El lenguaje SQL ofrece varias operaciones sobre conjuntos, las más
comunes son: union, intersect y except (Silberschatz, Korth, & Sudarshan,
Fundamentos de Bases de Datos. Cuarta Edición, 2002). Las figuras 3 al 5
interactúan sobre relaciones y corresponden a operaciones del álgebra relacional
de unión “∪”, intersección “∩” y diferencia “-“.
• Union. Devuelve la suma de dos o más conjuntos de datos.
Figura 3. Representación de una unión. Elaboración propia
51
• Intersec. Devuelve la intersección de dos o más conjuntos de datos.
Figura 4. Representación de un intersec. Elaboración propia
• Except. Devuelve la diferencia de dos o más conjuntos de datos.
Figura 5. Representación de un except. Elaboración propia
1.2.6.4. Cláusulas para modificar datos

El lenguaje SQL también cuenta con instrucciones para insertar, modificar o
eliminar datos.
1.2.6.4.1. Cláusula insert

Esta instrucción es utilizada para agregar registros a una tabla contenida en
una base de datos. Los valores que se insertan deben de tener la misma estructura
de los atributos de la tabla. Un ejemplo básico de esta instrucción sería.
insert into Personal values (1234, ‘Pérez’, ‘Juan’)
1.2.6.4.2. Cláusula update

Esta instrucción se utiliza para actualizar los valores de los registros
contenidos en una tabla de una base de datos. La cláusula where de la instrucción
update puede contener cualquier constructor legar en la cláusula where de una
instrucción select. (Silberschatz, Korth, & Sudarshan, Fundamentos de Bases de
Datos. Cuarta Edición, 2002). Un ejemplo básico es el siguiente:
update Personal set nombre = ‘José’
where id=1234
52
1.2.6.4.3. Clausula delete

La instrucción delete permite borrar registros de una tabla contenida en una
base de datos un borrado mediante SQL, se expresa de la siguiente manera:
delete from Tabla
where condición
Un ejemplo aplicando esta condición sería:
delete from Personal
where id=1234
1.2.6.5. Actualidad en bases de datos relacionales

Las bases de datos relacionales seguirán siendo el fuerte de las empresas,
organizaciones y particulares para los próximos años, ya que los sistemas de
gestión de bases de datos relacionales continúan evolucionando y adaptándose a
las necesidades de los clientes que manejan grandes volúmenes de datos
estructurados siguiendo el modelo de datos entidad relación.
Las bases de datos relacionales SQL son y seguirán siendo una parte
importante en el manejo de los datos estructurados, pero debido a lo poco flexible
en lo que respecta a la modificación de las estructuras de los datos, han salido al
mercado sistemas de gestión de bases de datos con una mayor flexibilidad, como
lo son las bases de datos NoSQL (Baldassari Valencia, 2019).
1.2.7. Bases de datos NoSQL

El término NoSQL significa not only SQL (No solo SQL). El movimiento Big
Data es uno de los grandes impulsores de la tecnología NoSQL.
Como lo define Baldassari Valencia, (2019), “NoSQL puede ser definido como
“Not only SQL” y es un sistema de gestión de bases de datos la cual podría ser la siguiente
generación de tecnologías que es no relacional, distribuida, escalable horizontalmente, de
código abierto y más rápida, puesto que no implementa las propiedades ACID las cuales
aseguran la confiabilidad de las transacciones sobre las bases de datos.”. (pág. 3)
53
Empresas como Google, Amazon, Facebook, twitter, son algunas de las que
encontraron limitaciones en los sistemas de gestión de bases de datos relacionales,
así que iniciaron el desarrollo de Sistemas de gestión de bases de datos no
relacionales.
Debido a la gran cantidad de datos que se genera actualmente en la nube,

es necesario que los nuevos sistemas de gestión de bases de datos contengan
disponibilidad total, tolerancia a fallos, grandes almacenamientos de penta bytes de
datos que se encuentren distribuidos en miles de servidores, que contengan un
excelente desempeño y que se pueda tener una escalabilidad horizontal de manera
fácil, que puedan manejar grandes cantidades de datos estructurados y no
estructurados, nuevos métodos de consulta, libertad para nuevos esquemas y tener
un control total sobre los datos (Bender, Deco, González Sanabria, Hallo, & Ponce,
2014).
Aplicaciones como Facebook y Twitter no encontraban una solución en los

sistemas de gestión de bases de datos relacionales, debido a los millones de
transacciones que se manejaban por medio del lenguaje SQL los servidores quedan
expuestos a saturación y disminución de rendimiento.
Esta problemática requirió de soluciones que soporten grandes cantidades

de transacciones y esto se podía solucionar de dos maneras: seguir utilizando los
sistemas de gestión de bases de datos relacionales, pero con máquinas más
potentes, con mayor memoria, procesadores de última generación, discos de mayor
capacidad, entre otros, (escalabilidad vertical), o desarrollando sistemas de gestión
de bases de datos utilizando máquinas configuradas en clúster (escalabilidad
horizontal).
Debido a esta gran necesidad, surgen las bases de datos altamente

escalables, y ya que las bases de datos relacionales son complicadas de escalar
horizontalmente, se empezaron a utilizar las bases de datos no relacionales o
NoSQL. (Baldassari Valencia, 2019).
54
Las bases de datos no relacionales proporcionan un rendimiento en lectura

y escritura de datos que los sistemas de gestión de bases de datos relacionales no
pueden lograr, dadas estas diferentes necesidades y retos técnicos con los que se
fueron encontrando los sitios web más utilizados, sobre todo en cuanto a
disponibilidad y escalabilidad, es donde las bases de datos NoSQL tuvieron un gran
impacto (García Cebreiros, 2016).
Es por eso que hablar de bases de datos NoSQL, es hablar de estructuras

que permiten tratar datos en a las que las bases de datos relacionales generan
problemas, como es el rendimiento cuando se generan millones de transacciones
diarias. Además, las bases de datos NoSQL son sistemas de almacenamiento que
no cumple con el esquema entidad relación, tampoco tiene una estructura en sus
datos en forma de tabla si no que tiene otros tipos de estructurar la información.
1.2.7.1. Justificación de las de las bases de datos NoSQL

Los principales motivos con los que se cuenta para comenzar a valorar la
posibilidad de dejar atrás las bases de datos relacionales y comenzar a fijarse en
las bases de datos NoSQL son los siguientes:
• Evitar la complejidad innecesaria. Las bases de datos tradicionales tienen

gran cantidad de funcionalidades y restricciones para mantener la
consistencia de los datos, en ciertos casos, mucho más de lo necesario. Esto
hace que, a nivel global, las operaciones en la base de datos tarden más
tiempo lo cual el rendimiento se ve afectado.
• Alto rendimiento. Muchas bases de datos NoSQL proporcionan un
rendimiento superior al que ofrecen las bases de datos relacionales.
• Escalabilidad horizontal y hardware de bajo costo. Al contrario que las bases
de datos relacionales, los sistemas NoSQL han sido diseñados para escalar
horizontalmente (Baldassari Valencia, 2019).
• Complejidad y costo de levantar un clúster de base de datos. Facilidad y
sencillez con la que estos sistemas son capaces de añadir y quitar nodos del
sistema.
55
• Comprometer la fiabilidad a cambio del rendimiento. La fiabilidad en los datos

es un tema muy importante, pero existen ciertos momentos sin despreciar la
confianza en los que se puede demandar un aumento del rendimiento a
cambio de un nivel menos de fiabilidad.
• Movimientos en lenguajes de programación y Frameworks de desarrollo.
Dejar las capas de acceso a bases de datos independientes del resto del
código. Esto, que ya de por si es una buena práctica para bases de datos
relacionales, adquiere un importante significado para el movimiento NoSQL,
que se ha dado prisa en desarrollar los conectores para sus bases de datos
para los distintos lenguajes de programación.
• Requisitos de Cloud Computing. La alta escalabilidad, especialmente
horizontal, y que los tiempos de administración sean lo mínimo posible.
1.2.7.2. Tipos de bases de datos NoSQL

Hay varios tipos de bases de datos NoSQL, cada una con sus peculiaridades
y ventajas. Entre las principales se encuentran: basadas en clave-valor, basadas en
columnas, basadas en documentos y basadas en grafos.
Se identifican diversos tipos de bases de datos NoSql encontradas en el

documento de Gracia del Busto & Yanes Enríquez, (2012) y en acenswhitepapers,
(2014).
1.2.7.2.1. Basadas en clave-valor

Este tipo de base de datos consiste en un mapa o diccionario en el cual se
pueden almacenar y obtener valores por medio de una clave; favorece la
escalabilidad y omite las consultas complejas y permite que la recuperación de la
información sea rápida.
Los sistemas de clave-valor prometen un rendimiento excelente para

volúmenes de datos muy grandes, son las más simples de entender ya que guardan
tuplas de orden clave-valor (Baldassari Valencia, 2019).
En un sistema relacional existen bases de datos y dentro de cada base de

datos se tienen tablas formadas por filas y columnas. En un sistema clave-valor
56
existen contenedores, también se les llama cabinets, en cada contenedor se puede

tener tantas parejas de clave-valor como se desee. En cada contenedor es posible
tener datos de la misma naturaleza o totalmente diferentes, todo depende de los
desarrolladores de la aplicación.
1.2.7.2.2. Basadas en columnas

Este tipo de base de datos almacenan la información por columnas, cada
clave única apunta a un conjunto de subclaves, que son tratadas como columnas.
Se utilizan con más frecuencia para la lectura de grandes volúmenes de datos que
para la escritura. Añade cierta flexibilidad, ya que permite añadir columnas a las filas
necesarias sin alterar el esquema completo. Este tipo de bases de datos también
es conocido también como BigTable.
Este tipo de base de datos son en realidad lo que se podría suponer,

tablas de datos donde las columnas de valores de datos representan el
almacenamiento estructural. Los datos son almacenados como secciones de las
columnas de datos en lugar de filas de datos, como en la mayoría de los gestores
relacionales. Esto tiene ventajas para los almacenes de datos, sistemas de
gestión de relaciones con clientes, catálogos de bibliotecas de tarjetas y otros
sistemas de consulta donde los agregados se calculan a través de un gran
número de elementos de datos similares.
1.2.7.2.3. Basadas en documentos

En este tipo de bases de datos los datos se almacenan en forma de
documentos de tipo XML o JSON, encapsulando pares de clave-valor en
documentos y utilizando etiquetas para los valores de las claves. Permite
estructuras de datos complejas y realizar consultas muy potentes. Este tipo de
base de datos proporcionan una gran versatilidad y se ha convertido en el
favorito para muchos desarrolladores. (Baldassari Valencia, 2019).
Las bases de datos de documentales son consideradas por muchos como

un escalón superior ante los simples gestores de llave-valor, puesto que
permiten encapsular pares de llave-valor en estructuras más complejas
denominadas documentos.
57
1.2.7.2.4. Basadas en grafos

Este tipo de base de datos representan los datos como nodos de un grafo
y sus relaciones con las aristas del mismo grafo, en este tipo de base de datos
se puede usar la teoría de grafos para recorrer la base de datos ya que esta
puede describir los atributos de los nodos y las aristas.
Este tipo de base de datos debe de estar normalizado, esto es que cada
tabla tendría una sola columna y cada relación dos, esto es así para que
cualquier cambio en la estructura en la información tenga solo efecto solo en la
estructura de la información de manera local (Gracia del Busto & Yanes
Enríquez, 2012).
1.2.8. Diferencias con las bases de datos SQL
Existen diferencias principales que se pueden encontrar entre las bases de
datos NoSQL y las SQL. (acenswhitepapers, 2014).
• La mayoría de las bases de datos NoSQL no utilizan el lenguaje SQL o solo

lo utilizan como un lenguaje de apoyo.
• No utilizan estructuras fijas como tablas para el almacenamiento de los datos.
Las bases de datos NoSQL permiten hacer uso de otros tipos de modelos de
almacenamiento.
• No permite operaciones JOIN. Al tener volúmenes de datos tan
extremadamente grandes se evitan las operaciones JOIN.
• Arquitectura distribuida. Los datos de las bases de datos NoSQL pueden
encontrarse distribuidos en varias máquinas (acenswhitepapers, 2014).
1.2.9. Principales sistemas de gestión de bases de datos NoSQL
A continuación, se mencionan algunos sistemas de gestión de bases de

datos NoSQL, así como el tipo de base de datos que maneja.
• Cassandra. Es una base de datos de tipo clave-valor creada por Apache.

Utiliza un lenguaje de consulta CQL (Cassandra Query Language). Puede
58
correr en cualquier plataforma que cuente con Java (Apache Cassandra,

2016).
• HBase. Apache HBase es un almacén de big data distribuido y escalable de
forma masiva del ecosistema de Apache Hadoop. Apache HBase es una
base de datos abierta, distribuida, versionada y no relacional, modelada
según el Bigtable de Google (APACHE HBASE, 2020).
• MongoDB. Es una base de datos basada en documentos con la escalabilidad
y flexibilidad. Almacena datos en documentos flexibles, similares a JSON, lo
que significa que los campos pueden variar de un documento a otro y la
estructura de datos se puede cambiar con el tiempo. Es una base de datos
distribuida en su núcleo, por lo que la alta disponibilidad, la escala horizontal
y la distribución geográfica están integradas y son fáciles de usar (MongoDB,
2020).
• Neo4j. Es una base de datos basada en grafos. Esta base de datos está
desarrollada en Java. Neo4j tienen mejor rendimiento que las bases de datos
relacionales y las NoSQL. La clave es que, aunque las consultas de datos
aumenten exponencialmente, el rendimiento de Neo4j no desciende, frente
a lo que sí sucede con las bases de datos relacionales (neo4j, 2020).
1.2.10. Clasificación de bases de datos de acuerdo al teorema CAP

Las bases de datos relacionales están ampliamente extendidas y cuentan
con grandes y potentes herramientas su manejo. Existe, además, una gran cantidad
de documentación en línea y una gran comunidad de usuarios. Numerosas
aplicaciones salen al mercado pensadas para integrarse fácilmente con este tipo de
bases de datos. A diferencia, las bases de datos NoSQL son relativamente nuevas
y disponen de pocas herramientas de gestión que no ofrecen muchas de las
opciones que son encontradas en las herramientas para la gestión de las bases de
datos relacionales (Gracia del Busto & Yanes Enríquez, 2012)
Es por esta razón, que al momento de elegir una base de datos NoSQL se
tenga en cuenta el teorema CAP: Consistencia (C), Disponibilidad (A) y Tolerancia
59
a particiones (P). Según Eric Brewer, creador de este teorema, plantea que en los
sistemas distribuidos solo se puede tener dos de las tres garantías (la C, la A o la
P), y por lo tanto es preciso elegir la más importante. La figura 6, representa la
clasificación de las bases de datos conforme al teorema CAP.
Figura 6. Clasificación de las bases de datos según el teorema CAP (GENBETA, 2014).
• Consistencia: Al realizar una consulta o inserción siempre se tiene que recibir la

misma información, con independencia del nodo o servidor que procese la
petición.
• Disponibilidad: Que todos los clientes puedan leer y escribir, aunque se haya
caído uno de los nodos.
• Tolerancia a particiones: Implica, que el sistema tiene que seguir funcionando,
aunque existan fallos o caídas parciales que dividan el sistema (GENBETA,
2014).
1.3. Desarrollo
En este apartado, se muestran las características de los sistemas
manejadores de base de datos SQL Server y de MongoDB.
Al final del tema, se muestra un análisis FODA con las apreciaciones y

comparaciones personales del autor sobre ambos manejadores.
60
1.3.1. SQL Server

SQL Server es un sistema de base de datos relacional de Microsoft,
desarrollado para las pequeñas, medianas y grandes empresas.
SQL Server desde la versión del 2012 permite el desarrollo de aplicaciones

diversas y proporciona una amplia inteligencia empresarial lo que le permite ser una
base sólida sobre la que las empresas pueden construir su infraestructura de
información (Montalvo, 2019).
SQL Server es un sistema de gestión de base de datos integrado en

Windows, pero actualmente la versión más reciente también puede ser instalada en
distribuciones de Linux.
1.3.1.1. Características de SQL Server

SQL Server tiene una gran capacidad de gestión de datos conservando su
integridad y coherencia, realiza las siguientes funciones:
• Almacenar datos.
• Administrar las restricciones de integridad definidas.
• Garantizar la coherencia de los datos almacenados, a pesar de que existan
errores en el sistema.
SQL Server se integra a Windows en los siguientes niveles:
• Eventos. Lleva un registro de los errores generados. Los errores son

centralizados lo que facilita su diagnóstico.
• Rendimiento. Mediante el analizador de rendimiento es sencillo detectar los
cuellos de botella y tomar las acciones necesarias para evitar estos
problemas.
• Tratamientos en paralelo. Es capaz de aprovechar las bondades de la
arquitectura de multiprocesos. Esto es que cada instancia se le asigna su
propio proceso de ejecución para explotar al máximo los componentes del
equipo.
61
• Seguridad. Puede utilizar la seguridad gestionada por Windows, así permite

a los usuarios tener un único usuario y contraseña. Pero también puede
gestionar su propio sistema de seguridad.
• Servicios de Windows para la ejecución de los componentes de software
correspondientes al servidor. Mediante estos servicios es mucho más fácil
gestionar el servidor y disfrutar de las funcionalidades de Windows.
• Directorio activo. Se registra de forma automática en el directorio activo. Esto
facilita la búsqueda de instancias que estén funcionando dentro del dominio.
• Puede gestionar bases de datos con rendimiento en memoria y
procesamiento de transacciones en línea, también como bases de datos con
procesamiento analítico en línea.
De acuerdo a al sitio de Microsoft SQL Server Engine, (2019) las nuevas

funcionalidades de la herramienta están inmersas en estos aspectos: Inteligencia
en todos tus datos con clústeres de Big Data; capacidad de elegir el lenguaje y la
plataforma; rendimiento líder del sector; la plataforma de datos más segura; alta
disponibilidad incomparable; BI móvil integral; SQL Server en Azure (Microsoft SQL
Server, 2019).
1.3.1.2. Cliente/Servidor
La arquitectura que utiliza SQL Server para la administración de los datos de
las aplicaciones se basa en cliente/servidor. El software cliente habilita a que los
equipos cliente se conecten a una instancia de Microsoft SQL Server en una red. Un
"cliente" es una interfaz de tipo front-end que utiliza los servicios que proporciona
un servidor de SQL Server. El servidor se encarga de la gestión de los datos y de la
administración de los recursos del servidor entre las diferentes transacciones de los
clientes. (Microsoft SQL Server, 2019). En la figura 7 se muestra un esquema en
donde hay peticiones de clienetes y el motor de base de datos como servidor dando
respuesta a esas peticiones de los clientes.
62
Figura 7. Funcionamiento cliente servidor. Fuente: (González, s.f.)
1.3.1.3. Motor de base de datos

El Motor de base de datos de SQL Server es el principal servicio para
almacenar, procesar y proteger los datos. El Motor de base de datos proporciona
un acceso controlado y un procesamiento de transacciones rápido para cumplir los
requisitos de las aplicaciones consumidoras de datos más exigentes. Los servicios
del Motor de base de SQL Server permiten crear aplicaciones de alto rendimiento
de base de datos para el procesamiento de transacciones en línea y el soporte en
línea de procesamiento analítico (Microsoft SQL Server Engine, 2019).
La parte principal y más importante de SQL Server es el motor de

almacenamiento, ya que controla cómo se almacenan los datos en el disco. El Motor
de base de datos proporciona acceso y procesamiento de transacciones. Por
ejemplo, la definición de los tipos de datos de una tabla y columna, mejora el
rendimiento de las consultas, crear y mantener índices. Puede dividir grandes tablas
e índices a través de múltiples estructuras de almacenamiento, aprovechando el
particionamiento (Montalvo, 2019).
1.3.1.4. Servicio de análisis de datos

Este componente de SQL Server incluye las herramientas para crear y
administrar aplicaciones de procesamiento analítico en línea (OLAP) y de minería
de datos (Montalvo, 2019).
1.3.1.5. Seguridad
De acuerdo con las especificaciones de Microsoft SQL Server Seguridad,
(2017), SQL Server proporciona una arquitectura de seguridad creada para permitir
a los administradores de bases de datos y desarrolladores desarrollar aplicaciones
de base de datos seguras y contrarrestar las amenazas. El marco de seguridad de
63
SQL Server permite el acceso a los elementos de la base de datos mediante

autenticación y autorización (Microsoft SQL Server Seguridad, 2017).
• La autenticación es el proceso de inicio de sesión para SQL Server por el cual

un usuario solicita el acceso mediante el envío de credenciales que el servidor
evalúa. La autenticación establece la identidad del usuario.
• La autorización es el proceso con el que se determinan los recursos susceptibles
de protegerse a los que tiene acceso un usuario y las operaciones que les están
permitidas. SQL Server admite dos modos de autenticación, el modo de
autenticación de Windows y el modo mixto (Microsoft SQL Server Seguridad,
2017).
1.3.1.5.1. Seguridad basada en roles

SQL Server utiliza la seguridad basada en roles. Los roles se crean, se les
establecen los permisos y posteriormente, se asignan a los usuarios. Existen roles
fijos de servidor y base de datos que son un conjunto fijo de permisos asignados.
• Los roles fijos de servidor están pensados para su uso en la administración

de SQL Server y los permisos asignados a estos roles se pueden modificar.
• Los roles fijos de base de datos integran un conjunto de permisos diseñados
para administrar grupos de permisos.
• Para utilizar los objetos de base de datos, se deben asignar inicios de sesión
a cuentas de usuario, se podrán agregar entonces a roles de base de datos
a los usuarios y heredarán los conjuntos de permisos asociados con estos
roles. (Microsoft SQL Server, 2017).
1.3.1.6. Interfaces de programación

A través de Transact-SQL (T-SQL), se tiene acceso a una programación
amplia, simple y potente. También se puede ampliar las características del servidor
mediante el aprovechamiento de las capacidades de los lenguajes de programación
dentro del “common language runtime” (CLR) tales como Microsoft Visual Basic o
Microsoft Visual C #.
64
SQL Server aprovecha las capacidades del lenguaje XML ya que se integra
directamente en el motor, lo que permite almacenar y consultar datos XML, así como
devolver conjuntos de resultados en una variedad de formatos XML.
1.3.1.7. Replicación
SQL Server tiene la capacidad de distribuir copias de datos, así como
mantener todas las copias sincronizadas con el conjunto de datos maestros. A
través de los años, las capacidades de distribución de SQL Server se han expandido
desde el mantenimiento de múltiples copias de sólo lectura a ser capaz de hacer los
cambios de datos en toda la red de bases de datos al tiempo que el motor de
replicación sincroniza todos los cambios en el ambiente.
SQL Server incluye soporte para hacer periódicamente instantáneas de un

conjunto de datos que se aplican a múltiples máquinas. Después de la aplicación
de una instantánea inicial, la replicación transaccional transfiere los cambios
incrementales de datos desde el publicador hacia cada suscriptor.
La replicación transaccional también tiene capacidades adicionales: permite

que los cambios sean hechos a un suscriptor y sincronizado de nuevo a un
publicador, y dejar que una arquitectura punto a punto sea implementada por medio
de muchas instancias de SQL Server se pueden replicar entre sí como iguales.
La replicación de mezcla permite a los usuarios móviles, desconectados,

puedan tomar conjuntos locales de datos, realizar cambios a nivel local, y luego
sincronizar todos los cambios con el servidor.
1.3.1.8. Disponibilidad
SQL Server proporciona varias tecnologías para garantizar la disponibilidad
de los datos: la conmutación por error, la copia de base de datos, el envío de
registros, y la replicación.
El espejeo de la base de datos se basa en los procesos internos de gestión

de registro en el motor de almacenamiento, para mantener una segunda copia de
una base de datos con una latencia extremadamente baja. La base de datos
65
espejeada se puede ejecutar en un modo sincrónico, lo que garantiza que las

transacciones no se pierden nunca si ocurre un fallo en la base de datos primaria.
El traspaso de registros se basa en la “copia de seguridad/restauración” del

motor junto con el agente SQL Server, para programar aplicaciones automatizadas
de copias de seguridad del registro de transacciones en un servidor secundario.
La replicación aprovecha las capacidades compatibles con el motor de

replicación, descriptos anteriormente, que le permite mantener una copia de la
totalidad o una parte de una base de datos.
En una instancia, se puede aplicar el espejado de base, el traspaso de

registros, y la réplica para proporcionar copias redundantes de bases de datos
completas o subconjuntos de bases de datos, que pueden ser utilizadas en el caso
de una falla en la plataforma de base de datos primaria (Hotek, 2009).
1.3.1.9. Servicio Broker

El servicio Broker permite una gestión de consultas asíncronas. Permite que
una aplicación cliente envié una gran cantidad de peticiones a SQL Server y este
pueda tratar la peticiones una detrás de la otra. SQL Server permite administrar la
cola de mensajes para dar una respuesta puntual a cada petición.
El servicio Broker ayuda a los desarrolladores a crear aplicaciones seguras

y escalables. Proporciona una plataforma de comunicación donde los componentes
de las aplicaciones independientes trabajen como un conjunto funcional. (Montalvo,
2019)
1.3.2. MongoDB
MongoDB es un sistema de gestión de base de datos no relacional de código
abierto desarrollada por la compañía 10gen, el lenguaje en el que ha sido
desarrollado es C++, este sistema de gestión de base de datos fue lanzado en el
año 2009 y el tipo de base de datos que administra es basada en documentos.
Este sistema de gestión de base de datos surge como una nueva tendencia
para las bases de datos NoSQL, bases de datos que no tienen un esquema fijo, que
66
son más rápidas en el acceso a datos y escalan mejor que las bases de datos
relacionales.
Una base de datos en MongoDB consiste en un conjunto de colecciones las

cuales equivaldrían a las tablas en los sistemas de gestión de bases de datos
relacionales y cada colección puede tener diferentes tipos de documentos u objetos.
Un documento es lo que equivaldría a un registro en una base de datos relacional.
Los documentos en MongoDB tienen una estructura JSON, pero es

almacenado en un formato más rico llamado BSON el cual es una lista de pares
clave-valor. Los valores pueden ser: Valor primitivo, un arreglo de documentos, o
una nueva lista de clave valor o documentos (MongoDB, 2020).
1.3.2.1. Modelo enriquecido de datos

Al reemplazar el concepto de la fila con un modelo más flexible, al permitir
documentos y arreglos embebidos, permite representar relaciones jerárquicas
complejas en un registro. Esto ayuda a los desarrolladores de lenguajes orientados
a objetos a tratar los datos como objetos.
MongoDB es de libre esquema, es decir que las claves de un documento no

están predefinidas o fijadas de ninguna manera, esto facilita al momento de hacer
migraciones de grandes cantidades de información ya que no es necesario modificar
el esquema, así las claves nuevas o las que falten pueden ser tratadas a nivel de
aplicación. Esto les da a los desarrolladores una gran flexibilidad al momento de
trabajar con la evolución de los modelos de datos.
1.3.2.2. Escalabilidad
El tamaño de las bases de datos de las aplicaciones ha ido creciendo a un
ritmo increíble. La escalabilidad implica brindar un beneficio para las bases de datos
NoSQL ya que permite la disminución de tráfico en las transacciones y búsquedas
de la información (Correa Leal, 2015).
Conforme ha ido creciendo la gran cantidad de datos que se requieren

almacenar, los desarrolladores se han enfrentado a una difícil decisión, ¿cómo
67
escalar las bases de datos?, ¿conseguir máquinas más potentes o particionar datos
a través de varios equipos de cómputo?
MongoDB fue desarrollado pensando en el principio de escalabilidad, ya que

su modelo de datos basado en documentos permite que este divida
automáticamente los datos a través de múltiples equipos. Esto se puede realizar al
balancear los datos y la carga de un clúster, el cual distribuya los documentos
automáticamente permitiendo a los desarrolladores en concentrarse solo en la
programación de la aplicación y no en escalarla. Cuando sea necesaria más
capacidad, solo se agrega una nueva máquina al clúster y dejan que MongoDB
organice todo.
1.3.2.3. Datos como documentos

MongoDB almacena los datos como documentos en una representación
binaria llamada BSON (Binary JSON). La estructura BSON enriquece la
representación popular de JSON (JavaScript Object Notation) para poder incluir
otros tipos de datos como int, long, y float. Los documentos BSON contienen uno o
más campos, y cada campo tiene un valor de un tipo de dato específico, incluyendo
arreglos, datos binarios y sub-documentos (MongoDB, 2020).
Los documentos que tienen una estructura similar se organizan como

colecciones. La colección es la representación de una tabla de una base de datos
relacional, los documentos a las filas y los campos a las columnas. La figura 8
muestra un ejemplo de código BSON que acepta MongoDB.
Figura 8. Estructura de un documento en MongoDB. Fuente: (MongoDB, 2020)
68
1.3.2.4. Modelo de consultas

MongoDB ofrece controladores para la mayoría de los lenguajes de
programación para un desarrollo natural. incluyen Java, .NET, Ruby, PHP,
JavaScript, Node.js, Python, Perl, PHP, Scala y otros (MongoDB, 2020).
Una diferencia fundamental en comparación con bases de datos relacionales

es que el modelo de consulta MongoDB se implementa como métodos o funciones
dentro de la API de un lenguaje de programación específico, en contraposición a un
lenguaje completamente separado como SQL. Esto, junto con la afinidad entre el
modelo de documento JSON de MongoDB y las estructuras de datos utilizadas en
la programación orientada a objetos, hace simple la integración con las aplicaciones.
1.3.2.4.1. Tipos de consultas

A diferencia de otras bases NoSQL, MongoDB no se limitada solo a las
operaciones clave valor, y así los desarrolladores pueden construir aplicaciones
poderosas creando consultas complejas.
Una consulta puede devolver un documento, un subconjunto de campos

específicos dentro del documento o agregaciones complejas de muchos
documentos, por ejemplo:
• Las consultas de clave-valor devuelven resultados basados en cualquier campo

del documento, generalmente la llave primaria.
• Las consultas de rango devuelven resultados basados en valores como las
desigualdades (por ejemplo, mayor que, menor que, igual que, entre).
• Las consultas geoespaciales devuelven resultados basados en criterios de
proximidad, intersección e inclusión que pueden ser especificados por un punto,
línea, circulo o polígono.
• Las consultas de búsqueda de texto revuelven resultados en orden de relevancia
basados en argumentos de texto usando operadores booleanos (AND, OR,
NOT).
• Las consultas de agregación devuelven agregaciones (count, min, max, average
y similares a GROUP BY de SQL).
69
• Las consultas Map Reduce ejecutan procesamiento complejo de datos que es

expresado en Javascript (sitiobigdata.com, 2017).
1.3.2.5. BSON
Los documentos en MongoDB son un concepto abstracto, la representación
concreta de un documento varía según el controlador del lenguaje que se utilice.
Debido a que los documentos se utilizan ampliamente para las comunicaciones en
MongoDB, también es necesario que haya una representación de los documentos
que es compartido por todos los drivers, las herramientas y procesos del ambiente
MongoDB y esa representación se llama Binario JSON (BSON). BSON es un
formato binario capaz de representar e interpretar cualquier documento MongoDB
como una cadena de bytes.
1.3.3. Comparativo SQL Server MongoDB

Algunos conceptos que son utilizados en SQLServer son semejantes en
MongoDB. Se muestran algunos conceptos comunes en cada sistema en la tabla 1.
Tabla 1.
Conceptos comunes enre SQL Server y MongoDB. Elaboración propia
SQL Server MongoDB

Base de datos Base de datos
Tabla Colección
Fila Documento
Columna Campo
Índex Índex
Clave primaria Clave primaria
Joins Documentos embebidos
Agregación Agregación pipeline
Tanto SQL Server como MongoDB tienen un lenguaje rico para realizar
consultas.
70
SQL Server utiliza SQL como lenguaje para realizar sus operaciones el cual
tiene una gran cantidad de instrucciones que se han ido enriqueciendo a través de
los años.
MongoDB utiliza su propio lenguaje de consulta el cual le permite realizar

potentes transacciones.
A continuación, en la tabla 2, se identifica un comparativo de ejemplos de

algunas instrucciones más utilizadas tanto en SQL Server como MongoDB.
Tabla 2
Comparativa y ejemplo de instrucciones SQL Server y MongoDB
Instrucción SQL Server MongoDB

Seleccionar todos los SELECT * FROM db.Alumnos.find( {} )
documentos en una Alumnos
colección.
Seleccionar documentos SELECT * FROM db.Alumnos.find(

de una colección de Alumnos WHERE {IdAlumno:"007"})
acuerdo a la condición. IdAlumno = ‘007’
Seleccionar documentos SELECT * FROM db.Alumnos.find({Calificac

de una colección de Alumnos WHERE ion: {$in:[7,10]}})
acuerdo con un operador Calificacion in
de consulta. (7, 10)
Seleccionar documentos SELECT * FROM db.Alumnos.find({Grado:

de una colección de Alumnos WHERE "A",
acuerdo con el operador Grado = "A" AND Calificacion:{$lt:7}})
AND. Calificacion <7
71
Seleccionar documentos SELECT * FROM db.Alumnos.find({$or:[{Gra

de una colección de Alumnos WHERE do: "A"},
acuerdo con el operador Grado = "A" OR {Calificacion:{$lt:7}}]})
OR Calificacion <7
Insertar uno o más INSERT INTO db.Alumnos.insertOne({IdAl
documentos Alumnos umno:"008”,Nombre:”Juan
(IdAlumno, Solis”,Grado:”B”,Calificac
ion:7})
Nombre,
db.Alumnos.insertMany([{Id
Grado,
Alumno:"009”,Nombre:”Jose
Calificacion)
Solis”,Grado:”A”,Calificac
VALUES(‘008’,’Ju
ion:8},{
an Solis’,’B’,7) IdAlumno:"010”,Nombre:”Mar
ia
Casio”,Grado:”C”,Calificac
ion:6}])
Actualizar uno o más UPDATE Alumnos db.Alumnos.updateOne({IdAl

documentos SET umno:”008”},{$set:{Calific
Calificacion=10 acion:10}})
WHERE db.Alumnos.updateMany({“Ca
IdAlumno=’008’ lificacion”:{$lt:8}},{$set
:{Grado:”Z”}})
Borrar uno o más db.Alumnos.deleteOne({IdAl

documentos DELET FROM umno:”008”})
Alumnos WHERE db.Alumnos.deleteMany({IdA
IdAlumno=’008’ lumno:”008”})
La instrucción JOIN es una de las mejores instrucciones de SQL Server y de

las bases de datos relacionales en general, ya que esta permite realizar consultas
a varias tablas.
72
MongoDB no soporta la instrucción JOIN, pero lo realiza mediante datos

embebidos como arreglos e incluso como otro documento. Esto sería un documento
dentro de otro.
Para almacenar los datos, SQL Server requiere primero definir las tablas y
las columnas, pero en MongoDB no se define un esquema, el propio sistema de
gestión de base de datos acomoda la estructura según los requerimientos.
A continuación, se muestra un breve análisis de fortalezas, debilidades,

oportunidades y amenazas para SQL Server y MongoDB, de acuerdo a lo expuesto
en este documento.
Fortalezas Debilidades
Proteccióna la información
. Costos.
Confiabilidad
. Escalabilidad.
Respuestas previsibles
. Almacenamiento de datos.
Integraciónde cualquier tipo de dato
. Rendimiento.
FODA
Oportunidades Amenazas
Bajar costos
. Inyección SQL.
Aumento de almacenamiento para la .
. Crecimiento de NoSQL
version express
Figura 9. FODA SQL Server. Fuente: Elaboración propia
73
Escalabilidad.
Rendimiento. Seguridad.
Disponibilidad. Confiabilidad.
Alto almacenamiento. Consistencia.
FODA
Oportunidades Amenazas
Nuevos sistemas de gestión de
Realizar transacciones complejas. bases de datos NoSQL.
Figura 10. FODA MongoDB Fuente: Elaboración propia
Conclusiones
Pensar en un cambio de bases de datos SQL a bases de datos NoSQL, es
un gran desafío para los desarrolladores de sistemas que trabajan con bases de
datos. Esto es, debido a que desde los inicios de los sistemas de gestión de bases
de datos relacionales han sido parte fundamental en los sistemas de datos, además
el lenguaje de consulta SQL es un lenguaje estándar para este tipo de base de
datos.
Las bases de datos relacionales han desempeñado un papel sorprendente,

hasta que se fueron creando sistemas de software en el cual requerían altos
volúmenes de transacciones y datos de distintos tipos, esto provocó una afectación
en la escalabilidad de los sistemas, ya que difícilmente se podían almacenar y
modelar altos volúmenes de datos con este tipo bases de datos. Para resolver esta
situación se aumentaron las capacidades de los equipos, pero esta solución generó
un alto costo en infraestructura y sistemas demasiado complejos.
74
Es por eso que las bases de datos NoSQL han dado una solución a los
desafíos que enfrentan las bases de datos relacionales, porque ofrecen esquemas
dinámicos, modelado flexible, arquitectura escalable y almacenamiento de grandes
volúmenes de datos.
Las bases de datos relacionales seguirán existiendo, y aun tienen un gran

potencial en el mercado, ya que para ciertas necesidades específicas se seguirán
utilizando, además en el mercado los sistemas de gestión de bases de datos
relacionales se siguen actualizando y brindando una gama amplia de
funcionalidades para los usuarios que adaptan sus necesidades a este tipo de bases
de datos.
Las bases de datos NoSQL seguirán evolucionando debido al aumento en el

tratamiento de grandes volúmenes de datos y estarán listas para resolver este tipo
de necesidades actuales.
Tanto las bases de datos SQL como las NoSQL tienen ventajas y
desventajas si se comparan entre sí. Al momento de tratarlas por separado, se
descubre que cada una tiene sus bondades y características muy particulares para
el ambiente en el que se desean implementar. Para las bases de datos SQL se
distingue la consistencia y la seguridad; para las bases de datos NoSQL tener una
escalabilidad horizontal, almacenar grandes volúmenes de datos, realizar
transacciones en grandes cantidades de datos y flexibilidad en el modelado de
datos.
Existe en el mercado un amplio abanico de alternativas de distinta y variada

oferta para elegir qué tipo de gestor base de datos utilizar y resolver las necesidades
requeridas a los sistemas y aplicaciones que se desarrollen.
Referencias
acenswhitepapers. (24 de 02 de 2014). acens. The Cloud services company de telefonía. Obtenido
de Bases de datos NoSQL. Qué son y tipos que nos podemos encontrar:
https://www.acens.com/wp-content/images/2014/02/bbdd-nosql-wp-acens.pdf
75
Aguilar Romero, M., & Rodríguez García, J. L. (2016). Comparación de opciones para inteligencia
de negocios en los principales sistemas gestores de bases de datos del mercado. Economía
y Administración (E&A) , Vol.7 (1), 5-20.
Apache Cassandra. (01 de 01 de 2016). Apache Cassandra. Obtenido de Architecture and Overview:
https://cassandra.apache.org/doc/latest/architecture/overview.html
APACHE HBASE. (14 de 07 de 2020). APACHE HBASE. Obtenido de Welcome to Apache HBase:
https://hbase.apache.org/
Arias, Á. (2015). Bases de Datos con MySql. Segunda Edición.
Baldassari Valencia, H. D. (2019). Estudio comparativo de motores de bases de datos SQL y NoSQL
para la gestión de información transaccional. DISERTACIÓN PREVIA A LA OBTENCIÓN
DEL TÍTULO DE INGENIERO EN SISTEMAS Y COMPUTACIÓN. . Quito, Ecuador,
Ecuador: FACULTAD DE INGENIERÍA DE SISTEMAS Y COMPUTACIÓN. PONTIFICIA
UNIVERSIDAD CATÓLICA DEL ECUADOR. .
Bender, C., Deco, C., González Sanabria, J., Hallo, M., & Ponce, J. (2014). Tópicos avanzados de
Bases de datos. México, Perú, Brasil, Uruguay: 1a ed. - Iniciativa Latinoamericana de Libros
de Texto Abiertos.
Correa Leal, L. G. (2015). Análisis comparativo entre la base de datos no relacional MongoDb con la
base de datos Postgresql, sistema para la gestión de clientes y registro de pagos de la clínica
odontológica Ortho Dent. Trabajo de Gado de Ingeniero en Sistemas Computacionales.
Ibarra, Ecuador, Ecuador: Universidad Técnica del Norte. Facultad de Ingeniería en Ciencias
Aplicadas. carrera de Ingeniería en Sistemas Computacionales.
DB-Engines. (11 de 07 de 2020). DB-Engines. Obtenido de DB-Engines Ranking:

https://dbengines.com/en/ranking
Formia, S. A., & Estevez, E. (2019). Implementación y Maduración de un Data Warehouse –Caso de
Estudio de la Agencia de Recaudación Tributaria de Río Negro (ARTRN). 11o. Simposio
Argentino de Informática en el Estado (SIE) - JAIIO 46 (Córdoba, 2017), 90-100.
García Cebreiros, R. (01 de 07 de 2016). Análisis de bases de datos y tendencias tecnológicas. Un

caso de uso en Twitter para aplicaciones de análisis de sentimientos y opiniones. Alicante,
Alicante, España: Universidad de Alicante.
GENBETA. (28 de 01 de 2014). GENBETA: Dev. Obtenido de GENBETA: Dev:

https://www.genbeta.com/desarrollo/nosql-clasificacion-de-las-bases-de-datos-segun-el-
teorema-cap
76
González, R. (s.f. de s.f. de s.f.). BASE DE DATOS - SQL SERVER. Obtenido de Cliente Servidor:
https://perusql20005.blogspot.com/2010/01/cliente-servidor.html
Gracia del Busto, H., & Yanes Enríquez, O. (2012). Bases de datos NoSQL. Revista Telem@tica.
Vol. 11. No. 3, 21-33.
Hotek, M. (2009). Microsoft SQL Server 2008. Obtenido de Step by Step:

http://docshare02.docshare.tips/files/17067/170672242.pdf
Hueso, M., Ibeas, J., Revuelta, I., Santos, F., Soler, M. J., & Buades, J. M. (2019). Big data y ciencia
de los datos para una nefrología personalizada: ¿estamos preparados para una “nefrología
inteligente”? Sociedad Española de Nefrología. Servicios de edición de Elsevier España
S.L.U., 10.
Jones, H. (2019). Analítica de Datos. La guía definitiva de análisis de Big Data para empresas,
técnicas de minería de datos, recopilación de datos y conceptos de inteligencia empresarial.
México: Independently published.
Jones, H. (2019). Ciencia de los Datos. Lo que saben los mejores científicos de datos sobre el
análisis de datos, minería de datos, estadísticas, aprendizaje automático y Big Data que
usted desconoce. México: Amazon Mexico Services, Inc.
Meza Quiñones, E. E. (2018). Introducción a los Sistemas de Datos. Modelo Relacional. Diseño de
Bases de Datos Distribuidos. Modelo Orientado a Objeto. Aplicaciones Comerciales. Uso de
Modeladores de Portales Web. Aplicaciones Web de Sistemas Educativos. Para optar al
Título de Segunda Especialidad Profesional Especialidad: Informática Educativa. Lima, Perú,
Perú: FACULTAD DE CIENCIAS. Escuela Profesional de Matemática e Informática.
Microsoft SQL Server. (30 de 03 de 2017). Microsoft SQL Server Documentación. Obtenido de Roles
de servidor y base de datos en SQL Server: https://docs.microsoft.com/es-
es/dotnet/framework/data/adonet/sql/server-and-database-roles-in-sql-server
Microsoft SQL Server. (01 de 10 de 2019). SQL Server 2019. Obtenido de Nuevas capacidades de
SQL Server 2019: https://www.microsoft.com/es-es/sql-server/sql-server-2019-features
Microsoft SQL Server Engine. (26 de 07 de 2019). Microsoft. Obtenido de SQL SEver Engine:
https://docs.microsoft.com/en-us/sql/database-engine/install-windows/install-sql-server-
database-engine?view=sql-server-ver15
Microsoft SQL Server Seguridad. (30 de 03 de 2017). Microsoft Documentación SQL Server y
ADO.NET. Obtenido de Información general sobre la seguridad de SQL Server:
https://docs.microsoft.com/es-es/dotnet/framework/data/adonet/sql/overview-of-sql-server-
security
77
Mike, H. (2009). Microsfot SQL Server 2008. Obtenido de Step by Setp:

http://docshare02.docshare.tips/files/17067/170672242.pdf
MongoDB. (15 de 07 de 2020). MongoDB. Obtenido de The database for modern applications:
https://www.mongodb.com/es
Montalvo, G. (01 de 07 de 2019). Análisis Comparativo de Migración de Motor de BDD de SQL Server
a Oracle en una Empresa del Sector Automotríz. Trabajo previo a la obtención del título de
Ingeniero en Sistemas y Computación. Quito, Quito, Ecuador: Facultad Ingeniería Carrera
Sistemas y Computación. Pontificia Universidad Católica del Ecuador.
neo4j. (15 de 07 de 2020). neo4j. Obtenido de The Native Graph Database for Today’s Connected
Applications: https://neo4j.com/neo4j-graph-database/
Osorio Rivera, F. L. (2008). Bases de Datos Relacionales. Teoría y Práctica. Medellín Colombia:
Instituto Tecnológico Metropolitano.
Silberschatz, A., Korth, H. F., & Sudarshan, S. (2002). Fundamentos de Bases de Datos. Cuarta
Edición. MADRID, BUENOS AIRES, CARACAS, GUATEMALA, LISBOA, MÉXICO, entre
otras: McGraw Hill.
sitiobigdata.com. (17 de 12 de 2017). MongoDB Arquitectura y modelo de datos. Obtenido de Tipos

de Querys: https://sitiobigdata.com/2017/12/27/mongodb-arquitectura-y-modelo-de-datos/#
78
Capítulo 2
Big Data y su impacto en la sociedad
Carolina Sosa Hernández

[email protected]

[email protected]
2.1. Introducción
Desde el preludio de la civilización, el hombre creó e implementó procesos
que le permitieron el uso óptimo de los recursos a su alcance para garantizar la
satisfacción de sus necesidades y la prosperidad de los pueblos. De tal manera que,
en la época antigua surgieron grandes imperios, todos con una sólida organización,
visión de orden y un extraordinario talento para dirigir.
Ya en la edad media se observaba a las organizaciones formales como la

Iglesia Católica, consolidar los conceptos de disciplina, unidad de mando y
dirección, autoridad, jerarquía y responsabilidad; y a la Milicia aportar sus principios
estratégicos y de organización sí como el uso de palabras restringidas, entre las
que se encuentran: estrategia, tácticas, operaciones, reclutamiento y logística.
(Hernández, 2002).
La Revolución Industrial caracterizada por la aparición y difusión masiva de

la máquina de vapor junto con la introducción del carbón y del hierro facilitó el
crecimiento acelerado de varias industrias como la textil, con varias consecuencias
sociales.
79
Muchos y grandiosos inventos surgieron en los siglos XIX y XX dejando en

claro que el avance tecnológico, industrial, humanístico y de comunicaciones, es
una constante en el marco de la existencia humana. Como ejemplo de éstos
inventos en el ámbito de la computación se encuentran (Sánchez, 2005).
• 1621 Reglas del cálculo

• 1671 Multiplicadora –Gottfried Leibniz
• 1805 Las cintas perforadoras en los telares –Joseph Marie Jacquard
• 1847 La algebra de la lógica o booleana - George Boole
• 1944 MARK I –IBM y Howard Aiken
• 1946 ENIAC- Primer ordenador electrónico
• 2ª generación de computadoras (1955-1964) transistor IBM 7090 y 7094
• 3ª generación de computadoras (1965-1970) circuito integrado, IBM 360,
minicomputadore
• 4ª generación de computadoras (1971- adelante) microprocesador PC,
estación de trabajo
• 1960 Inicio de los Sistemas de información
• 1969 Internet
• 1973 Teléfono móvil
• 1976 Supercomputadora- Van Tassel /Cray
• 1977 Ordenador personal –IBM
• 1979 Disco compacto
• 1990 Word Wide Web –CERN
• 1993 Global position system GPS- EE.UU
• 2004 Web 2.0 modificación del uso y/o interacción web de estático-lectura
a dinámico lectura-escritura-modificación –O´reilly
• Internet de las cosas
• Computación en la nube
• Internet del Todo
• Big Data.
80
En este breve recorrido histórico, surge el Big Data sutilmente en el rico y

extenso conocimiento guardado y administrado por los imperios, el clero y la milicia;
en el despertar de la revolución industrial o en los inventos del siglo XX. De esa
información generada (datos), se tiene constancia en archivos, libros, informes,
revistas, historiales y con la aparición de la informática, ahora en un soporte digital
Una importante justificación para escribir sobre Big Data, es para los
estudiosos de los fenómenos sociales, el hecho de que existan más de 3,000
millones de personas conectadas a Internet y más de 7,000 millones de
suscripciones a telefonía celular en el mundo, les conduce a investigar la reciente y
monumental avalancha de información. Por ende, la tarea de las Ciencias Sociales
en lo que respecta a los grandes volúmenes de datos, es sin duda, entender qué
fenómenos sociales y qué dilemas éticos trae consigo y cómo su análisis puede
ayudar a entender, proyectar y resolver problemáticas sociales.
Si se realizara una encuesta donde se le preguntara a las personas que

entienden por Big Data, probablemente muchos no sabrían dar una respuesta, otros
tantos se atreverían a comentar que se trata de un término puramente técnico y solo
unos cuantos atinarían a decir que se trata de la cantidad masiva de datos derivada
de la creciente ola tecnológica que impacta directa o indirectamente nuestra manera
de vivir.
Como consecuencia de lo anterior, ha surgido un genuino interés por conocer

los resultados obtenidos de dicha labor, siendo el porqué de este trabajo de tipo
académico, estableciéndose los siguientes objetivos.
Objetivo general:
Identificar las características del Big Data desde una de las perspectivas
fundamentales de la humanidad: la social, a través de la recopilación de casos de
éxito y el estudio de la literatura actual cuyos autores compartan una opinión
imparcial.
Objetivos específicos:
• Definir el concepto de Big Data.

81
• Describir los elementos técnico prácticos del Big Data.

• Analizar el Big Data a la vida cotidiana mediante ejemplos reales de impacto
social.
• Analizar sus posibles riesgos y presentar algunas conclusiones.
Es el marco teórico se define el concepto de Big Data, mencionando de forma

general los diferentes tipos de bases de datos, así como las técnicas y tecnologías
utilizadas actualmente para procesar y analizar los macrodatos.
En el desarrollo. Se describen cinco casos en los que Big Data ha tenido una
injerencia positiva en la sociedad sin dejar de lado los riesgos que este cambio trae
consigo. Se presenta además la opinión y el aprendizaje personal del autor; así
como las ventajas, desventajas y problemática descubiertas sobre el objeto de la
investigación.

2.2.1. Era digital y Big Data
El volumen de la información ha crecido a un ritmo sin precedentes

haciéndose más compleja su administración, por lo que desde las grandes
corporaciones hasta el ciudadano promedio han tenido que avanzar al mismo ritmo
creando y utilizando métodos para su compresión.
De acuerdo con (Gartner, sf), define el Big Data como “un gran volumen,
velocidad o variedad de información que demanda formas costeables e innovadoras
de procesamiento de información que permitan ideas extendidas, toma de
decisiones y automatización del proceso”. Sus dimensiones pueden describirse de
la siguiente forma:
• Volumen: Se refieren a la cantidad de datos disponibles. Cada día, las empresas

registran un aumento significativo de sus datos, estos son creados por personas
(P&P), maquinas-personas (M&P) y máquinas-maquinas (M&M). A mediados
del año 2012, en una encuesta de la empresa IBM, se preguntó a expertos el
82
volumen de datos requerido para ser considerado Big Data, a lo que

respondieron que para ser considerada como tal la base de datos tiene que ser
superior a 1,114 terabytes.
Para darse una idea de ¿qué tan grande es, BIG?, 16 millones de fotografías de
Facebook pueden ser almacenadas en un terabyte; sin embargo, estas
apreciaciones varían.
• Variedad: Existen diversas formas de representar los datos, pudiendo ser datos
estructurados y no estructurados; estos últimos son los que se generan desde
páginas web, redes sociales, foros, archivos de búsquedas, correos electrónicos
o bien pueden originarse de sensores en diferentes actividades de las personas.
Por ejemplo, Si se toma una base de datos de Twitter, en un twit se ve que
además del texto hay ligas a una serie de recursos culturales diversos como
videos, audios o fotografías, los cuales la mayoría de las veces se encuentran
no estructurados.
• Velocidad: Se refiere a la velocidad con que se originan los datos, de las
diversas fuentes de datos estructurados y datos no estructurados como pueden
ser páginas Web, bases de datos, redes sociales, call centers, datos
geoespaciales, datos semiestructurados (XML, RSS) provenientes de audio y
video, los datos generados por los termómetros, el Internet de las cosas, las
RFID, entre otras, en suma con las interacciones del hombre.
Basta pensar en la cantidad de individuos que pasan por los controles de

seguridad en los aeropuertos del mundo, los registros de cámaras de vigilancia o
las transacciones bancarias para apreciar el continuo e implacable flujo de
generación de datos.
El volumen, variedad y velocidad son los atributos técnicos que pueden

ayudar a definir Big Data, en la actual literatura hay cierto consenso al respecto, sin
embargo, resultan insuficientes cuando existen otras propiedades necesarias para
entenderlo, como la veracidad, objetividad, representatividad y los dilemas éticos
asociados (Meneses, 2018).
83
2.2.2. Tecnologías Big Data
Entonces, ¿cómo procesar y analizar esos volúmenes de información? Para

ello, es necesario conocer la evolución de las bases de datos y comprender la forma
en la que se almacena y organiza la información.
Las bases de datos comenzaron a aparecer entre los años 1950 y 1960,
mayormente impulsadas por el incremento de dos factores tecnológicos: la
confiabilidad de los procesadores computacionales y la capacidad de
almacenamiento en cintas y unidades de disco. (Castro, González y Callejas, 2012).
En consecuencia, las bases de datos se convirtieron en un gran soporte para

organizar la información. Surgiendo varios modelos que se explican brevemente a
continuación.
2.2.2.1. Tipos de Base de datos

2.2.2.1.1. Jerárquicas
En este tipo de base de datos se organiza la información con una jerarquía
del tipo padre / hijo. Existe una serie de nodos que contendrán atributos y que se
relacionarán con nodos hijos de tal forma que puede existir más de un hijo para el
mismo padre, pero un hijo sólo tiene un padre.
Las entidades en este tipo de modelo se denominan segmentos y sus

atributos se llaman campos. Las estructuras jerárquicas fueron usadas ampliamente
en los primeros sistemas de gestión de datos de unidad central, como el Sistema
IMS por IBM. Su desventaja consiste en que pierden simplicidad a medida que el
"volumen de la información" va incrementándose.
2.2.2.1.2. En Red
Este tipo de base de datos organiza la información en registros y enlaces.

En los registros se almacenan los datos utilizando atributos. Los enlaces realizan
las relaciones entre los registros de la base de datos. Las bases de datos en red
84
son parecidas a las jerárquicas pero se diferencian en que en ellas puede haber
más de un padre.
En este modelo se pueden representar perfectamente relaciones de muchos

a muchos. Tienen la gran desventaja que son complejas y tienen gran dificultad de
manejo ocasionando que se estén abandonando completamente este tipo.
2.2.2.1.3. Relacionales
Se basan en el uso de tablas (relaciones). Las tablas se representan

gráficamente como una estructura rectangular formada por filas y columnas. Cada
columna (atributo) almacena información sobre una propiedad determinada de la
tabla. Cada fila (tupla) posee una ocurrencia o ejemplar de la instancia o relación
representada por la tabla.
Uno de los objetivos de toda base de datos es producir un conjunto de

respuestas a partir de una o varias solicitudes o consultas. En el caso del modelo
relacional las consultas se especifican utilizando el SQL (por sus siglas en inglés
Structured Query Language) o Lenguaje de Consulta Estructurado, un estándar que
permite al usuario expresarse en forma declarativa sin ninguna instrucción detallada
de programación. (Castro, González y Callejas, 2012).
En algunas ocasiones derivado de fallas en el diseño o a problemas

indetectables se pueden producir los siguientes problemas:
• Redundancia. Cuando existen datos que se repiten continua e

innecesariamente.
• Anomalías en operaciones de modificación de datos. Existe cuando al
insertar un solo elemento, se debe de repetir registros en una tabla en el que
varían unos pocos atributos, o que al eliminar un elemento suponga eliminar
varios registros.
2.2.2.1.4. Orientadas a objetos
85
Desde el surgimiento de la programación orientada a objetos, se consideró

en adaptar las bases de datos a estos lenguajes. Disponen de mayor expresividad
y son adecuadas para almacenar muchos tipos de datos diferentes. Capacidad de
manejar herencia entre tablas lo hace muy poderoso.Son las bases de datos de
tercera generación (la primera fue las bases de datos en red y la segunda las
relacionales). Su modelo conceptual se suele diseñar en UML.
2.2.2.1.5. Objeto Relacional
Toman lo mejor de dos de los modelos de bases de datos más usadas,

resultando en un híbrido entre el modelo relacional y el modelo orientado a objetos.
Se añade a las bases de datos de tipo objeto relacional la posibilidad de almacenar
procedimientos de usuario, disparadores, tipos definidos por el usuario con sus
propias propiedades y consultas recursivas.
2.2.2.1.6. Bases de datos No relacionales
A pesar de la importante contribución de las bases de datos relacionales al

ser una de las más utilizadas en el mundo para todo tipo de proyectos, el surgimiento
en los últimos años de una incontenible recopilación de datos no estructurados y
datos semi-estructurados que surgen de diversas fuentes como redes sociales,
blogs, Internet de las cosas, entre otros, surge la necesidad de un nuevo paradigma
o modelo para hacer frente a este nuevo tipo de datos.
Para satisfacer las actuales necesidades informáticas surgen las bases de

datos NoSQL. Es común pensar que el concepto NoSQL es la oposición directa al
de SQL, sin embargo, esa “afirmación” difiere del planteamiento original ya que
NoSQL se define como “No Solo SQL” termino que es usado para denominar a
todas las bases de datos que no siguen los principios las bases de datos
relacionales.
86
2.2.3. Herramientas para el Big Data
Big Data ha propiciado la aparición del Data Science o Ciencia de los Datos,
término que hace referencia al conjunto de tecnologías y técnicas necesarias para
el tratamiento de la información masiva desde los puntos de vista estadístico e
informático, resolviendo al tiempo el problema de almacenamiento de los datos.
Derivado de ello, un nuevo perfil ha surgido, el “Data Scientist” –Científico de

Datos. Las personas de este perfil, deben saber de herramientas computacionales,
análisis e interpretación estadística.
Por lo tanto, podemos decir que para una excelente gestión de los datos es
necesario contar con un experto en el campo y una adecuada infraestructura
tecnológica (hardware y software) basada, entre otros aspectos, en técnicas que
posibiliten un correcto almacenamiento y posterior análisis de los mismos. Lo
anterior da la pauta para hablar de las tecnologías que iniciaron el ecosistema Big
Data.
2.2.3.1. Hadoop.
Las tecnologías de Big Data se clasifican en las que dan soporte a la captura,
la transformación, el procesamiento y el análisis de los datos, ya sean estructurados,
semiestructurados o no estructurados.
Hadoop es una librería de Apache definida como un framework que permite

el procesamiento de grandes volúmenes de datos a través de clústeres de
computadoras que utilizan modelos de programación muy sencilla. Está diseñado
pensando en la escalabilidad; desde un par de servidores hasta cientos de
máquinas o nodos.
Cuenta con dos componentes principales, el primero es HDFS (Sistema de

Archivos Distribuidos Hadoop) que permite distribuir los archivos en distintos
equipos y tiene tres pilares principales: Namenode, Datanodes, Jobtracker. Sus
principales características son (Hernández, Duque y Moreno, 2017):
• Tolerancia a fallos
87
• Acceso a datos en streaming
• Facilidad para el trabajo
• Modelo sencillo de coherencia
• Portabilidad de convivencia.
El segundo componente de Hadoop es MapReduce. MapReduce es un

modelo de programación distribuida que permite el procesamiento masivo de datos
a gran escala de manera paralela, desarrollado como alternativa escalable y
tolerante a fallos. MapReduce divide el procesamiento en dos funciones: Map y
Reduce.
Función Map(). Funcion caracterizada por trabajar con grandes volúmenes

de datos. Estos datos son divididos en dos o más partes. Cada una de estas partes
contiene colecciones de registros o líneas de texto. La finalidad de la función es
calcular un conjunto de valores intermedios basados en el procesamiento de cada
registro, agruparlos de acuerdo a la clave intermedia y posteriormente enviarlos a
la función Reduce(), la cual se ejecuta para cada elemento de cada lista de valores
intermedios que recibe. El resultado final se obtiene mediante la recopilación e
interpretación de los resultados de todos los procesos que se ejecutaron.
Se puede decir entonces que MapReduce divide la informática en dos fases:
• De asignación, en la que los datos se dividen en bloques que se pueden

procesar por subprocesos independientes, incluso ejecutándose en
máquinas distintas;
• De reducción, que combina la salida de los asignadores múltiples en un

resultado final.
Ambas fases en el ecosistema de Hadoop se han clasificado de alto

rendimiento para el procesamiento de datos a gran escala demostrando la
reducción de tiempo comparado con los sistemas de escritorio tradicionales.
88
2.3. Desarrollo
2.3.1. Big Data: Un enfoque optimista
En la actualidad los datos son fuente de valor económico, social y político,

más si se trata de grandes volúmenes. Se les considera un bien público que
beneficia la transparencia y mejora la toma de decisiones.
Por ejemplo, se tiene registro de los proyectos que impulsa la Organización

de Naciones Unidas bajo el nombre Global Pulse, los cuales demuestran cómo el
análisis de grandes volúmenes de datos puede ayudar a frenar una epidemia como
el ébola al mapear el recorrido de los casos mediante teléfonos celulares, alertando
a los servicios de salud de los diversos continentes.
En tanto que la práctica científica ha sido ya modificada con el análisis de

cuantiosos datos en diversos campos disciplinarios como la física y la biología. En
estudios económicos es posible realizar proyecciones bursátiles y detectar tasas de
inflación en tiempo real rastreando los precios de millones de productos.
El periodismo inmerso en el colosal caudal de datos, ha dado paso al

periodismo de datos. Los Papeles de Panamá, que develaron una compleja red de
evasión de impuestos a escala global, son ejemplo del poder informático (Ascanio,
2016). Se analizaron 11.5 millones de archivos con más de un millón de imágenes,
más de dos millones de archivos en pdf, tres millones de bases de datos y cinco
millones de correos electrónicos en la más voluminosa filtración de la historia del
periodismo.
En lo que a redes sociales se refiere, la energía social en Twitter por ejemplo,

se ha analizado con el objeto de comprender fenómenos sociopolíticos (Meneses,
2018). Facebook, que reúne diariamente grandes cantidades de datos de sus
usuarios (intereses, lugares a donde van, redes de amigos, horarios de conexión,
instituciones a las que pertenecen y mucho más), crea perfiles que le permiten
ubicar las publicidades de una manera selectiva: pañales para las madres de niños
pequeños, whisky para los amantes de las bebidas, viajes a México para quienes
visitaron la página de una agencia de viajes, entre otros.
89
Figura 1. Facebook y Twitter, los titanes de las redes sociales.

Fuente: (Agudo, 2014)
Por la razón anterior, puede ser considerada como una empresa de

publicidad con sondeos y encuestas permanentes que le permiten elaborar
mensajes individualizados. Siendo aún mejor si se considera que son los mismos
clientes quienes producen los contenidos que mantendrán interesados a otros
clientes y tomando en cuenta que no hay una persona decidiendo a quién ofrecerle
pañales o whisky, sino que esa tarea la hará un algoritmo, es decir, un programa
que al ser alimentado con Big Data «aprenderá» qué ofrecer a cada quien según
sus intereses.
Estos algoritmos, además, son capaces de aprender por prueba y error para
mejorar su participación, si a mujeres de cierta localidad, edad, nivel cultural, entre
otros, les interesó tal producto, probablemente a otras con el mismo perfil también
les interese.
El especialista Martin Hilbert resume el fenómeno de la siguiente manera: el

acceso a Big Data convirtió a las ciencias sociales, de las que siempre se burlaron,
en las ciencias más ricas en datos. Nosotros nunca tuvimos datos, y por eso nunca
funcionaban las políticas públicas. Y de la noche a la mañana, 95% de los sujetos
que estudiamos pasó a tener un sensor de sí mismo 24 horas al día (Hildbert, 2017).
Los biólogos siempre dijeron “eso no es ciencia, no tienen datos. Pero ellos
no saben dónde están las ballenas en el mar. Hoy, nosotros sí sabemos dónde
están las personas y también sabemos qué compran, qué comen, cuándo duermen,
cuáles son sus amigos, sus ideas políticas, su vida social” (Hildbert, 2017). A través
del Big Data, se pueden prever comportamientos y aprender de las experiencias
anteriores.
90
La información viene y va en todas direcciones y con ello surgen nuevas

formas de procesarla y, a partir de ahí, se obtiene un conocimiento ampliamente
detallado de la población, desde los estados de ánimo hasta los consumos, pasando
por los hábitos para moverse o quiénes son sus amigos. Quien accede a esa
información y tiene la capacidad de procesarla posee una poderosa herramienta
para influir sobre la población. (Magnani, 2017).
Los grandes datos tienen la ventaja de que las ciencias computacionales

pueden capturar huellas, movimientos, opiniones y prácticas culturales de millones
de personas, lo cual es imposible para el etnógrafo tradicional y para los estudios
de la sociología. Se trata de una acumulación gigantesca de huellas e
imaginaciones contenidas en el hardware y software que pueden develar hechos y
situaciones únicas (Meneses, 2018).
Por todo lo anterior y bajo un enfoque optimista, se expone a detalle cinco

casos de éxito que hacen referencia a lo expresado anteriormente.
2.3.2. Primer caso. El séptimo arte
Es difícil prever hasta dónde pueden llegar las operaciones Big Data. Uno de
los ejemplos más llamativos es su introducción en el cine, en específico la película
Amanecer parte 2. La película es un ejemplo de cómo interpretar los sentimientos a
través del análisis de datos, analizando los tuits generados en la promoción de la
película. La campaña de marketing fue a nivel mundial y estaba basada en las redes
sociales. Los movimientos en Twitter se analizaron con social sentiment index de
IBM.
Mediante la herramienta de IBM se pueden prever los comportamientos del

mercado utilizando un análisis con grandes cantidades de datos aportados por las
redes sociales. En el caso de la película Amanecer parte 2, se analizaron los tuits
publicados once días antes de su estreno en los Estados Unidos y los compararon
con los tuits de las películas competidoras en ese momento, para determinar los
sentimientos que cada una de ellas generaba y de esta manera predecir el
comportamiento en taquilla.
91
El estudio arrojo como resultado que el sentimiento positivo de un 90%

generado en el pre lanzamiento, pasó a un 75% el día del estreno, Además el
estudio que el cambio no fue por las críticas negativas, sino por los lamentos por
finalizar la saga. (Ferrer-Sapena y Sánchez-Pérez, 2013).
Figura 2. Big Data y su influencia en el cine

Fuente: (merkactiva, 2017)
2.3.3. Segundo caso. ¿Saldrás de viaje?, los DTI son la mejor opción.
Por mucho tiempo se ha imaginado un espacio en el que la tecnología y la

sociedad se integren de manera armónica. En la actualidad es frecuente encontrar
a viajeros cada vez más exigentes. Buscan nuevas emociones y mayor número de
viajes. Por tales motivos en España surgió un proyecto que fue recogido
oficialmente en el Plan Nacional e Integral de Turismo, aprobado por el Consejo de
Ministros en el mes de junio de 2012. El reto, transformar los destinos turísticos en
Destinos Turísticos Inteligentes (DTI).
Para la Sociedad Mercantil Estatal para la Gestión de la Innovación y las

Tecnologías Turísticas, S.A.M.P., SEGITTUR (2014) un Destino Turístico
Inteligente es “un espacio turístico innovador, accesible a todos, consolidado sobre
una infraestructura tecnológica de vanguardia que garantiza el desarrollo sostenible
del territorio, facilita la interacción e integración del visitante con el entorno, e
92
incrementa la calidad de su experiencia en el destino y la calidad de vida de los

residentes”.
Figura 3. DTI, una nueva forma de viajar.

Fuente: (Aenor, sf)
Consecuentemente, todas las acciones en torno al proyecto son enfocadas

al desarrollo sostenible de sus tres vertientes principales medio ambiental,
económica y socio-cultural.
El proyecto tiene como antecedente a la “Ciudad Inteligente” CI. Considerada

como una zona de límites geográficos y político administrativos totalmente definidos,
la cual otorga primacía a las tecnologías de información y comunicaciones (TIC),
con el objetivo diseñar una ciudad dotada de tecnología innovadora, que facilite el
desarrollo urbano sostenible y mejore la calidad de vida de los ciudadanos.
En el caso de los DTI el territorio es el eje central en torno al cual se

estructuran sus dos pilares básicos: las Nuevas Tecnologías de la Información y de
la Comunicación (NTIC) que dotan al espacio de inteligencia permitiéndole proveer
entre muchas otras cosas sistemas de movilidad al visitante, permitiéndole tener
auténticas experiencias; y el desarrollo turístico sostenible y accesible que busca
satisfacer las necesidades presentes de los residentes y turistas y mejorar las
93
futuras administrando los recursos económicos, sociales y estéticos, respetando la

integridad cultural, los procesos ecológicos esenciales, la diversidad biológica y los
sistemas de apoyo a la vida. En este punto es válido acentuar las diferencias entre
una CI y un DTI (de Ávila y Sánchez, 2015).
• El Destino Turístico Inteligente es impulsado por el sector turístico público y

privado.
• El público objetivo es el turista, no el ciudadano;
• Los límites geográficos pueden coincidir con los de un municipio o no
(ejemplos: Costa del Sol, Camino de Santiago, entre otros.)
• La interacción va más allá de la propia estancia en la ciudad. En los DTI
comienza antes de que el visitante llegue al destino, continúa durante su
estancia y se prolonga hasta después de su marcha.
• Los DTI están ligados al aumento de competitividad del mismo y a la mejora
de la experiencia del turista. Las ciudades inteligentes están orientadas a
mejorar la gobernabilidad de la misma y a incrementar la calidad de vida de
los ciudadanos.
2.3.3.1. El alma del sistema: la Información («Big Data»)
Es innegable que el incremento de la comunicación digital, móvil y entre los

objetos a través de sensores, la interacción del visitante con el destino a través de
las redes sociales y mediante el uso intensivo de las tecnologías, genera un
volumen de datos que es captado en tiempo real. Estos macrodatos son
almacenados, analizados y gestionados para su óptimo aprovechamiento por las
tecnologías Big Data. Algunos ejemplos de la implementación y puesta en marcha
de las tecnologías son:
• La nueva versión del portal oficial de España (2013), Spain.info, se ha

diseñado para tener un mejor posicionamiento semántico, incluir la oferta
94
privada y obtener amplia información sobre qué buscan los turistas y cómo
piensan los potenciales turistas.
• Sistema de sensores. Necesario para captar de manera anónima la

información sobre el comportamiento del turista para la futura toma de
decisiones.
• App móviles. En lo relativo a las aplicaciones móviles, SEGITTUR ha

desarrollado una plataforma de generación de aplicaciones para dispositivos
móviles denominada «Spain in Apps». Ya ha lanzado una serie de 10 apps
para monitorear de igual manera el comportamiento de los turistas.
• Escucha activa. El uso de redes como Twitter, Facebook, Instagram entre

otros se está empleando para saber lo que los turistas dicen de los destinos
turísticos inteligentes. Información valiosa para toda mejora.
En resumen, el conocimiento de lo que piensa y quiere el turista permite tomar

medidas para corregir lo malo y potenciar lo bueno. Por lo que se puede decir,
potencializar el turismo en cualquier país es una acertada decisión que trae consigo
un cúmulo de beneficios para los gobiernos, los residentes y sobre todo para las
personas que por placer recorren un lugar.
2.3.4. Tercer caso. Un nuevo perfil: El periodista de Datos
El Open Data y el Big Data, así como las redes sociales, transformaron el
trabajo en los medios de comunicación en un mundo informativamente globalizado.
Esta transformación permitió el surgimiento de nuevos perfiles que pluralizan las
expectativas laborales y exploran nuevas fórmulas para contar historias. Es el caso
del periodista de datos.
El periodista de datos, en términos generales es una persona capaz de tratar

y analizar grandes bases de datos para generar historias útiles para los ciudadanos.
El internet y las nuevas herramientas informáticas maximizan la cantidad de fuentes
de información. El colosal volumen de datos (Big Data) almacenados y disponibles
95
en la red se convierten en su materia prima, dónde busca, selecciona, procesa,

analiza y compara para finalmente hacer una publicación.
En una sociedad en la que aumenta la información y la necesidad de

transparencia, es propio del periodista utilizar y explicar los datos. Al mismo tiempo,
el componente informático es parte esencial de la producción de noticias. Este
nuevo esquema de trabajo lleva al periodista de los datos a considerar lo siguiente
cada vez que desee emprender una tarea:
• Recopilación de datos e información. Aunque parezca evidente no hay que

olvidar que un texto de calidad debe aportar datos. Para ello se pueden
emplear técnicas de scraping para obtener información de sitios web.
• Limpieza y limpiado de la información. Se puede utilizar Google Refine, que
permite elaborar porcentajes o patrones.
• Contextualización y combinación. Implica la búsqueda de antecedentes y la
información contextual.
• Sería el caso de la combinación de datos con diferentes formatos de
geolocalización.
• Comunicación (Visualización de datos-Infografía). Con la irrupción del Big
Data y Open Data se ha logrado que los gráficos se basen en grandes
cantidades de datos ofreciendo información de calidad de forma atractiva e
interactiva.
• Esto se puede hacer con todo tipo de herramientas y aplicaciones (Tableau,
CartoDB, Google Fusion, Many Eyes, etc.).
En resumen, el volumen, variabilidad y velocidad de los datos afecta

directamente la tarea de los gobiernos, las empresas y a los investigadores y ratifica
la importancia de la recopilación, análisis y representación de la información,
técnicas de cálculo y cuantificación, un contexto que facilite la comprensión y sobre
todo un profesional que sea el enlace entre medios de comunicación, tecnología y
sociedad.
96
En el ámbito del periodismo de datos figuran personajes como Adrián

Holovaty, con su proyecto Chicago Crime, donde se extrae la importancia del uso
de base de datos, así como su aplicación a la visualización de información para
mejorar el acceso a la información periodística. García y Catalina (2018) recopilan
los siguientes casos:
• Un equipo de periodistas del diario argentino La Nación, genero una base de

datos sobre los subsidios a colectivos y compañías desde el año 2006. El
trabajo consistió en la disposición pública de datos, la sistematización del
tratamiento de la información, y la proyección con estadísticas oficiales,
dando como resultado un trabajo de interés periodístico.
• En el caso de la publicación brasileña Gazeta do Povo, através de la
aplicación “Retratos Paraná”, se hizo posible el acceso a estadísticas de las
ciudades del Estado, donde se difundió información sobre el desarrollo del
Estado a partir de indicadores sobre la sociedad, la economía, la política, el
medio ambiente, la educación y cultura.
• En otro caso, el Texas Tribune, puso a disposición del público el salario de
los empleados públicos del Estado, permitiendo consultar, a partir del
nombre, la agencia empleadora o la función.
• Mientras que el Chicago Tribune, publicó el reporte titulado “Illinois School
Report Cards”, que analizaba las escuelas públicas en Illinois, con un claro
componente visual que permite conocer cada uno de los centros.
• El Programa de Periodismo de Investigación de la Universidad de Berkeley-
California, la revista Mother Jones desarrollaron la propuesta “Terrorists for
the FBI”, que intentaba profundizar el papel del FBI en las redes sociales,
donde se pudieron encontrar patrones de comportamiento.
En años más recientes, Stone (2014), realizó una extraordinaria recopilación e

aplicación del Big data en los medios y junto a los diferentes formatos de
visualización, se empleó para diferentes escenarios:
97
• Segmentación de la audiencia. La personalización de los contenidos

periodísticos, así como de los anuncios de acuerdo a los intereses de los
lectores.
• Análisis de comentarios, análisis de la calidad de los productos y servicios,
así como análisis de los intereses de la audiencia en base al comportamiento
de navegación del usuario con la finalidad de mejorar el trabajo de los
periodistas.
• Seguimiento de noticias en tiempo real. Mediante técnicas de minería de
datos, y tomando en consideración los tuits, se puede generar un sistema de
alerta temprana de noticias. Con el uso de algoritmos especializados se
identifican, clasifican y alertan a los clientes de información clave en tiempo
real. (García y Catalina, 2018).
Figura 4. Herramientas del Periodista de datos

Fuente: (IIPJM, 2016)
2.3.5. Cuarto caso. Una campaña política exitosa: Barack Obama
Vender un producto o idea implica encontrar la forma de darlo a conocer. El

saber el cómo, dónde, cuándo y a quien comunicárselo es todo un arte que
comúnmente se conoce como Mercadotecnia (Marketing) en donde se definen las
98
estrategias y procesos adecuados para lograr dicho objetivo. (Castro Martínez,

2012)
En lo que respecta a las campañas políticas todos los esfuerzos y estrategias

de mercadeo están enfocados en las personas que aspiran a un cargo público. Se
busca darlos a conocer y comunicar a los votantes una imagen de ellos. El objetivo,
convencer al mayor número de personas para que otorguen su voto al candidato
promocionado y con ello asegurar su nominación y elección.
Para tener mayores probabilidades de éxito en este tipo de campañas, se

debe tomar en consideración las siguientes variables:
• Posicionamiento. Se busca dar una imagen propia y autentica al candidato

para que se diferencie del resto.
• Segmentación del electorado. Una vez realizado el primer sondeo, se

obtiene información valiosa acerca de los votantes. A partir de ello, se
procede a la segmentación y la selección del “público objetivo” hacia el cual
van dirigidas todas las estrategias del marketing.
• Selección de medios. Es de suma importancia conocer los medios que son

más frecuentados por el público objetivo para poder llegar a ellos.
• Mensaje. Debe ser claro y conciso.
• El candidato. El candidato es el “producto que se desea vender”, por lo tanto

se debe estudiar detenidamente la imagen que se desea proyectar y empezar
a construirla cuidadosamente. Dentro de estos aspectos, es importante su
vestimenta, manera de hablar, lenguaje corporal, su pasado, entre otros. La
más mínima falla puede provocar un impacto negativo que podría ser causa
de fracaso (Ancin, 2018).
En la actualidad, las ventas y la publicidad tienen su auge a través de la

“mobile communication” (comunicación móvil). Cada año la inversión en publicidad
y medios de comunicación aumenta. La información generada a partir del uso de
99
los medios representa una ganancia o pérdida de adeptos según el criterio con el
que sea juzgada la aparición.
Cumpliendo con la máxima “si no sales en los medios, no existes”, los
candidatos hacen lo necesario para aparecer el mayor número de veces. Para ello,
es inminente la necesidad de recursos por lo que una estrategia innovadora es la
clave para hacerse de adeptos y por lo tanto de “donaciones”.
En el 2008 Estados Unidos eligió a su primer presidente afroamericano, el

demócrata Barack Obama quien es sin duda, el mejor ejemplo quizá a nivel
internacional de lo que el marketing, la Internet, el correo electrónico, los celulares,
los blogs, entre otros, pueden hacer para lograr la empatía con la sociedad y lograr
adeptos, concibiendo una nueva forma de hacer política.
Figura 5. Barack Hussein Obama II.

Fuente (Instagram, 2018)
Barack Hussein Obama II, es hijo de madre estadunidense y padre keniano,

miembro del partido demócrata, fue senador por Illinois en 2004, convirtiéndose así
en el quinto afroamericano en la historia de Estados Unidos en ocupar esta posición.
Obama, se convirtió en candidato a la presidencia el 3 de junio de 2008 al vencer a
la también senadora Hillary Diane Rodham Clinton.
Obama se supo “vender” como el candidato del cambio y como un icono de

esperanza y progreso para la nación norteamericana. Supo reconocer la diversidad
de los votantes y atendió estos rasgos como propios de la población afroamericana
e hispana, no por sus orígenes sino por su condición de ciudadanos y fue así como
100
se abanderó con el principio de igualdad logrando finalmente el apoyo más notable

por parte de este sector (Castro, 2012).
La estrategia de Obama a través de Internet se centró en sus sitios

https://barackobama.com/, perfiles de Facebook, Twitter, MySpace, YouTube,
Wikipedia, entre otros.
Figura 6. MySpace: MyBarackObama.com.

Fuente: (My Space, 2018)
Chris Hughes 25 años, cofundador de Facebook, se convirtió en director de

organización interna y uno de los jugadores clave detrás de MyBO (my.barack
obama.com). David Plouffe asesor de campañas electorales del Partido Demócrata
de los Estados Unidos, mencionó que “La tecnología siempre se ha utilizado como
una red para capturar personas en una campaña por una causa, pero no para
organizarla” (Hughes y otros, 2010).
Un ejemplo de la eficacia de MyBO fue el programa vecino a vecino, este fue
lanzado en Septiembre de 2008 y permitió a usuarios registrados, ver una lista de
votantes indecisos, los cuales era necesario ser llamados o visitarlos de puerta en
puerta. Los voluntarios fueron emparejados con ellos de acuerdo a ciertas
características o perfiles como profesión, edad, idioma, entre otros. Los voluntarios
contaban con acceso a un script personalizado e interfaces fáciles para informar los
resultados de sus esfuerzos a la campaña. Los voluntarios usaron la herramienta
101
para hacer 8 millones de llamadas en lugar de ir de puerta en puerta para registrar

a los nuevos votantes (Hughes y otros, 2010).
Otra emotiva estrategia fue la “Cena con Barack”. Comúnmente, las cenas
de recaudación de fondos permiten a los donantes de cantidades altas comprar el
acceso. Pero la campaña de Obama hizo lo contrario, seleccionó a cuatro donantes
de cualquier cantidad que habían compartido sus historias para encontrarse con
Obama en un entorno de cena y discutir sus problemas. Los eventos fueron
transmitidos en YouTube y los sitios web de la campaña. Fueron las poderosas
historias de la gente común las que lograron la cuantiosa recaudación.
Stephen Geer se unió lanzando el programa de correo electrónico en mayo

del 2007. El equipo de correo electrónico tenía tres objetivos: mensaje, movilización
y dinero. En términos de movilización, su palabra triple mantra era: respetar,
empoderar e incluir. El equipo de correo electrónico trabajó para identificar y
aprovechar los seguidores existentes que se habían registrado en MyBO y
organizaron eventos y fiestas. Adicionalmente la campaña desarrolló más de 7,000
correos electrónicos personalizados adaptados a cada persona objetivo (Hughes y
otros, 2010).
También se lanzó el servicio de mensajes cortos (SMS) de texto de la

campaña en mayo de 2007. El programa de mensajes de texto comenzó con un
servicio básico de SMS, que permitía a los usuarios de teléfonos móviles enviarse
mensajes cortos de texto. Con el tiempo, el programa de mensajes de texto
desarrolló tonos de llamada y fondos de pantalla, así como aplicaciones de iPhone
y video. Los partidarios enviaban un mensaje de texto con la palabra "HOPE" para
suscribirse a los mensajes de texto de la campaña. En general, la campaña envió
entre 5 y 20 mensajes de texto dirigidos por mes (Hughes y otros, 2010).
Se planeó una manifestación en Nueva York siguiendo el éxito de una en

Texas durante el primer mes de la campaña. Voluntarios ayudaron a organizar la
reunión. El equipo envió correos electrónicos a los seguidores de todo el país.
"Queríamos que todos se hicieran cargo del mitin y se sintieran responsables por
su éxito ", dijo Rospars.
102
Durante los cuatro días previos a la elección, el equipo trabajó en varias

cosas para apoyar a la campaña, Por ejemplo, si un partidario había dado un código
postal u otra información, y visitó los sitios web justo antes la elección, las páginas
principales enumeraban una línea de eventos cerca de ellos. También podían
“adivinar” dónde vivió en función de su dirección IP, y de esta forma mostrarle un
evento cercano a su ubicación. Otras acciones como asegurarse de que los
votantes conocieran la ubicación de sus centros de votación era prioridad.
Cualquiera que haya dado una dirección de correo electrónico recibió un
recordatorio para votar junto con el sondeo de dirección y horario (Hughes y otros,
2010).
Además, en estados de batalla, el sitio web haría una lista de cinco personas
que tenían el mismo lugar de votación y alentó al partidario para llamar o tocar sus
puertas y "llevarlos consigo... Eso fue parte de nuestra estrategia de nunca dejar
que la gente se sienta como si no hubiera algo más que ellos podrían hacer para
ayudar ", dijo Rospars. El día de las elecciones, Twitter se utilizó para publicar
números gratuitos y cadenas de mensajes de texto para encontrar lugares de
votación, así como oportunidades de voluntariado. Después, Obama ganó, el millón
de personas que habían estado recibiendo actualizaciones de texto y anuncios
recibieron un mensaje final: "Todo esto sucedió por ti. Gracias, Barack".
En otras de las acciones que causaron gran impacto se encuentra el video

convertido en himno “Yes we can”, canción compuesta por el rapero Will.I.Am de los
Black Eyed Peas. Además de ello, se hizo partícipes a otros cantantes, actores,
políticos, activistas e influencers, por citar sólo algunos: Leonardo Di Caprio,
Jennifer Aniston, Eva Longoria, Pearl Jam, Bruce Springsteen, la familia Kennedy,
Oprah Winfrey, el ex presidente Jimmy Carter, entre otros, que le redituaron en la
legitimación de su campaña y su proyecto.
La campaña fue dinámica (Castro, 2012), elaborada de tal forma que se adaptara
a los momentos cambiantes de la elección entre las que se destacan un conjunto
de acciones que se listan a continuación:
• 750 millones de dólares recaudados en poco menos de dos años.
103
• Recopilaron 13 millones de correos electrónicos de personas interesadas en

recibir información directamente del equipo Obama.
• 4 millones de personas se inscribieron para recibir mensajes SMS de la

campaña.
• 2 millones de personas crearon su propia web a través de la plataforma de

participación on-line MyBarackObama.com,
• 5 millones de “amigos” en otras páginas de redes sociales en la web (por

ejemplo, Facebook, MySpace, entre otros.).
La comunicación a través del correo electrónico permitió a Barack Obama

informar a sus seguidores de sus actividades, debates, cruzadas para recaudar
fondos, sobre todo porque el marketing por e-mail tiene múltiples ventajas: el costo
es bajo, es instantáneo, interactivo y se abarca a un gran número de contactos.
Facebook y Twitter le permitieron compartir más, interactuar con los cibernautas
además de enviar información siempre novedosa y actualizada.
Es importante mencionar y no dejar fuera del radar que más allá de la

estrategia en medios, la campaña que diseñaron para el demócrata Barack Obama
no fue únicamente un fondo político o social, sino que retomaron la crisis económica,
la guerra, la desigualdad, el racismo, la migración, la seguridad social y el papel de
la mujer. En este punto, Michelle Obama con su feminidad y fortaleza fue una pieza
clave. Su presencia fue concebida como el cúmulo de valores familiares y de pareja,
dio el empuje a su esposo, no al caminar detrás, sino al lado (Castro, 2012).
La unificación del candidato y su mensaje; una estrategia simple y

disciplinada, la integración de las nuevas tecnologías al proyecto político, la
participación masiva del segmento joven de la sociedad y la personalidad del
candidato dieron la presidencia de los Estados Unidos de Norteamérica a Barack
Obama en 2008.
104
Figura 7. Triunfo político de Barack Obama- 2008.

Fuente: (El universal, 2012)
Obama, no fue el primero en utilizar la tecnología, pero sí fue el primero en

utilizarla como tela de fondo de su campaña. Supo recopilar, procesar, canalizar y
aprovechar toda la información generada, impulsando una nueva generación de
activistas tecnológicos y una nueva forma de hacer campaña. De esta forma Obama
se convierte en un revolucionario en el uso de las nuevas tecnologías aplicadas a
la política. El marketing político nunca volverá a ser igual; tal vez ahora el uso de la
tecnología móvil se convierta en una obligación más que en una necesidad cuando
de electores se trata (Castro, 2012), (Aaker y Chang, 2010).
2.3.6. Quinto caso. BBVA Bancomer y SECTUR
El fenómeno del Big Data ha llamado la atención de las más prestigiadas

marcas en todas las esferas de la sociedad. Tal es el caso del corporativo bancario
BBVA Bancomer quien desarrollo en el año 2016 “Big Data y Turismo” en
colaboración con la Secretaría de Turismo de México (SECTUR). El objetivo de
este convenio es compartir la información sobre el comportamiento comercial
durante un año de los turistas nacionales y extranjeros, en 12 análisis estadísticos,
105
que comprenden los 111 Pueblos Mágicos y los principales corredores turísticos
(BBVA, 2016).
Una de las tareas de la tecnología es hacer que convenios como “Big Data
y Turismo” permitan a las dependencias públicas tener información que les sea útil
para generar propuestas de valor integral, ofertas acordes con las necesidades de
los turistas nacionales y extranjeros, e impulsar el crecimiento de esta actividad
relevante en el país. El proyecto “Big Data y Turismo” permitió conocer el
comportamiento comercial de 86 millones de usuarios de tarjetas bancarias
nacionales y extranjeras.
En un año se registraron 1,5 mil millones de transacciones, a través de los

medios de pago de BBVA de clientes y no clientes de la institución, con un monto
de 813 mil millones de pesos. Con el proyecto “Big Data y Turismo” se identificaron
cuáles son las compras habituales por el mercado local y las que se hacen como
visitante, a partir de una innovadora definición de entorno habitual de los usuarios
de tarjeta.
Con el estudio realizado a través de la colaboración de BBVA Data&Analytics

y SECTUR para extraer y analizar grandes cantidades de datos con el objetivo de
describir la actividad de un territorio permitió conocer, por ejemplo, que en Cozumel
el gasto principal realizado por mexicanos se realizó en restaurantes y viajes.
Algunos otros datos que arrojo el análisis incluyen:
• Los turistas nacionales realizan el pago con tarjeta, principalmente

para viajes o excursiones, mientras que los turistas internacionales
principalmente en actividades de entretenimiento.
• En la mayoría de los Pueblos Mágicos analizados, los turistas
realizaron el pago con tarjeta en restaurantes, alimentos,
entretenimiento y viajes.
• En cuanto al origen de los turistas internacionales resalto que el mayor
porcentaje de gasto es realizado por turistas estadounidenses,
mientras que Argentina ocupa el segundo lugar
106
Además de profundizar en los patrones del gasto de los turistas nacionales

y extranjeros, el análisis identifica las zonas y servicios de interés para los visitantes,
siempre en completo apego a las normas de confidencialidad del sector financiero
(BBVA, 2016).
Figura 8. Big Data y Turismo.

Fuente: (BBVA, 2016)
2.3.7. Riesgos del Big Data
A pesar de la creciente popularidad y aceptación de Big Data es necesario

mantener una postura abierta y analizar la contraparte de este fenómeno. Para tal
efecto, se analizan tres de los riesgos más significativos que lo rodean.
107
2.3.7.1. Privacidad de las personas

Para el derecho, los macrodatos representan una tarea por demás importante
ya que deben ser objeto de protección mediante regulaciones ex profeso al
relacionarse con el derecho fundamental a la privacidad.
Figura 9. Big Data y el derecho fundamental a la privacidad.

Fuente: (OH Strategy, 2017)
Big Data permiten tratar cantidades masivas de datos provenientes de

fuentes dispares, con el objetivo de poder otorgarles una utilidad. Sin embargo,
también va acompañada de riesgos. Quizás uno de los más relevantes sea que este
análisis masivo de datos descansa sobre la privacidad de las personas.
Los algoritmos con que se indagan los datos no siempre son neutrales. En
2016, Pro Publica, el medio de investigación periodística estadounidense, analizó
los algoritmos utilizados por el sistema judicial para predecir los casos de
reincidencia delictiva. Encontró que los algoritmos habían sido creados con una
tendencia racista.
La recolección de datos que realizan empresas como Google, Facebook,

Amazon, Apple, así como las compañías de telecomunicaciones, no se llevan a
cabo mediante contratos transparentes sobre su utilización y protección. Esta
situación se observa cuando los usuarios aceptan contratos de uso sin leer las
condiciones que esto implica.
Las redes sociales son empresas que almacenan datos. Facebook,

por ejemplo, reduce las expresiones a sus siete iconos; Twitter, por su lado, permite
frases de hasta 140 caracteres, por lo que se puede decir que son decisiones
preestablecidas para cuantificar la sociabilidad. Así mismo, estas empresas no
108
comparten con los gobiernos toda la información que guardan por su supuesto
compromiso con la libertad de expresión, y mucho menos con la comunidad
científica (Meneses, 2018). Evidencias como éstas ponen en claro que no se puede
aceptar a ojos cerrados y sin cuestionamientos la propuesta de que los grandes
datos nos acercan a un universo donde el comportamiento humano pueda construir
una “mejor sociedad”.
Figura 10. Big Data y el derecho fundamental a la privacidad.

Fuente: (Gil, 2016)
Otro ejemplo de la falta de parámetros éticos lo ofrece el reciente caso

protagonizado por Facebook y la Universidad de Cornell, quienes manipularon el
algoritmo de la red social para observar las reacciones psicológicas de los usuarios
ante informaciones negativas. Los resultados revelaron que las expresiones de
otros influyen en nuestras emociones. Para obtener esta evidencia Facebook
introdujo en el perfil de 700,000 personas determinados contenidos, lo que causó
una gran controversia (Meneses, 2018).
Para analizar Facebook, Instagram, YouTube o Twitter, se debe partir

reconociendo no sólo el impacto social de dichas redes, sino también los limitantes
109
para expresar el sentir de los usuarios al postear y compartir una información; así
como los atributos de tipo geopolítico, económico y cultural (Meneses, 2018).
Además del riesgo de atentar contra la privacidad de las personas, Big Data trae
consigo otros de igual importancia que merecen ser puestos sobre la mesa.
2.3.7.2. Conclusiones erróneas que nadie revisa: errores por azar y por
confusión
Uno de los propósitos principales del Big Data es descubrir patrones para
realizar predicciones futuras. Para ello, es importante encontrar una verdadera
relación entre las variables analizadas diferenciando entre la causalidad (causa-
efecto) y la casualidad (azar o confusión).
En la estadística, la correlación es el grado de relación que existe entre dos

variables, es decir, se dice que dos variables están correlacionadas cuando el
aumento o disminución de una provoca un cambio en la otra. Cuando dos variables
se correlacionan, es posible que también presenten una relación de causalidad, de
igual forma existe correlaciones donde no hay causalidad sino casualidad. Por lo
que habrá que estudiar si existe un patrón verdadero entre ambas variables o si por
el contrario se trata de una mera coincidencia. Las correlaciones por casualidad son
falsas y se les conoce como espuria. Las hay de dos tipos: error por azar y error por
confusión. Se Analizan cada una de ellas para tener una visión más amplia del por
qué es importante tenerlo en consideración al relacionarlo con Big Data (Gil, 2016).
En primer lugar, indagar en el error por azar. El estadístico Stanley Young

ha denominado «la tragedia de los grandes conjuntos de datos» a lo siguiente: entre
más variables se estudian en un gran conjunto de datos, más probabilidades habrá
de encontrar relaciones falsas sin ningún significado real, aunque ambas presenten
una fuerte relación estadística. Esto implica que, de interpretarse de forma errónea,
el analista puede terminar siendo engañado por los datos.
Se toma como ejemplo el caso de Ricardo Galli, doctor en informática y

activista del software libre, que llevó a cabo un experimento donde se tienen los
110
siguientes datos de evolución de cinco variables económicas de los últimos años,

(Figura 11) donde se puede ver claramente que esta pequeña cantidad de datos no
muestra ninguna correlación entre variables (Gil, 2016).
Figura 11. Experimento de Ricardo Galli- variables 1 a la 5.

Fuente: (Gil, 2016)
Pero ahora se supone que, en lugar de cinco variables, se puede analizar mil
variables (algo similar a lo que ocurriría con el Big Data). El gráfico sería algo similar
a lo mostrado en la figura 12.
Figura 12. Experimento de Ricardo Galli- con 1,000 variables.

Fuente: (Gil, 2016)
111
Se debe imaginar las consecuencias que una mala interpretación de

variables económicas puede tener en la toma de decisiones de un país. Así pues,
entre más variables analicemos estamos expuestos a encontrar más relaciones
espurias, que si no son cuestionadas, nos harán caer en conclusiones erróneas,
mismas que por la confianza ciega que parece haber por los datos, pueden ser
aceptadas para tomar decisiones sobre las personas, empresas o países.
Enseguida, se analiza el llamado error por confusión con el siguiente

ejemplo: En 1952 el matemático polaco J. Neyman observó que en diversas
regiones rurales existía una relación directa positiva entre el número de cigüeñas
que habitaban en los pueblos y el número de nacimientos en esos pueblos. Es decir,
la evolución de la población de las cigüeñas y de los habitantes señalaba que
aquellas regiones que tenían una mayor población de cigüeñas, también
presentaban una mayor tasa de natalidad (Gil, 2016).
Figura 13. Tasa de natalidad y población de cigüeñas.

Fuente: (Gil, 2016)
En base al resultado anterior, se podría deducir lo siguiente: ¿Será ésta la

demostración de que a los niños los trae la cigüeña? Probablemente esto podría
112
demostrar la prueba de ello, pero es bien sabido que realmente no es así. De esta
forma, ambas variables no tienen una relación de causa-efecto. La razón de esta
relación es que en ambos casos dependen de una tercera variable “la calidad de
las cosechas”. Por lo tanto, en los años, con más sol, lluvia y alimentos, las cigüeñas
criaban más, al igual que los habitantes de dichas regiones.
Lo que sucede en esta supuesta correlación, es lo que se conoce como error

por confusión, donde, dos eventos que son independientes, pero que parecen
estar relacionados sin que la relación sea real; en este caso la población de
cigüeñas y la tasa de natalidad (Gil, 2016). De esta forma se observa la relación
falsa entre las 2 variables, y el factor desconocido con relaciones ocultas pero reales
(Figura 14).
Figura 14. Error por confusión.

Fuente: (Gil, 2016)
En conclusión, la correlación no implica causalidad, puede ser simple azar o

una tercera variable que esté influyendo en la relación, creando una falsa apariencia
de causa-efecto. Siendo de mayor escrutinio en el contexto del Big Data, ya que
este hecho se agudiza, porque el número de correlaciones que podemos encontrar
aumenta drásticamente. Debido a esto, es necesario ser críticos con los resultados,
buscar la causa real de la relación entre variables y exigir rigor científico en los
resultados que arrojan los datos.
113
2.3.7.3. La toma de decisiones automatizadas.
La evolución de la ciencia de datos permite hacer el siguiente

cuestionamiento, ¿cuándo hace falta la intervención de una persona para supervisar
los resultados y conclusiones obtenidos de forma automática antes de una toma de
decisiones?.
Existen decisiones automatizadas sin la intervención del ser humano como

pueden ser el otorgamiento de un préstamo o en un diagnóstico médico. Se debe
considerar que existe participación humana cuando se crean los algoritmos que
analizarán los datos para la toma de decisiones, pero en muchas ocasiones no se
vuelve a realizar un control humano para comprobar esa decisión. La investigación
básica y la intuición están siendo reemplazadas por fórmulas algorítmicas. Es decir
La investigación básica y la intuición están siendo reemplazadas por algoritmos.
Antes este escenario, surge la interrogante: Se debe de confiar ciegamente

en los algoritmos que hacen que en muchas ocasiones las empresas tomen
decisiones sobre nosotros sin que podamos saber por qué las han tomado. Muchos
consideran que el sector del marketing es idóneo para probar y corregir las nuevas
herramientas matemáticas y tecnológicas, pues tiene pocos riesgos y muchos
beneficios. Consideremos que un error en marketing puede provocar que un
consumidor vea un anuncio erróneo, y un acierto lograr el aumento de las ventas
(Gil, 2016).
Sin embargo, si está técnica es llevada a otros sectores como el bancario, el

asegurador, y sobre todo el sanitario, donde la situación seria preocupante por la
magnitud del riego. Así pues, la duda de que tan necesaria es la intervención
humana está latente con mayor intensidad en estos sectores.
A la fecha, las organizaciones que basan sus decisiones en la Ciencia de los

Datos, pocas veces revisan los resultados, esto debido a que partidarios de la
automatización afirman que, es precisamente la promesa de un resultado basado
en los datos y libre del sesgo humano, una de las principales virtudes de los
algoritmos. De este modo el objetivo a lograr por los desarrolladores será mejorar
114
la calidad de los algoritmos para obtener una mejor clasificación del individuo. En
Europa, conscientes de esta problemática, introdujeron una disposición la cual
prohíbe tomar decisiones trascendentales para una persona sobre la única base del
análisis automático de datos (Gil, 2016).
2.3.8. Análisis personal
Desde la utilización del oro, el metal precioso, como base de las economías
del mundo, se observó que su impacto en la vida histórica, uso y consecuencias
estaban determinados por las particularidades de cada país. Mientras que a Europa
la monetización le sirvió para su expansión comercial y crecimiento económico, en
la India, su acumulación era necesaria para cancelación de impuestos, crecimiento
fiscal del Estado y recaudación de bienes en caso de guerra.
Expresando una opinión personal, aventuraré a decir que, en el actual siglo

XXI, la información se postula como el nuevo ORO, valorado, resguardado y
disputado constantemente para luego ser usado en distintos menesteres de la vida
humana.
Siguiendo esa misma línea de ideas, es de vital importancia que se tome

conciencia de qué el uso de todo “metal precioso” demanda cualidades como
responsabilidad, ética, profesionalismo, objetividad, aspiraciones al bien común e
interés por defender la integridad de las personas involucradas en el proceso.
La ciencia, en particular las ciencias sociales, ha mostrado un verídico

interés sobre la contribución de la tecnología y la información en la evolución de la
sociedad, percibiendo un nuevo tipo, “la sociedad tecnológica”.
La comunidad científica y profesional al igual que las potencias mundiales,

tiene en sus manos la responsabilidad de encausar todo conocimiento hacia el bien
común. No obstante, existen como en todos los acontecimientos humanos, infinidad
de opiniones muchas a favor, otras en contra y el resto neutrales que entorpecen
las buenas acciones.
115
Se citan algunas ventajas:
• La correcta utilización de la técnica y la tecnología de Big Data abren el

panorama conceptual de cualquier situación y permite obtener información
de calidad que sirve como soporte ante la toma de decisiones.
• Big Data, se suma a los ya existentes métodos de análisis científicos
aportando entre otros aspectos rapidez, eficacia y exactitud.
• Ofrece la oportunidad de formar grupos de trabajo multidisciplinarios
logrando que los resultados enriquezcan aún más a los involucrados.
Se citan algunas desventajas:
• Se encuentra en plena construcción conceptual, lo que impide ver con

claridad sus características, alcances y limitaciones.
• Aunque están implícitos en las actividades diarias, las organizaciones
públicas y privadas, en su gran mayoría, carecen de la teoría que les
proporcione una guía, del hardware y software adecuados, pero, sobre todo
de profesionales capacitados para tratar los macrodatos.
• Otro de los puntos menos favorables es el que trata sobre la privacidad y
protección de las personas que dan origen a los datos. A la fecha, no existen
políticas efectivas orientadas a la seguridad de la información y del individuo.
Quizá el problema más significativo al que Big Data puede enfrentarse es la

diferencia cultural, política, social y económica de los países. Situación que puede
impedir su ideal desarrollo.
116
2.4. Conclusiones
La tecnología evoluciona. Desde sus orígenes que datan de finales de la

Segunda Guerra Mundial (1935-1945) hasta hoy, ha ido cuesta arriba. Siempre
proponiendo e innovando. Su auge, ha desencadenado el Big Data nombrado
también macrodatos o información masiva. Un porcentaje de estos se encuentran
accesibles y disponibles; son diversos y de rápida creación, sin embargo, para
poder administrarlos y analizarlos es necesario valerse de técnicas y tecnologías
específicas, ya que las herramientas y procesos tradicionales están limitados para
esa tarea.
Hadoop, MapReduce, Casandra, Hbase entre otros, son tecnologías que

procesan y analizan la información masiva. Existen también, tecnologías que
ayudan a la fácil comprensión de los resultados, estas son catalogadas como
herramientas de visualización.
En la mayoría de la literatura encontrada se hace referencia no solo al

aspecto tecnológico del Big Data que lo define como - un gran volumen de datos
con características como la variabilidad y velocidad, los cuales pueden ser
almacenados, procesados, analizados y visualizados con la finalidad de tomar
decisiones inteligentes. Sino también a su naturaleza social, política y cultural.
Las opiniones se dividen, mientras unos piensan que es el inicio de un

crecimiento exponencial en los sectores social y económico, otros lo ven como un
medio para el control y dominio de las masas. Es indudable que Big Data está detrás
de muchos sucesos sociales, políticos, económicos y culturales de los últimos
tiempos.
Pese a eso, el autor se suma a los científicos, empresarios, gobernantes y

ciudadanía en general que ve al Big Data con ojos optimistas. Con el
convencimiento de que este, al igual que los otros inventos creados por el hombre,
lo llevara a su óptimo desarrollo siempre y cuando se tenga presente lo mencionado
con antelación, el respeto a la privacidad, el derecho a la libre expresión y la
autonomía al tomar decisiones y al llevar a cabo alguna actividad.
117
En lo referente a la escasez de profesionales en el área, es un aliciente

pensar que, a través del presente trabajo, los jóvenes se inclinen hacia el estudio
de la Ciencia de los Datos.
Referencias
Aaker, J. y Chang, V. (2010). Obama and the power of social media and technology. The European
Business Review, 16-21.
Aenor. (s.f). Destinos Turísticos Inteligentes. Aenor [Figura] Recuperado de:

https://www.aenor.com/certificacion/administracion-publica/destino-turistico-inteligente
Ancin, A. I. (2018). Análisis de los distintos tipos de campañas publicitarias y sus diferentes
aplicaciones para lograr el top of mind de las marcas. Revista Caribeña de Ciencias Sociales.
Agudo, S. I. (2014) ¿Qué pasó en Facebook y Twitter durante 2013?. Principiantes en Social Media.
[Figura]. Recuperado de: https://principiantesensocialmedia.com/2014/01/10/cambios-en-
redes-sociales-durante-2013/
Ascanio, M. B. (2016). Los papeles de Panamá y sus implicaciones periodísticas y sociales.

Comunicación: estudios venezolanos de comunicación, (174), 61-71.
BBVA (2016). BBVA muestra cómo el 'big data' puede potenciar el turismo en México. Recuperado
de: https://www.bbva.com/es/bbva-muestra-big-data-puede-potenciar-turismo-mexico/
Castro, M. L. (2012). El marketing político en Estados Unidos: el caso Obama. Norteamérica, 7(1),
209-222.
Castro, R. A., González, S. J. S., y Callejas, C. M. (2012). Utilidad y funcionamiento de las bases de
datos NoSQL. Facultad de Ingeniería, 21(33), 21-32.
de Avila, M. A. L., y Sánchez, S. G. (2015). Destinos turísticos inteligentes. Economía industrial,

(395), 61-69.
El Universal (2012). Gana Obama. Periodico online El Universal. Recuperado de:

http://archivo.eluniversal.com.mx/primera/40704.html
Ferrer-Sapena, A., y Sánchez-Pérez, E. (2013). Datos abiertos, big data: ¿Hacia dónde nos
dirigimos? Anuario ThinkEPI, 7, 150-156.
García, J. A., y Catalina, G. B. (2018). Una perspectiva documental y bibliotecológica sobre el big
data y el periodismo de datos. Investigación Bibliotecológica: archivonomía, bibliotecología
e información, 32(74), 77-99.
118
Gartner (s,f) Big Data. Gartner Research and Advisory Company. Recuperado de:
https://www.gartner.com/en/information-technology/glossary/big-data
Gil, E. (2016). Big data, privacidad y protección de datos. Madrid: Agencia Estatal Boletín Oficial del
Estado.
Hernández, L. E., Duque, M. N., y Moreno, C. J. (2017). Big data: una exploración de investigaciones,
tecnologías, y casos de aplicación. Tecnologías, 20(39).
Hernández, S. (2002). Administración: Pensamiento, proceso, estrategia y vanguardia. México:

McGraw-Hill.
Hilbert, M. (2017). CV & BIO. MartinHilbert.net. Recuperado de: https://www.martinhilbert.net/tag/big-

data/
Hughes, S. G. F., Allbright-Hannah, K., Goodstein, S., Grove, S., Zuckerberg, R., Sladden, C., &
Bohnet, B. (2010). Obama and the power of social media and technology. The European
Business Review (May-June 2010), 16-21.
Magnani, E. (2017). Big data y política. El poder de los algoritmos. Nueva Sociedad( 269).
IIPJM. (2015). Curso de Postgrado Internacional de Periodismo de Datos. Instituto Internacional de

Periodismo José Martí. [Figura]. Recuperado de:
https://periodismojosemarti.wordpress.com/2015/12/11/4877/
IIPJM. (2016). ¿Qué es el periodismo de datos?. Instituto Internacional de Periodismo José Martí.
[Figura]. Recuperado de:
https://periodismojosemarti.wordpress.com/2016/11/03/que-es-el-
periodismo-de-datos/
Meneses, R. M. E. (2018). Grandes datos, grandes desafíos para las ciencias sociales. Revista
Mexicana de Sociología, 80(2).
Merkactiva (2017). El cine, el mejor influencer. Merkactiva. Blog de Mercadotecnia. [Figura]

Recuperado de: http://www.merkactiva.com/blog/cine-mejor-influencer/
Sánchez, M. L. A. (2005). Informática. Pearson Educación. ISBN, 9789702605393
SEGITTUR (2014). Destino Turístico Inteligente. Sociedad Mercantil Estatal para la Gestión de la
Innovación y las Tecnologías Turísticas. Recuperado de: https://www.segittur.es/es/DTI/
Stone, M. L. 2014. “Big data for Media”. Reuters Institute for the Study of Journalism, 1-31. UK:
University of Oxford. http://www.bigdatamedia.org/wp-content/uploads/2017/03/Big-Data-
For-Media_2014-Stone.pdf
119
Capítulo 3
Herramientas Big Data
Jaime Alonso Chacón Soto

[email protected]

[email protected]
3.1. Introducción
Con el paso del tiempo la tecnología ha ido creciendo y avanzando en todos
los sectores conocidos, tanto ha sido su crecimiento que hoy en día existen un
mayor número de dispositivos en el mundo que seres humanos. Dándose por
consecuencia un incremento de datos generados por dichos dispositivos.
El término Big Data se refiere a la gran cantidad de datos generados a cada

momento en todo el planeta por los dispositivos que se utilizan y la cual da un
enfoque en el entendimiento y toma de decisiones al analizarlos de una manera
correcta.
Para el buen uso de esta gran cantidad de datos Big Data ha determinado 5
características que deben poseer, ellos los denominan como las 5 V de Big Data
esto para obtener un mejor entendimiento de los datos a analizar donde
comprenden el Volumen (cantidad de datos), Velocidad (a la que se procesan ser
120
requiere su análisis), Variedad (datos estructurados, semi-estructurados y no

estructurados, Veracidad (grado de confianza que se establece sobre los datos) y
Valor (conocimiento e información útil analizado) (Universidad de Alcalá, s.f.)
Por estos motivos, es necesario conocer las herramientas existentes para el

uso adecuado de los datos desde su recolección, almacenamiento, procesamiento
y análisis. Así mismo, es necesario saber los diferentes tipos de fuentes de datos
que existen; las estructura que los integran; los tiempos que son requeridos para
ser procesados, si es en el momento mismo o a un tiempo posterior y la forma en
que se presentan, descriptiva o gráfica.
Los datos provienen de distintas fuentes como redes sociales, visitas de

páginas web, reproducción de videos, reproducción de música, generación de
comentarios, correos electrónicos, aplicaciones, entre otros, también hay datos
generados por máquinas a través de sensores, equipos biométricos, GPS entre
algunos otros. Actualmente los dispositivos conectados a internet superan en
número a la población mundial y cada día aumenta este número de dispositivos.
Big Data y Ciencia de los Datos, se están convirtiendo en una de las ramas
más importantes de la computación hoy en día y una de las más rentables
refiriéndose en la parte económica, esto a nivel mundial, ya que se utiliza en
cualquier sector, desde las ciencias, diversión, cultura, finanzas, salud hasta ganar
puestos políticos de países de primer mundo como lo fue en el caso de Estados
Unidos de Norte América.
Por esto se pretende documentar las herramientas adecuadas para la

recolección o ingesta, almacenamiento, procesamiento, análisis y visualización de
datos. Se abordará acerca de dichas herramientas y se realizará la evaluación de
algunas de ellas.
En la actualidad los datos se producen por diferentes fuentes como páginas

web, reproducciones de música videos, redes sociales, aplicaciones de celulares,
transacciones comerciales, así como las que se generan por máquinas ya sea
sensores de humedad, temperatura, infrarrojos, entre otros, esto da lugar a que
121
exista un universo de datos que se pueden utilizar para conocer tendencias, hacer
pronósticos y predicciones de una manera más efectiva y real.
Por estos motivos es necesario saber, aprender y comprender cuales son las
mejores herramientas que existen para el manejo de Big Data. Se estima que, en
el año 2020 estén más de 30 mil millones de dispositivos conectados a internet,
generando una enorme cantidad de datos segundo a segundo la cual puede ser
analizada con las herramientas adecuadas. (OBS Business School, s.f.).
En Internet se generan 4,1 millones de búsquedas en Google, se escriben

347.000 twists, se comparten 3,3 millones de actualizaciones en Facebook, se
suben 38.000 fotos a Instagram, se visualizan 10 millones de anuncios, se suben
más de 100 horas de vídeo a YouTube, se escuchan 32.000 horas de música en
streaming, se envían 34,7 millones de mensajes instantáneos por Internet o se
descargan 194.000 apps (OBS Business School, s.f.).
Las herramientas que se documentan, comprenden desde la ingesta hasta

el análisis y visualización de datos, existen herramientas comerciales y gratuitas (las
cuales son las más utilizadas).
El objetivo general, es dar a conocer las herramientas en el contexto Big Data

y elaborar una propuesta asociada a esta tecnología.
De manera específica se busca:
• Realizar un análisis y propuesta de herramientas Big Data para su

implementación que son utilizadas normalmente en la ingesta,
almacenamiento, procesamiento y análisis.
• Identificar las herramientas de análisis gráfico de Big Data.
• Realizar la comparación de algunas de estas herramientas para conocer sus
ventajas y desventajas.
• Conocer los pasos a seguir para la instalación de algunas herramientas.
Cada día más empresas, gobiernos, comercios y ciudades se están

involucrando en el análisis de datos con más fuerza para determinar tendencias,
122
patrones, evitar crímenes, prevenir enfermedades, crear ciudades inteligentes, ser

más productivos y mejorar la vida misma de las personas.
El análisis de datos cada día tiene mayor valor para las personas dedicadas
al manejo de ellos. Por este motivo la revista Harvard Business Review en su
artículo de Davenport & Patil, (2012) citan como la profesión de “data scientist”
como “la más sexy del siglo XXI” (Davenport & Patil, 2012).
El mundo va hacia una evolución del Big Data. Su crecimiento impulsa la

creación de nuevos empleos, servicios, estrategias e incluso infraestructura
especializada capaz de gestionar mayores volúmenes de datos y simplificar su
procesamiento y su análisis (Portafolio, 2019).
El impacto y beneficio de este capítulo, es comprender aspectos de Big Data,

adentrarse a un tema el cual cada día empieza a ser más común para todos, se
puede decir que es el siguiente paso que se está empezando a dar para el uso y
manejo del internet ya que es con los avances de las herramientas, programación
y de los dispositivos que se utilizan para el manejo de dichas herramientas se
obtienen beneficios al instante y ayudan a comprender circunstancias o mejorar
situaciones que hace años no se imaginaba.

El concepto de Big Data se aplica en los casos en los que la información
recolectada no se captura, gestiona, analiza o procesar por las herramientas
habituales y tradicionales. (Pérez Marqués, 2015). Se está hablando de una
cantidad enorme de información con términos de medidas de almacenamiento
como petabytes, exabytes, zettabytes, yettabytes, entre otros.
La figura 1, identifica los valores numéricos de unidades de medida en bytes

y cuáles son considerados datos normales y cuáles Big Data y mucho más allá.
123
Figura 1. Big Data conforme al volumen de datos. (Sánchez Villaseñor, Herraientas, retos,
oportunidades, seguridad y tendencias del Big Data, 2019)
Algunas características relacionadas al Big Data serían las siguientes:
La cantidad (volumen), en Big Data se habla de una ingesta de datos; la

generación de datos (velocidad) en Big Data tiene que ver con recolectar al
momento en lugar de al final del día; en cuanto a la estructura de datos (variedad)
se identifica semiestructurados y no estructurados en lugar de solo estructurados;
con lo referente a la fuente, Big Data es totalmente distribuido en lugar de
centralizado; la integración en Big Data es más compleja que lo tradicional; con
respecto al almacenamiento en Big Data se encuentra el paradigma NoSQL y
sistemas de archivos distribuidos (HDFS) en lugar de únicamente SQL y bases de
datos relacionales tradicionales y finalmente con respecto al acceso en Big Data se
tiene que darse en tiempo real, es decir más rápido y eficiente que la usanza
tradicional. (Sánchez Villaseñor, Herraientas, retos, oportunidades, seguridad y
tendencias del Big Data, 2019).
A lo anterior hay que agregar además de que Big Data se debe entender
perfectamente que los datos son cambiantes y muy dinámicos (variabilidad) y
124
deben ser confiables (veracidad), útiles (valor) y que puedan presentarse de

maneras diversas para su mejor comprensión y entendimiento (visualización).
Sánchez Villaseñor, (2019) en su tesina (como se cita en Salazar, 2016)

menciona que “Big Data hace referencia al tratamiento y análisis de enormes
repositorios de datos cuyo tamaño está más allá de capturar, almacenar,
administrar, analizar y procesar con herramientas de bases de datos o analíticas
convencionales” (Salazar Argonza, 2016).
Gil, (2016) menciona que “el Big Data es el conjunto de tecnologías que
permiten tratar cantidades masivas de datos provenientes de fuentes dispares, con
el objetivo de poder otorgarles una utilidad que proporcione valor” (pág. 15).
¿Qué sucede en un minuto en términos de procesamiento de datos en

internet?, es decir, ¿qué pasa en 60 segundos en el mundo online. La figura 2,
identifica algunos valores cuantificables de cantidades de búsquedas, fotos
subidas, horas de video, documentos consultados, mensajes, correos, entre
muchas otras cosas. De aquí se desprende que se necesita y requiere distintas
herramientas para el tratamiento de todos estos tipos de datos.
Figura 2. 60 segundos en el universo online (Twitter, 2018).
En términos de Big Data resulta importante hacer mención de las

herramientas diseñadas para tratar la gran cantidad de datos que comprenden en
125
una arquitectura como es la recolección o ingesta de datos, almacenamiento,

procesamiento y análisis de estos datos.
El ciclo de vida del Big Data puede comprenderse bajo ciertas fases
principales generación y adquisición, almacenamiento, procesamiento y análisis de
datos, en las cuales se tienen ciertos tipos de herramientas. La figura 3, identifica
estas cuatro fases incluyendo herramientas de visualización de datos. En los
siguientes apartados se describen algunas herramientas asociadas a cada fase.
Figura 3. Fases de Big Data incluyendo visualización (Sánchez Villaseñor, Herraientas,

retos, oportunidades, seguridad y tendencias del Big Data, 2019).
3.2.1. Herramientas de ingesta

Las herramientas de ingestión en proyectos Big Data tienen que ver con las
características para extraer datos de distintas fuentes, es decir los datos deben ser
“ingestados”, lo que significa que son transferidos para procesamiento (Rayón,
2016).
3.2.1.1. Kafka
Es un proyecto de código abierto que se comenzó a desarrollar en el año
2009 por la empresa LinkedIn. Y en el 2011 fue donado por Apache, la cual estuvo
en desarrollo hasta Octubre de 2012 donde paso a formar parte de los proyectos de
alto nivel. Esta desarrollado en Java y Scala puede manejar distintos orígenes de
datos como son las redes sociales o sensores y trabaja en procesamiento de tiempo
real.
En la figura 4, se identifica el logotipo de Kafka como una plataforma de

almacenamiento distribuido y con posibilidades de réplica. Muy rápido y eficiente
en lecturas y escrituras (Rayón, 2016).
126
Figura 4. Logotipo Kafka (Apache Kafka, s.f.).
3.2.1.2. Sqoop
Es una herramienta de alto nivel, está diseñada para transferir grandes
cantidades de datos a Hadoop provenientes de bases de datos estructurados como
lo es MySql, Oracle, Postgress o un data warehouse.
La trasferencia es realizada al leer fila por fila de cada tabla y las importa a
sistema de archivos distribuido (HDFS) de Hadoop para obtener de salida una gran
variedad de archivos, los cuales pueden ser de formato .CSV, Avro (sistema de
compresión diseñado por Apache para el proyecto Hadoop (Big Data Dummy,
2017)), de secuencia o binarios. El logotipo que lo distingue se presenta en la
siguiente figura.
Figura 5. Logotipo Sqoop (Apache Sqoop, 2019).
3.2.1.3. Flume
Es una herramienta de la fundación Apache, es un sistema distribuido,
gratuito y muy eficiente para la recopilar, agregar y mover grandes cantidades de
datos en logs los cuales pueden ser diferentes tipos de orígenes desde diferentes
servidores, web o de algún otro tipo de servidor que pueda brindar información
relevante. Este sistema permite realizar la ingesta de datos semiestructurados
como no estructurados.
127
Utiliza una arquitectura sencilla y flexible que está basada en el flujo de datos
tipo streaming, permite la creación de bastantes aplicaciones analíticas en línea. La
figura 6 muestra un flujo de trabajo en donde se utiliza flume
Figura 6. Transportar datos en flume e imagen de flume. (Big Data Dummy Analytics, 2017)
3.2.2. Herramientas de Almacenamiento

En los siguientes párrafos se describen herramientas relacionadas con la
característica de almacenar grandes cantidades de datos, relacionándose con la
característica de volumen y velocidad en términos de Big Data.
3.2.2.1. Hadoop
Apache Hadoop es una infraestructura que permite el procesamiento
distribuido de grandes conjuntos de datos en grupos de computadoras utilizando
modelos de programación simples y eficientes. Está diseñado para crecer desde
servidores individuales hasta miles de máquinas, cada una de las cuales ofrece
computación y almacenamiento local. Hadoop está pensado para detectar y
manejar fallas en la capa de aplicación, por lo que ofrece un servicio de alta
disponibilidad en la parte superior de un grupo de computadoras, cada una de las
cuales puede ser propensa a fallas (Apache Hadoop, s.f.).
MapReduce es el motor de procesamiento de Hadoop utilizando nodos en
varios servidores y su sistema de almacenamiento es Hadoop Distributed File
System (HDFS) permite a las aplicaciones ejecutarse en varios cluster, de esta
manera su procesamiento es más rápido.
Hadoop es una herramienta de alto nivel ya que es la gran referencia al
hablar de Big Data, ya que es usado y diseñado por una gran cantidad de
128
contribuyentes utilizando lenguaje Java. La figura 7 identifica el logo de Apache

hadoop.
Figura 7. Apache hadoop. (Apache Hadoop, s.f.)
3.2.2.2. MongoDB
MongoDB es una base de datos orientada a documentos muy similares a los
de tipo JSON, es una base de datos No SQL y por consiguiente es muy flexible. Su
lenguaje es de gran alcance es muy extenso y comprensible esto proporciona un
apoyo extraordinario para filtrar y clasificar cualquiera que sea el campo deseado.
Las consultas son de tipo JSON y por esta razón fácilmente compuestas.
(MongoDB, 2020). La figura 8 identifica el logo de MongoDB
Figura 8. mongoDB (MongoDB, 2020)
3.2.2.3. Cassandra
Esta base de datos está diseñada para cuando es necesario obtener
escalabilidad y se requiere alta disponibilidad sin afectar el rendimiento. Tiene gran
tolerancia a fallas en el hardware básico o la infraestructura en la nube. El soporte
de Cassandra para la replicación en múltiples centros de datos es el mejor de su
clase, por consiguiente genera confiabilidad para el almacenamiento de los datos.
Es una base de datos NoSQL que almacena los datos a través de una agrupación
de llave – valor con un identificador que permite obtener la información de una
manera mucho más rápida (Apache Cassandra, 2016).
El Lenguaje de Consulta es CQL ofrece un modelo cercano a SQL, se

desarrolló inicialmente por Facebook con el fin de mejorar la búsqueda en la
bandeja de entrada, el 2008 se lanza como un proyecto source code de Google
siendo en el 2010 cuando alcanza el nivel de proyecto de alto nivel. Una
129
particularidad de esta herramienta es que no necesita de Hadoop para que poder

trabajar con ella. La figura 9 identifica el logotipo de cassandra.
Figura 9. Logotipo de Cassandra (Apache Cassandra, 2016)
3.2.2.4. HBase
Es un almacén de Big Data distribuido y escalable, es utilizada cuando se
requiere un acceso aleatorio y en tiempo real de lectura y escritura en Big Data.
Esta herramienta almacena tablas demasiado grandes que pueden tener miles de
millones de filas, así como miles de millones de columnas sobre hardware sencillo.
Está modelada a partir de Bigtable de Google el cual es un sistema de
almacenamiento distribuido para datos estructurados. Generalmente esta base de
datos se utiliza para operaciones en línea la cual permite trabajar con las
operaciones mucho más rápido que otras herramientas. (Apache HBase, 2020)
Esta herramienta fue un proyecto de la empresa Powerset para poder

trabajar y procesar las enormes cantidades de datos utilizando un lenguaje natural.
Actualmente es un proyecto de la fundación Apache de nivel superior. La figura 10
identifica el logo actual de HBASE.
Figura 10. Apache HBASE (Apache HBase, 2020)
130
3.2.3. Herramientas de Procesamiento

Cuando se encuentran los datos disponibles en el sistema ya es posible
iniciar con el procesamiento de datos, existen diferentes alternativas y herramientas
para atender los problemas de procesamiento de Big Data.
3.2.3.1. Spark
Es un sistema de computación tipo clúster de propósito general y está
orientado a la velocidad. Proporciona APIs en Java, Scala, Python y R. Cuenta con
un motor optimizado la cual soporta la ejecución de gráficos. Soporta un conjunto
extenso de herramientas de alto nivel y en las cuales incluyen Spark SQL el cual
está diseñado para el procesamiento de datos estructurados como son del tipo
SQL, también existe MLlib en el que se puede implementar machine learning,
cuanta con Spark Graphs que permite trabajar con bases de datos basados en
grafos y Spark Streaming que habilita procesar datos que provienen de una fuente
de tipo Streaming. El logotipo que lo distingue lo presenta la figura 11:
Figura 11. Spark. (Apache Spark, s.f.)
3.2.3.2. Apache Hive

Este software de almacenamiento facilita a los usuarios la lectura, escritura
y administración de los datos, se pueden hacer consultas utilizando la sintaxis de
SQL. Para la implementación es necesario contar con una versión superior de Java
1.7 y trabajar con Hadoop 2x, ya que no es recomendada la implementación de
versiones anteriores a estas.
Es un proyecto de código abierto por parte de la Fundación Apache que

inicialmente empezó como un sub proyecto de Hadoop, y con el paso del tiempo se
convirtió en un proyectó de alto nivel gracias a lo amigable que es para los usuarios.
El logotipo que lo distingue se identifica en la figura 12.
131
Figura 12. Logotipo de Apache Hive (Apache Tive TM, 2014)
3.2.3.3. Cloudera Impala

Esta herramienta proporciona consultas SQL las cuales son rápidas e
interactivas directamente con los datos de Hadoop que son almacenados en HDFS
o HBase. Utiliza los mismos metadatos, para las consultas utiliza la sintaxis SQL y
el controlador ODBC. Esto otorga una plataforma familiar y unificada para poder
realizar consultas en tiempo real o por lotes. Cuenta con un sistema único para el
procesamiento y el análisis de grandes cantidades de datos, esto puedan evitar el
modelado costoso y los trabajos de Extraer, Transformar y Cargar (ETL) utilizados
solo para análisis.
Figura 13. Logotipo Cloudera (Cloudera, s.f.)
3.2.3.4. Apache Pig

Esta herramienta está diseñada para analizar grandes conjuntos de datos y
a través de un lenguaje de alto nivel permite el análisis. Una de las cualidades más
destacadas de los programas de Pig se debe a su estructura para poder manejar
conjuntos de datos muy grandes. Pig consiste en un compilador el cual produce
secuencias de programas MapReduce. El lenguaje de Pig actualmente consiste en
132
el lenguaje textual Pig Latin, que cuenta con las siguientes cualidades que lo hace
una herramienta poderosa:
• Facilidad de programación: se codifican explícitamente como secuencias de

flujo de datos, lo que facilita su escritura, comprensión y mantenimiento.
• Oportunidades de Optimización: permite optimizar al sistema su ejecución
automáticamente lo que permite al usuario solo preocuparse en la semántica
y no en la eficiencia.
• Extensibilidad: permite a los usuarios crear sus propias funciones para
procesos especiales. El logotipo que lo distingue e visualiza en la figura 14:
Figura 14. Apache Pig (Apache Pig, 2018)
3.2.3.5. Apache Storm

Es un sistema de computación distribuida en tiempo real, gratuito y de código
abierto. Esta herramienta facilita el procesamiento de flujos de datos ilimitados,
provocando que se pueda realizar el procesamiento en tiempo real, es muy fácil de
utilizar y tiene la factibilidad de poderse usar casi con cualquier lenguaje de
programación.
Puede ser utilizado en tiempo real, en procesos de aprendizaje automático

en línea, mejoras continuas y muchas más. Es muy rápido ya que ya que puede
procesar más de un millón de registros por segundo por nodo. Escalable, tolera los
fallos, fácil de configurar y garantiza que los datos serán procesados. Se presenta
en la figura 15 el logotipo de Apache Storm
133
Figura 15. Apache Storm (Apache Storm, 2019)
3.2.4. Herramientas de Análisis

El análisis de datos es el proceso que busca obtener respuestas a
interrogantes y patrones ocultos en la información, es la etapa más importante en el
Big Data ya que las respuestas servirán de apoyo para tomar decisiones dentro de
la empresa o institución. Se citan algunas herramientas que permiten análisis de
datos en ecosistema Big Data.
3.2.4.1. Jupiter Lab

Este proyecto tiene su origen en la aplicación web Ipython Notebook la cual
registra sesiones de trabajo con Python para trabajar en cuadernos electrónicos.
Un cuaderno de trabajo puede contener código fuente, textos explicativos,

ecuaciones, gráficos, controles interactivos. Es fácil de instalar, el cual nos puede
dar resultados en tiempo real, es muy amigable para los usuarios.
El logotipo que lo distingue es el que se muestra en la figura 16.
Figura 16. Apache Storm (Jupyter, 2020).
3.2.4.2. Python
Es un lenguaje de programación muy poderoso, es muy fácil de aprender,
cuenta con licencia de código abierto y permite al usuario el análisis de gran
134
cantidad de datos de una manera rápida y sencilla, cuenta con un Shell poderoso,
fácil de instalar en equipos de cómputo que no necesita especificaciones de
hardware especial, es multiplataforma.
Es administrado por la fundación Python Software, es compatible con la

licencia pública general de GNU a partir de la versión 2.1.1. El logotipo que lo
distingue es el siguiente:
Figura 17. Python (Python, s.f.)
3.2.4.3. Lenguaje R
Software de licencia libre para computación estadística y gráficos. Se
compila y se ejecuta en una amplia variedad de plataformas UNIX, Windows y
MacOS. R tiene una gran variedad de técnicas estadísticas en el modelado lineal y
no lineal, pruebas estadísticas clásicas, clasificación, agrupación, y análisis de
tiempo, técnicas gráficas, y es altamente extensible. Permite generar gráficos de
excelente calidad, incluyendo símbolos matemáticos y fórmulas. Cuenta con
funciones naturales para el análisis, es un lenguaje de programación bien
desarrollado, fácil de aprender y muy efectivo que incluye condicionales, bucles,
funciones recursivas definidas por el usuario y de entrada y salida, entre otras. La
figura 18 muestra el logotipo de R.
Figura 18. Lenguaje de programación R. (R-project.org, 2019)
3.2.4.4. Scala
Es un lenguaje directamente orientado a objetos ya que todo es un objeto,
cuenta con una sintaxis ligera para definir funciones anónimas, soporta funciones
135
de primer orden, permite que las funciones sean anidadas, y soporta currying. Las
construcciones incorporadas al lenguaje para reconocimiento de patrones modelan
tipos algebraicos los cuales son usados en muchos lenguajes de programación
funcionales.
El reconocimiento de patrones de Scala se puede extender al procesamiento

de datos XML con la ayuda de patrones de expresiones regulares. Sus
características hacen a Scala una excelente herramienta para el desarrollo de
aplicaciones como Web Services. Se presenta en la figura 19 el logotipo de Scala.
Figura 19. Scala (Scala, s.f.)
3.2.5. Herramientas de visualización de datos

Son herramientas que permiten visualizar la información de manera ejecutiva
y resumida con distintas y poderosas funcionalidades.
3.2.5.1. IBM Spss

Este lenguaje ofrece el análisis estadístico avanzado, cuenta con una gran
cantidad de algoritmos de machine learning, puede analizar texto, extensibilidad de
código abierto, se puede integrar al big data y cuenta con una implementación
continua en sus aplicaciones. Su facilidad de uso, flexibilidad y escalabilidad
permiten sea accesible para los usuarios con cualquier nivel de conocimientos y
para los proyectos conjuntos de todos los tamaños y complejidad, es el software
estadístico líder mundial utilizado para resolver problemas empresariales y de
investigación mediante el análisis.
3.2.5.2. Tableau
Es una herramienta de análisis gráfica fácil de usar y muy potente, puede
convertir los datos de múltiples fuentes de información, combina varias fuentes de
datos en una sola pantalla, trabaja con cualquier hoja de cálculo y base de datos
136
de cualquier tamaño y combina varias vistas en un cuadro de mando. La figura 20

identifica el logotipo de Tableau.
Figura 20. Tableau (Tableau Software, LLC, s.f.)
3.2.5.3. RapidMiner
Es un programa informático utilizado para el análisis y la minería de datos,
permite realizar procesos de análisis de datos utilizando el encadenamiento de
operadores todo esto mediante un entorno gráfico. Es utilizado en las ramas de
investigación, educación, capacitación, y en la creación de prototipos y también es
usado en aplicaciones empresariales.
Su desarrollo fue realizado en Java, se puede integrar a lenguajes como

Python y R, tiene la característica de poder usarse de manera gráfica, en línea de
comandos, tipo batch y en otros programas a través de sus bibliotecas. Este incluye
herramientas de visualización de datos y gráficos. La figura 21 identifica el logotipo
de RapiMiner.
Figura 21. RapidMiner (RapidMiner, 2020)
3.2.5.4. SAS Studio

Esta herramienta se encuentra conectada a un server SAS con la finalidad
de poder procesar comandos y eficientar el proceso, este servidor SAS puede estar
alojado en un entorno de nube, un servidor local o una copia de SAS en la máquina
local. Esto provoca que una vez procesado el código los resultados son enviados a
SAS Studio. Una de sus características está en que es compatible con los
137
navegadores web mas utilizados como lo es Internet Explorer, Google Chrome,

Safari y Mozilla Firefox.
Este lenguaje trabaja principalmente sobre tablas de datos y nos ofrece la

facilidad de poder leerlas, transformarlas, combinarlas, resumirlas, crear informes
a partir de ellas de una manera rápida y sencilla.
3.2.6. Aplicaciones de Big Data

Hoy en día el proceso adecuado para el análisis de los datos generados es
de vital importancia ya que esto permite llegar al objetivo deseado no dependiendo
de la fuente donde se generan estos datos. En la actualidad estos datos se utilizan
para lograr un objetivo ya sea en el ámbito empresarial, científico, entretenimiento,
deportivo, comercial, salud, transporte, ambiental, entre otros. Se describen
algunos de ellos:
• Comercial dirigido a clientes: las empresas hoy en día necesitan tener

conocimiento de lo que los clientes necesitan, por lo tanto necesitan crear
modelos predictivos. Por eso es necesario tener las herramientas adecuadas así
como la mejor estrategia para desarrollar un plan de trabajo y saber cuál es la
mejor opción para estos casos ya que en la actualidad los datos llegan por
fuentes como son redes sociales, logs, de navegación, envíos de mensajes de
texto, videos reproducidos entre otros. Un ejemplo muy claro es en la industria
automotriz de la cual pueden predecir las tendencias de los clientes así como
mejorar sus productos al saber la forma en que los clientes conducen.
• En el deporte: Con el uso de sensores cada vez más capaces de registrar la
fuerza, el alcancé, velocidad, y otras variables del deporte, se pueden realizar
grandes análisis para obtener un mejor rendimiento en los deportistas en la
actualidad. El registro de los datos ayudan a los atletas a ser más competitivos,
un ejemplo de esto es en mundo del tenis en el cual llevan un registro de unos
41 millones de data points para determinar patrones y estilos de los jugadores,
manejan un programa llamado Slam Tracker basado en la tecnología IBM SPSS
el cual realiza un análisis predictivo.
138
• En la ciencia: La gran cantidad de datos que se generan mediante sensores o

registros obtenidos de alguna otra fuente es necesario contar con las mejores
herramientas de ingesta, almacenamiento y procesamiento para el análisis de
dichos datos, un dato de esto es en el CERM que se encuentra en Suiza y que
se encarga del gran colisionador de hadrones que genera una enorme cantidad
de datos.
• En máquinas y dispositivos: Las herramientas de análisis ayudan a ser la
maquinaria de mejor calidad y más inteligente, un ejemplo es al utilizar las
herramientas de análisis para mejorar las redes de energía a partir de los
medidores, así como también vehículos inteligentes gracias a la gran cantidad
de sensores que hoy en día utilizan con los datos generados vuelve más óptima
el manejarlos así como la seguridad del conductor y ahorros de consumibles.
• En las ciudades: Con los datos que se generan día a día en las ciudades se
hacen análisis para optimizar los servicios de los ayuntamientos. Es posible usar
datos en el manejo de los recursos, para conocer la calidad del aire, monitorear
fugas de agua. Con las herramientas adecuadas se puede determinar patrones
y comportamientos de flujo de vehículos en avenidas principales y así buscar
soluciones reales.
• En la salud: Con la capacidad de procesamiento de plataformas de análisis de
Big Data se pretende tener un mejor control en la salud pública, un ejemplo al
poder analizar la búsqueda de medicamento desde la red en determinada área
geográfica para determinar si existe el riesgo de una pandemia como ocurrió
hace años con el virus AH1N1 el cual google lo determinó tiempo antes de ser
publicado, al analizar la búsqueda de medicamentos y síntomas de gripe. Así
también la capacidad de procesamiento de plataformas permite ya decodificar
cadenas enteras de ADN en minutos esto permite encontrar un mejor tratamiento
y conocer sus patrones de propagación. Un ejemplo es en el hospital de Toronto
en la unidad de neonatos al analizar y grabar los latidos del corazón así como
los patrones de respiración de cada bebe pueden predecir infecciones 24 horas
antes de que aparezcan.
139
• Trading Financiero: El sector financiero y de servicios es un entorno que necesita

obtener resultados en segundos y con la gran cantidad de datos que se generan
a cada momento es necesario tener la mejor estrategia como las mejores
herramientas para obtener análisis y resultados en tiempo real.
Estos fueron algunos de los sectores en los cuales se pueden utilizar las
herramientas y lenguajes que se utilizan en el Big Data, ya que los datos obtenidos
son de diferentes fuentes y de tipo estructurado, no estructurado o
semiestructurado. Y en la mayoría de ellos es necesario obtener resultados en
tiempo real.
3.3. Desarrollo
En este apartado se hacen comparaciones de distintas herramientas Big
Data, con la ayuda de tablas comparativas se reflejan las principales características
de las herramientas de ingesta, de almacenamiento, de procesamiento, de análisis,
y de visualización de gráficos.
3.3.1. Herramientas de Ingesta de datos

Comparación entre Herramientas más comunes de Big Data para la ingesta
de datos usados comúnmente en el ámbito de análisis de los datos comparando a
Sqoop y Flume, la tabla 1 identifica las comparaciones.
140
Tabla 1.
Comparativo de Sqoop y Flume. Elaboración propia
Comparativo Sqoop Flume

Naturaleza Funciona bien con cualquier Funciona bien para la fuente de
Básica Sistema Manejador de Base de datos de Streaming que se
datos Relacional (RDBMS). generan continuamente.
Flujo de datos Es utilizado específicamente para Se utiliza para recopilar y agregar

la transferencia de datos en datos debido a su naturaleza
paralelo. Por esta razón, la salida distribuida.
podría estar en múltiples archivos.
Arquitectura Está basada en conectores, lo que Basada en agentes, donde el

provoca que los conectores sepan código escrito en ella se conoce
cómo conectarse a una fuente de como un agente que es
datos diferente. responsable de obtener datos.
Se Utiliza Para copiar datos más rápido y Para extraer los datos cuando se
luego usarlos para poder generar desea analizar patrones, causas
resultados analíticos. raíz o análisis de sentimientos en
las redes sociales.
Actuación Reduce el almacenamiento Es tolerante a las fallas, robusto y

excesivo y sus cargas de su mecanismo de confiabilidad es
procesamiento las trasfiere a otros sostenible para recuperación y
sistemas. recuperación de fallas.
3.3.2. Herramientas de Almacenamiento

En 1999 se desarrolló el teorema CAP, este afirma que en sistemas
distribuidos es imposible garantizar a la vez: consistencia, disponibilidad y tolerancia
a particiones (Manjarrez Antaño, Martínez Castro, & Cuevas Valencia, 2014). Solo
dos de tres de estos aspectos se pueden alcanzar en un ambiente distribuido.
• Consistencia: al realizar una consulta o inserción siempre se tiene que recibir

la misma información, con independencia del nodo o servidor que procese la
petición
141
• Disponibilidad: que todos los clientes puedan leer y escribir, aunque se haya
caído uno de los nodos.
• Tolerancia a particiones: Los sistemas distribuidos pueden estar divididos en
particiones (generalmente de forma geográfica). Así que esta condición
implica, que el sistema tiene que seguir funcionando aunque existan fallos o
caídas parciales que dividan el sistema. (Manjarrez Antaño, Martínez Castro,
& Cuevas Valencia, 2014)
En la figura 22 se muestra el modelo del teorema CAP que muestra algunas

de las bases de datos según las condiciones que cumplen del teorema CAP
Figura 22. Teorema CAP. (Genbeta, 2014)
La tabla 2 hace un comparativo e MongoDB y Hadoop
142
Tabla 2
Comparativo MongoDB y Hadoop. Elaboración propia
Comparativo MongoDB Hadoop

En sistemas Puede mejorar RDMBS o en Hadoop no remplaza el sistema
RDMBS algunos casos reemplazarlo, puede RDMBS, ya que es un
utilizarse en diversos casos de uso. complemento que ayuda al
almacenamiento de datos.
Entorno Es una base de datos la cual está Es una colección de diferentes
diseñada en lenguaje C++. software, está diseñado en Java.
Formato de Deben provenir de un formato .CSV Maneja diferentes formatos

datos o en JSON. como sea posible, estructurados
como no estructurados.
Diseño Permite procesar y analizar grandes Para el almacenamiento y la

cantidades de datos. recuperación de los datos.
Costos en Si es muy rentable para su Al ser una colección de software

Hardware implementación. si se maneja un costo mayor.
El manejo en la Es muy eficiente en el manejo de la Puede optimizar el espacio en

memoria memoria. memoria.
Marco de Este almacena los datos en Utiliza un sistema de archivos

referencia colecciones en formato JSON o distribuidos de Hadoop (HDFS) y
BSON. MapReduce.
Debilidad Poca tolerancia a fallas, lo cual Depende de 'NameNode', que es

ocasiona pérdida de datos. el único punto de falla.
Fuerza Solución más robusta, es más Su gran fortaleza es que está

flexible que Hadoop. Y este sistema diseñado para manejar Big Data.
puede reemplazar a un RDBMS Excelente sistema de
existente. almacenamiento que permite
manejar procesos por lotes y
trabajos ETL de larga duración.
143
3.3.3. Herramientas de Procesamiento

Existe gran variedad en Herramientas de procesamientos de Big Data en las
cuales se puede realizar la comparación de 2 de ellas, siendo algunas de las más
comunes y pertenecen a la fundación Apache pero no por este motivo son muy
similares ya que las 2 herramientas son diseñadas para diferentes tipos de
procesamiento y existen diferencias entre una y otra, las cuales son Apache Pig y
Apache Hive. El comparativo se indica en la tabla 3.
Tabla 3
Apache Pig vs Apache Hive. Elaboración propia.
Comparativo Apache Pig Apache Hive

Definición Sistema de flujo de datos de alto De código abierto y similar a SQL
nivel y de código abierto con el cual es utilizado para consultas
lenguaje simple de aprender analíticas. usa un lenguaje
conocido (Pig Latin). declarativo llamado HiveQL.
Procesamiento Lenguaje de procedimientos En lotes, procesamiento analítico
de datos considerado de alto nivel, es en línea (OLAP) y para grandes
amigable. bases de datos empresariales
Velocidad de Latencia más alta, trabaja con Trabaja el MapReduce en
procesamiento MapReduce en segundo plano y es segundo plano por esta razón
mas rápido comparado con Hive también tiene una latencia alta
Compatible Se ejecuta sobre MapReduce Se ejecuta en MapReduce
Hadoop
Esquema No tiene un concepto de esquema y El esquema utilizado es para
Utilizado puede almacenar datos en un alias insertar datos en tablas
Se utiliza la No puede ser usados en la interfaz Si es compatible con esta interfaz
interfaz Web web ya que no es compatible
Tipos de datos Estructurados y semiestructurados. Solo con estructurados
Formato Admite AVRO y estructuras de No es compatible con este tipo de

AVRO datos complejas y formato binario. archivos.
Uso Los usuarios en general son Es utilizado para el análisis de
programadores e investigadores. datos.
144
3.3.4. Herramientas de Análisis

Entre las herramientas de análisis de datos masivos, destaca 2 de ellos por
su poder en el análisis, ser amigables para programadores y obtener resultados en
el análisis deseado. Estos son R y Python los cuales tienen bastante aceptación.
Cuentan con características en común:
• Open Source la cual permite una libre descarga en comparación a otras

herramientas comerciales como es SAS y SPSS.
• Son lenguajes de programación con paquetes avanzados relacionados con
estadística.
• Comunidades en línea las cuales son un apoyo para los usuarios
• En lo económico según un estudio realizado por O´Relly los científicos de
datos que utilizaron herramientas de código abierto obtuvieron un mejor
salario en comparación a los científicos que utilizan herramientas patentadas
(US$130,000 código abierto vs. US$90,000 patentados).
Si bien ambos lenguajes de programación están ganando protagonismo en

la comunidad de análisis de datos, están luchando por convertirse en el lenguaje de
elección de los científicos de datos. La comparación se muestra en la tabla 3.
145
Tabla 3
Comparativo R y Python. Elaboración propia
Comparativo R Python
Bases Manejados por el grupo R-Core y R Python Software Foundation(PSF),
Project, está escrito principalmente este lenguaje está inspirado en C,
en lenguaje C, Fortran Modula-3 y esencialmente por ABC.
Usuarios Investigadores de Big Data, pero Programadores, analistas de datos,
está tomando fuerza en el ámbito desarrolladores y científicos de datos.
del mercado empresarial
Propósito Uso amigable para el análisis de Este lenguaje está dirigido a la
datos, estadística y utiliza productividad así como legibilidad de
diversidad en modelo de graficas código
Comunidad Usuarios Stackoverflow (preguntas Stackoverflow , los usuarios
y respuestas), gran comunidad y contribuyen con código y
documentación documentación
Flexibilidad Para la realización de modelos Fácil sintaxis que ayuda en la
estadísticos, fácil usar en depuración y codificación. Usado para
fórmulas complejas. realizar scripts en sitios web o en
alguna otra aplicación.
Algunas tareas Trabajo exploratorio de datos, es Lenguaje de programación hecho y
más fácil para usuarios derecho, una herramienta excelente
principiantes. Sus modelos para la implementación de algoritmos
estadísticos se pueden realizar al utilizados en la producción.
escribir un código de pocas líneas
Uso Análisis de datos computación Cuando la tarea de análisis de datos
independiente o realizar el análisis debe integrarse con alguna aplicación
en un servidor individual. web o si el código debe incorporarse
a una base de datos en producción.
Desventajas Lento en curva de aprendizaje, No cuenta con la mismas cantidad de
necesario descargar paquetes. biblioteca en comparación con R
Ventajas Gráficas excelentes, cuenta con un Jupyter para compartir datos, sus
enorme catálogo para el uso de cálculos matemáticos son fáciles y
análisis de uso de datos, interfaz rápidos., bastante legibilidad de
con GitHub y disponibilidad de código , gran velocidad, excelentes
RMarkdown. funciones en Python.
146

El análisis grafico es una forma de consulta en la que los datos se muestran
de forma gráfica. Con esto se busca tener el propósito de una comprensión,
razonamiento y toma de decisiones efectivos. Esto se usa principalmente en
conjuntos de datos muy grandes y complejos.
Los objetivo de estas herramientas son:
• Trata de proporcionar una forma transparente en el proceso de los datos e

información para un mejor análisis de los datos.
• Integra disciplinas científicas para mejorar la división del trabajo entre
humanos y máquinas.
• Obtener un conocimiento más profundo de grandes datos, dinámicos y
complejos.
• Proporciona informes más comprensibles, oportunos y defendibles.
• Comunicar de una mejor manera el informe para una mejor toma de
decisiones.
Existen lenguajes de análisis visual que son muy usados en la comunidad

de análisis de datos, como lo es SAS y Tableau. Se realiza una comparación que
se muestra en la tabla 5.
147
Tabla 5.
Comparativo SAS Vs Tableau. Elaboración propia.
Comparativo SAS Tableau

Su Clasificación Por debajo de las 10 primeras de Es la herramienta más usada en el ámbito
herramientas usadas en el análisis de análisis y visualización de datos.
de datos gráficos
Clientes Staples, Scotia Bank, Instituto Accenture, Coca Cola, Bank of

Australiano de Salud y America, PayPal, Google,
Bienestar Skype, Citigroup, Dell, Walmart, The New
York Times, US Army, Air Force.
Volumen de datos Gran volumen de datos sin ningún Se utiliza también en pequeñas y
problema medianas empresas
Instalación Complejo de instalar Fácil de instalar y administrar
Soporte de su Existe un sistema de "Proceso Literalmente es una herramienta de

Funcionalidad almacenado" que es un riesgo alto si arrastrar y soltar y si alguna funcionalidad
deja de funcionar, se puede no se ejecuta, hasta ahí llega su
programar para hacer literalmente desempeño
cualquier cosa
Capacidad Para escalar, es necesario un costo Viene con todas las funcionales cargadas,
extra. no puede crecer
Visualización Deficiente en visualización de datos Gran potencial para visualización de datos

comparado con Tableau.
Características El panel de análisis visual SAS tiene Tablero de Tableau puede contar una
múltiples pestañas, con el panel historia, cuenta con parámetros y mapas
interactivo y explorador de datos
visuales
Ventajas Es excelente para modelar y Cuenta con conectividad con Google

exploración de datos Analytics y fuentes de datos dispersas
Apoyo Excelente soporte de servicios al No es necesaria la asistencia, se actualiza

cliente, así como de expertos en el con frecuencia y los problemas se
análisis. resuelven rápidamente.
Costo y Licencias Su licencia es anual y su costo es El costo se difiere para cada una de sus
único características.
148
3.3.6. Propuesta de trabajo.

Las herramientas que se han analizado tienen el propósito de facilitar la
captación o ingesta, el análisis, el almacenamiento, el procesamiento y la
visualización de los datos. Los datos pueden provenir de diferentes orígenes o
fuentes.
Se han analizado datos desde ya hace tiempo por parte de científicos e

investigadores con el fin de comprender patrones o determinar causales de algún
problema, lo que ahora representa el gran reto es la escala en la que estos son
generados.
Esta explosión de "grandes datos" está transformando la manera en que se

conduce una investigación y por este motivo es necesario conocer y entender las
herramientas que se pueden utilizar para lograr analizar esta gran cantidad de datos
relacionados con el descubrimiento científico, investigación ambiental y biomédica,
educación, salud, seguridad nacional, empresarial entre otros. De entre los
proyectos que se pueden mencionar donde se ha llevado a cabo el uso de una
solución de Big Data se encuentran:
• El Language, Interaction and Computation Laboratory (CLIC) en conjunto con la

Universidad de Trento en Italia, son un grupo de investigadores cuyo interés es
el estudio de la comunicación verbal y no verbal tanto con métodos
computacionales como cognitivos.
• Lineberger Comprehensive Cancer Center - Bioinformatics Group utiliza Hadoop
y HBasepara para analizar datos producidos por los investigadores de The
Cancer Genome Atlas(TCGA) para soportar las investigaciones relacionadas
con el cáncer.
• El PSG College of Technology, India, analiza múltiples secuencias de proteínas
para determinar los enlaces evolutivos y predecir estructuras moleculares. La
naturaleza del algoritmo y el paralelismo computacional de Hadoop mejora la
velocidad y exactitud de estas secuencias.
149
• La Universidad Distrital Francisco Jose de Caldas utiliza Hadoop para apoyar su

proyecto de investigación relacionado con el sistema de inteligencia territorial de
la ciudad de Bogotá.
• La Universidad de Maryland es una de las seis universidades que colaboran en
la iniciativa académica de cómputo en la nube de IBM/Google. Sus
investigaciones incluyen proyectos en la lingüística computacional (machine
translation), modelado del lenguaje, bioinformática, análisis de correo electrónico
y procesamiento de imágenes.
A nivel general estas herramientas se han utilizado en diferentes ámbitos de la

sociedad y que hoy se siguen usando como lo es en:
• En la prevención de crimen. Gracias a la implementación de las aplicaciones

Smart Steps, que coteja toda la información que es censada en los barrios de
Massachusetts en Estados Unidos, ya es posible predecir en un 68% si ocurrirá
un crimen en un área determinada, lo que ha permitido desarrollar mapas en los
que se identifican zonas de alto riesgo. El uso de estas herramientas permiten a
la policía analizar las incidencias delictivas de las zonas, la movilidad
demográfica, la ocupación laboral de los pobladores y el perfil psicológico de los
6.5 millones de habitantes del estado en menos de un mes, lo que permite
generar acciones de contención criminal antes de que un acto delictivo ocurra.
• En el uso de la movilidad. Al cierre de 2016, Uber contaba con 39 mil conductores
registrados en México y poco más de un millón 200 mil usuarios inscritos en el
país, otorgando el 3er lugar a nivel mundial utilizando esta plataforma. Gracias
al uso de herramientas, el sistema Uber gestiona los millones de billones de
destinos, esto le permite tener una base de datos de los diferentes puntos de
inicio del trayecto a su destino y de esta manera les permite obtener tarifas
adecuadas.
• En la salud. Los científicos de datos pueden conocer, en tiempo real, la actividad
de las ambulancias de una ciudad, de esta manera pueden obtener información
de los riesgos o de accidentes lo cual les permite realiza modelos para el
despliegue de las ambulancias. Con estos datos analizados en segundos podría
150
facilitar la tarea de distribuir adecuadamente la red de hospitales de un estado,

e incluso, a planificar los dispositivos de seguridad y salud frente a catástrofes
naturales de grandes dimensiones.
• En el área de recursos humanos. Mediante el análisis de los datos de gran
volumen de información, el departamento de recursos humanos puede generar
mejores análisis para determinar porqué emigran los empleados o porqué se
quedan a laborar en la empresa llevando a cabo registros de empleados
anteriores y aplicaciones a vacantes, entre otros. Según un estudio realizado por
la financiera y compañía de capital humano Workday, un 96% de los directores
de atracción de talento considera que el Big Data permitirá avanzar para
“predecir tendencias y lo que pasará en el futuro”, con estas herramientas los
gestores de capital humano tienen un amplio conocimiento de las necesidades
de las empresas así como de las cualidades o defectos del sector empresarial.
• En las comunicaciones. En la actualidad las compañías de telefonía móvil e
internet tienen un número impresionante de datos sobre sus clientes: cantidad
de llamadas que realizan, tiempo de duración, horario en el que se ejecutan,
cobertura de redes y cuentan con reportes de interrupciones en los servicios.
Una de estas empresas a nivel mundial fue la empresa T-Mobile, al filtrar las
conversaciones en redes sociales de sus clientes, redujo a la mitad su número
de quejas, reconociendo cada eventualidad por sector y área. De esta manera
lograron promocionar paquetes especiales para sus usuarios, ofertándoles un
servicio específico antes de que abandonaran la compañía.
• En las ventas. La tienda Macy’s es el perfecto ejemplo de cómo el uso de las
herramientas adecuadas para el análisis puede ser más que útil a la hora de
fidelizar con el usuario por medio del feedback en sus 900 almacenes y
boutiques distribuidos a lo largo de Estados Unidos y su tienda online (a la que
diariamente acceden 14 millones de personas). Gracias a este análisis de datos
que generan los consumidores, los propietarios de “la tienda más grande del
mundo” se han ahorrado 557 mil dólares anuales por concepto de “análisis y
envíos de email-marketing”, empezaron a generar estrategias de descuento en
tiempo real de acuerdo a lo que se comentaba en redes sociales.
151
• En el deporte. Las decisiones en el mundo de los deportes se basan en criterios

usualmente subjetivos y monetarios, en el año 2002 cuando Billy Beane, gerente
deportivo del equipo de béisbol de los Oakland Athletics, contrató a un grupo de
jugadores infravalorados pero los cuales se les puede realizar un contrato
económico muy por debajo de lo habitual y que los convertía en jugadores
rentables, utilizando un criterio de selección estadístico basado en el uso de
herramientas de análisis. Se hizo una selección idónea en una base de 1918
jugadores, cotejando varios porcentajes como por ejemplo el número de veces
que se pone en base o las veces que realizaba un hits y dejando en el pasando
o en segundo plano el número de veces que realizaba un cuadrangular. Esta
historia fue llevada al cine en la cual la película Moneyball: El Juego de la
Fortuna, Beane llevó a enfrentar a los atléticos de Oakland, valuado en 45
millones de dólares, en contra de los Yankees de Nueva York New cuyos
jugadores se cotizan en 125 millones.
• En la política. El expresidente de Estados Unidos, Barack Obama, decidió utilizar
un análisis de datos para su reelección en 2012. Tras un primer análisis, los
esfuerzos de la campaña se enfocaron en tres aspectos: registro (recoger datos
de los votantes convencidos), persuasión (dirigirse a los dudosos de una forma
eficaz) y voto del electorado (asegurarse de que los partidarios fueran a ejercer
el voto sí o sí). Para validar la información de 235 millones 248 mil posibles
votantes utilizó herramientas de análisis Big Data, el demócrata y su comisión
recogieron datos a pie de campo y realizaron un feedback muy rápido vía
notificaciones de email, con esto detectó en qué estados o zonas funcionaría
mejor la publicidad, ayudándolo a optimizar el gasto en comerciales de televisión
y enfocándolos a redes sociales.
3.3.7. Enlaces de instalación y configuración de herramientas

En este apartado se indican algunos los enlaces electrónicos (URL) que se
recopilaron al momento de la escritura de este documento , son guía para los
procesos de instalación de las herramientas citadas.
152
3.3.7.1. Instalación de Hadoop

Se realiza la descarga en el siguiente link:
https://hadoop.apache.org/releases.html
3.3.7.2. Instalacion de Mongodb

Para iniciar con la instalación es necesario ingresar a la siguiente página para
realizar la descarga https://www.mongodb.com/es una vez dentro de la página
seleccionar el apartado para obtener la prueba de MongoDB.
3.3.7.3. Instalación de Tableau

Para la instalación de esta herramienta es necesario ingresar a la siguiente
página para realizar la descarga del software: https://www.tableau.com/es-
es/trial/tableau-software#form
3.3.7.4. Instalación del lenguaje R

Para la instalación de lenguaje de R es necesario ingresar a la página:
https://www.r-project.org/; también se sugiere que se instale la herramienta RStudio
desde el enlace https://rstudio.com/products/rstudio/
3.3.7.5. Instalación del lenguaje Python

La instalación de Python se debe descargar del siguiente link:
https://www.python.org/
3.3.8. Análisis de propuesta

Para utilizar de cualquier herramienta de Big Data es necesario conocer el
origen en done se va a obtener los datos, estimar su volumen, su manejo en tiempos
de respuesta en los que se requiere el resultado y sobre todo conocer que es lo que
se está buscando en el análisis para poder determinar que herramientas se
necesitan para llevar a cabo estas acciones.
Mundialmente el análisis de datos es la especialidad de moda o una de las

que se tiene pensado mayor crecimiento por el número importante de empresas de
todo tipo desde venta de productos hasta el entretenimiento utilizan dichos datos
153
generados, así como gobiernos, políticos, científicos y ciudades han empezado a

utilizar el análisis de datos.
La fundación de Software Apache es la punta de lanza para el desarrollo de

estas herramientas ya que tienen una de las cualidades más fuerte al ser Open
Source (código abierto) y con la gran comunidad que tienen no solo en el desarrollo,
sino también en el soporte llevan una delantera muy importante en la Big Data.
Se mencionó que existen diferentes herramientas para trabajar con Big Data
ya sea de tipo no comercial y comercial; que son de distinta naturaleza y de diferente
propósito; además, que algunas de ellas son diseñadas únicamente para procesos
especiales.
Para el uso del análisis de datos con las herramientas de Big Data existen
grandes ventajas que otorgan estas herramientas, como lo es el procesamiento de
grandes volúmenes de datos, las velocidades para trabajar con ellos, muchas de
estas herramientas son de código abierto, comunidades que existen para apoyar en
el uso de estas, la facilidad de obtener resultados de diferentes tipos de fuentes, los
resultados obtenidos los cuales permite interpretar información de conducta,
patrones a seguir o prevenir eventos en tiempo real si así se requiere, algunos de
los lenguajes que se utilizan son muy potentes y fáciles de aprender, los resultados
presentados son de manera muy legible y entendible para la toma de decisiones.
Algunas de las desventajas que se encuentran es que algunas de estas

herramientas es que no son compatible con fuentes complejas de datos, el costo
alto de varias de ellas, tal vez, se requiere hardware especial para ejecutar procesos
eficientemente, algunos de los lenguajes son complicados de aprender. Sin
embargo, siempre habrá que evaluar el costo beneficio de enfrentar el reto.
3.3.8.1. Herramientas de Ingesta (Sqoop vs Flume)

Entre las dos herramientas de las cuales se hicieron comparaciones para la
captación de datos que se utilizan en Big Data la conclusión es que si necesita
realizar dicha ingesta de datos de registro textuales en Hadoop, la herramienta
Flume es la opción correcta gracias a su naturaleza y a que es una herramienta
154
especial para trabajar con una gran cantidad de datos no estructurados, esta
herramienta tiene una gran flexibilidad en la ingesta y Sqoop no está diseñada para
trabajar con datos no estructurados.
Sqoop no es la mejor opción para el manejo de datos basado en eventos y

es usado para bases de datos estructurados únicamente, Flume es una herramienta
más poderosa para la ingesta de datos.
3.3.8.2. Herramientas de Almacenamiento (MongoDB vs Hadoop)

En la comparación de MongoDB y Hadoop para el almacenamiento de datos
como la solución de Big Data es necesario realizar una considerable investigación
acerca de lo que se necesita obtener o cual es la mejor de ellas para este
almacenamiento de datos masivos.
Si se busca el procesamiento de datos en tiempo real pero con baja latencia

o se necesita reemplazar el RDBMS o se va iniciar un sistema transaccional nuevo
en su totalidad es recomendable MongoDB.
Si se necesita un análisis de datos de larga ejecución y que se consulten

datos en el momento que se necesiten, entonces Hadoop sería la opción. Se debe
considerar la velocidad y el volumen de los datos a almacenar donde Hadoop es la
mejor opción ya que está diseñado para manejar información a mayor escala y es
uno de los temas que se debe tener en cuenta para una mejor escalabilidad o
expansión del proyecto.
La que sea de las dos opciones pueden ser excelentes para una solución
escalable que tenga que procesar grandes cantidades de datos complejos. Mucha
gente que utiliza MongoDB recomienda que se utilicen ambos sistemas en conjunto
ya que MongoDB delega tareas en tiempo real y el procesamiento de datos se lo
deja a Hadoop la cual es una ventaja de las dos herramientas al trabajar en conjunto
y hacer más eficiente las tareas. Una de las desventajas en trabajar en conjunto es
que una mala configuración sería desastroso para la confiabilidad y sostenibilidad
de alguna plataforma.
155
Hadoop tiene la gran ventaja de ser tolerante a fallos algo que MongoDB por
su estructura y lo deja en una desventaja considerable ante Hadoop.
3.3.8.3. Herramientas de Procesamiento (Apache Pig vs Apache Hive)

Estas dos herramientas de procesamiento de datos son utilizados en los
cluster de Hadoop y son consideradas herramientas poderosas para el análisis de
datos y la Extracción, Transformación y Carga de datos (ETL siglas en ingles).
El usuario debe elegir los tipos de datos de entrada y lo que requiere a la

salida ya que como se mencionó anteriormente trabajan en el cluster de Hadoop y
comparten características muy similares en su procesamiento, velocidad y
compatibilidad con Hadoop.
Apache Pig tiene una gran ventaja al poder ser usada para la interfaz WEB
ya que Hive no es compatible con esta interfaz, así como Pig admite datos
estructurados como semiestructurados y admite el formato AVRO, y Hive tiene estas
limitantes.
La herramienta Pig es más poderosa que Hive, esta herramienta es

utilizada en su mayoría por científicos de datos y en su defecto Hive solo es
utilizada para el análisis de datos únicamente.
Un usuario debe seleccionar una herramienta basada en los tipos de datos y

la salida esperada. Ambas herramientas proporcionan una forma única de analizar
Big Data en el clúster de Hadoop. Según la discusión anterior, el usuario puede
elegir entre Apache Pig y Apache Hive para sus requisitos.
3.3.8.4. Herramientas de Análisis (R vs Python)

Son dos de los lenguajes que se utilizan con mayor frecuencia en el análisis de
datos ya que cuentan con gran aceptación por parte de programadores por ser
lenguajes sencillos de aprender en comparación a otros existentes, como ya se ha
mencionado, cuentan con una gran comunidad de desarrolladores independientes
que los vuelve más poderosos en el análisis de datos, aunque hay que mencionar
que muchas veces estas mejoras son solucionadas por R y después por Python, es
más fácil de aprender el código Python que el del lenguaje R, pero R cuenta con
156
RStudio el cual facilita el entendimiento de los datos y variables para lograr un

análisis adecuado con pocas líneas de código, R tiene mayor biblioteca de funciones
que Python, RStudio tiene mayor variedad en gráficas para el uso del analista de
datos.
Una de las cualidades importante de Python es que además de realizar

análisis se puede integrar en aplicaciones Web o a una base de datos en producción
mientras que R solo se puede utilizar en procesos independientes o individuales.
En pocas palabras estos 2 lenguajes analizados son excelentes solo que

cada uno de ellos es para un propósito en específico y para el uso de análisis de
datos que se requiere.
3.3.8.5. Herramientas de Análisis Graficas (SAS VS Tableau)

En la comparativa de herramientas de visualización de Big Data solo cabe
mencionar que SAS se encuentra entre las primeras 10 herramientas más usadas
mientras que Tableau es la número uno, esto debido a que es una herramienta
diseñada para el uso de pequeñas, medianas y grandes empresas mientras que
SAS está diseñada para grandes empresas, SAS maneja costos más elevados un
ejemplo es que maneja una anualidad y para adquirir otros paquetes de esta
aplicación llevan un costo extra y en Tableau todo viene incluido desde que se
adquiere. Tableau es una herramienta más completa y más funcional que cualquier
otra en ambiente gráfico; sin embargo las versiones comerciales están fuera del
alcance de presupuestos académicos, pero si al alcance de presupuestos
empresariales.
El análisis de datos existe en contextos y ámbitos como la ciencia, astrología,

salud, empresarial, financiero, agricultura, minería, comercial, gubernamental,
deportes, entre otros, ha cambiado la forma de ver sucesos que cotidianamente se
presentan. Obteniendo mejorías en la vida diaria previniendo enfermedades,
desastres naturales, bajando costos de producción, analizando causantes de
problemas, y muchos otros beneficios.
157
Este tipo de análisis ha llegado a cambiar ciudades enteras a nivel mundial,

un ejemplo muy claro es la ciudad de Barcelona considerada como una ciudad
inteligente la cual con análisis de datos a llegado a obtener beneficios en el
transporte, consumo de agua, fallos de electricidad, reutilización de residuos,
emergencias hospitalarias, entre otros. En general al utilizar las herramientas
adecuadas para el análisis se pueden obtener un sin fin de mejoras en todos los
ámbitos.
Conclusiones y Recomendaciones
Ante el crecimiento constante de datos y de dispositivos que generan dichos
datos se debe estar preparado para lograr un entendimiento de cómo se puede
llevar un correcto proceso de análisis para lograr resultados sorprendentes, las
herramientas, los términos usados y los beneficios que se pueden obtener de éstos
análisis en cualquier sector son demasiados con la apropiada tecnología y
conocimiento de ella.
Este documento ofrece un panorama general de herramienta Big Data,

menciona la existencia de herramientas para ingesta o recolección datos,
almacenamiento, procesamiento, análisis de datos y visualización de datos.
La mayoría de las herramientas analizadas en este documento trabajan en

un ecosistema de Hadoop el cual permite trabajar con miles de nodos que lo vuelve
más eficiente en el análisis de datos.
Se documentó también de los beneficios que se obtienen con estas

herramientas, se podría decir que en todo tipo de sectores públicos, privados y
comerciales pudieran estar presentes. En contextos como salud, alimentación,
entretenimiento, cultural, ambiental, política, empresarial y muchos más, el Big Data
puede dar material para analizar varios aspectos.
Se puede medir comportamientos de los usuarios, de temperatura, de

humedad, de salud, de lo que sea necesario solo con tener algún sensor que emita
algún dato.
158
Ha cambiado la forma de hacer negocios con Big Data y sus herramientas

disminuyendo costos, reorganizando procesos, innovando y mejorando decisiones.
En general Big Data y sus herramientas son un beneficio a nivel mundial y lo que
falta por analizar es bastante ya que cada día la cantidad de datos será mayor.
De estas herramientas se puede decir que se ha llegado a comprender mejor

el tema de análisis de grandes datos así como tener una idea de que es el próximo
paso en lo que se refiere a la información, y que en poco tiempo en México llegará
a ser una de las especialidades más rentables, como lo es en gran parte del mundo.
Estas herramientas no solo pueden ser útiles para grandes empresas

refiriéndonos en lo comercial, sino también en pequeñas y medianas empresas.
Además de los beneficios que pueden tener en otros ámbitos y ser necesario gente
capacitada para poder realizar este tipo de análisis.
Finalmente se concluye que la mayoría de las herramientas descritas son de

fácil acceso y de una instalación no muy complicada, así como muy amigables en
lo referente a la integración con el usuario, varias de ellas son de fácil comprensión
para usuarios de nivel básico en conocimientos de cómputo.
Referencias
Apache Cassandra. (01 de 01 de 2016). Apache Software Foundation. Obtenido de Apache
Cassandra: https://cassandra.apache.org/
Apache Hadoop. (s.f. de s.f. de s.f.). Apache Hadoop. Obtenido de Apache Hadoop:
http://hadoop.apache.org/
Apache HBase. (14 de 07 de 2020). Apache HBase. Obtenido de Welcome to Apache HBase:
https://hbase.apache.org/
Apache Kafka. (s.f. de s.f. de s.f.). Apache Kafka. Obtenido de A distributed streaming platform:
http://kafka.apache.org/
Apache Pig. (01 de 01 de 2018). Apache Pig. Obtenido de Welcome to Apache Pig!:
http://pig.apache.org/
159
Apache Spark. (s.f. de s.f. de s.f.). Apache Spark. Obtenido de Apache Spark™ is a unified analytics
engine for large-scale data processing.: http://spark.apache.org/
Apache Sqoop. (18 de 01 de 2019). The Apache Software Fundation. Obtenido de Apache Sqoop:
http://sqoop.apache.org/
Apache Storm. (01 de 01 de 2019). Apache Storm. Obtenido de Apache Storm:

http://storm.apache.org/
Apache Tive TM. (01 de 01 de 2014). Apache Tive TM. Obtenido de Apache Tive TM:
https://hive.apache.org/
Big Data Dummy. (10 de 01 de 2017). Big Data Dummy. Analytics, NoSQL and Microservices.
Obtenido de Formatos de Fichero: https://bigdatadummy.com/2017/01/10/apache-
avro/#avro
Big Data Dummy Analytics. (17 de 02 de 2017). Big Data Dummy Analytics, NoSQL and
Microservices. Obtenido de Apache Flume Ingesta:
https://bigdatadummy.com/2017/02/07/apache-flume/
Cloudera. (s.f. de s.f. de s.f.). Cloudera Documentation. Obtenido de Cloudera Documentation:

https://docs.cloudera.com/documentation/enterprise/5-3-x/topics/impala_intro.html
Davenport, T., & Patil, D. (01 de 10 de 2012). Data. Data Scientist: The Sexiest Job of the 21st
Century. Obtenido de Data. Data Scientist: The Sexiest Job of the 21st Century:
https://hbr.org/2012/10/data-scientist-the-sexiest-job-of-the-21st-century
Genbeta. (28 de 01 de 2014). Genbeta: Dev. Obtenido de Genbeta: Dev:

https://www.genbeta.com/desarrollo/nosql-clasificacion-de-las-bases-de-datos-segun-el-
teorema-cap
Gil, E. (2016). Big data, privacidad y protección de datos. Madrid: Publisher: Agencia Española de
Protección de Datos y Boletín Oficial del Estado ISBN: 9788434023093.
Jupyter. (01 de 01 de 2020). Jupyter. Obtenido de jupyter: https://jupyter.org/
Manjarrez Antaño, A. C., Martínez Castro, J. M., & Cuevas Valencia, R. E. (2014). Migración de
Bases de Datos SQL a NoSQL . Tlamati, Número Especial 3 CICOM , 144-148.
MongoDB. (15 de 07 de 2020). MongoDB. Obtenido de The database for modern applications:
https://www.mongodb.com/es
OBS Business School. (s.f. de s.f. de s.f.). OBS Business School. Obtenido de Noticias. En 2020,
más de 30 mil millones de dispositivos estarán conectados a Internet:
160
https://obsbusiness.school/es/noticias/estudio-obs/en-2020-mas-de-30-mil-millones-de-
dispositivos-estaran-conectados-internet
Pérez Marqués, M. (2015). Bid Data. Técnicas, herramientas y aplicaciones. México: AlfaOmega
Grupo Editor S.A de C.V.
Portafolio. (04 de 12 de 2019). Portafolio. Cambios y desafíos para el Big Data en 2020. Obtenido
de El empleo de esta tecnología disruptiva gana cada vez más terreno en distintos ámbitos.:
https://www.portafolio.co/innovacion/cambios-y-desafios-para-el-big-data-en-2020-536199
Python. (s.f. de s.f. de s.f.). Python. Obtenido de Python: https://www.python.org/
RapidMiner. (01 de 01 de 2020). RapidMiner. Obtenido de RapidMiner: https://rapidminer.com/
Rayón, Á. (18 de 12 de 2016). Deusto Data. Obtenido de TECNOLOGÍAS DE INGESTA DE DATOS

EN PROYECTOS «BIG DATA» EN TIEMPO REAL:
https://blogs.deusto.es/bigdata/tecnologias-de-ingesta-de-datos-en-proyectos-big-data/
R-project.org. (01 de 01 de 2019). R-project.org. Obtenido de R-project.org: https://www.r-project.org/
Salazar Argonza, J. (01 de 01 de 2016). Big Data en la educación. Revista Digital Universitaria ISSN:
1607 - 6079. Publicación mensual, 16. Obtenido de Big Data en la educación:
http://www.revista.unam.mx/vol.17/num1/art06/#
Sánchez Villaseñor, O. (01 de 04 de 2019). Herraientas, retos, oportunidades, seguridad y

tendencias del Big Data. Tesina para obtener el título de Ingeniero en Computación. Toluca,
Estadode México, México: UNAM. Facultad de Ingeniería.
Scala. (s.f. de s.f. de s.f.). Scala. Obtenido de Scala: https://docs.scala-lang.org/getting-

started/index.html
Tableau Software, LLC. (s.f. de s.f. de s.f.). Tableau. Obtenido de Que es Tableau:
https://www.tableau.com/es-mx
Twitter. (25 de 06 de 2018). Twitter. Obtenido de Cloud Business:

https://twitter.com/cloudbusinesspe/status/1011361824946651136
Universidad de Alcalá. (s.f. de s.f. de s.f.). Universidad de Alcalá. Obtenido de Las cinco Vs. que
sirven para explicar el Big Data: https://www.master-bigdata.com/big-data-5-v/
161
Capítulo 4
Big Data. Análisis de Estrategias de Marketing Digital
María Dolores Concepción De Lara Gurrola

[email protected]
Jesús Eduardo Carrillo Morales

[email protected]

[email protected]
4.1. Introducción
Actualmente se está utilizando un nuevo esquema de investigación
informático, útil para muchas empresas, que proporciona información que
anteriormente no se tenían en cuenta.
Este documento, aporta una guía que lo llevarán a desarrollar las habilidades
para el mejor desempeño en Marketing Digital además de servir de base para
identificar más oportunidades de crecer si se exploran nuevos campos de
investigación con el Big Data.
162
El análisis de Big Data ayuda a las organizaciones a aprovechar sus datos y

utilizarlos para identificar nuevas oportunidades dentro de su especialidad. Es un
paso más allá de la estadística, se puede procesar con el uso de herramientas como
programas de lealtad, reportes de ventas, análisis web y bases de datos de los
clientes.
La economía obliga a las empresas de nivel global a competir por la

información, centralizar esta misma controlando aspectos de negocio basados en
grandes volúmenes de datos. El marketing digital puede aportar estrategias que se
pueden tomar en cuenta al querer incursionar en el comercio electrónico de
cualquier producto o servicio dirigido a los consumidores finales creando nuevos
horizontes que apuntalarán a nuevos esquemas de negocios de todo tipo de
mercado.
En estos tiempos se cuenta con tecnología que permite tratar grandes

cantidades de datos en un tiempo muy limitado, de manera que su análisis casi
puede ser utilizado en tiempo real para lograr una toma de decisiones en base de
los resultados que se obtengan, ya sean comerciales como de cualquier otro tipo en
cualquier campo que se deseen aplicar.
La recopilación de grandes cantidades de datos y la búsqueda de tendencias

dentro de los mismos, permiten que las empresas vean un gran crecimiento sin
problemas y de manera eficiente gracias al marketing digital en gran medida a que
se adapta para la creación de los perfiles de búsqueda del usuario.
Personas con o sin conocimientos tecnológicos, tienen la incertidumbre de

cómo se almacena toda la información generada en el mundo: en Facebook, Twitter,
o como el buscador tan conocido que es Google es capaz de manejar todas las
búsquedas que se hacen a diario.
El objetivo de este documento es hacer un análisis de diferentes formas que

el marketing digital puede apoyar a las empresas y en las cuales se implementa el
Big Data para obtener máximo beneficio en cuanto la presencia que proyecta el
marketing digital.
163
De manera específica se busca lo siguiente:
• Identificar aspectos generales de los paradigmas Business Intelligence, Data

Mining y Machine Learning.
• Determinar los aspectos y características del paradigma Big Data y la relación
con otros temas.
• Identificar las herramientas que conformas el Big Data
• Identificar las características del Marketing Digital
• Determinar aspectos de implementación de Marketing Digital y Big Data en
empresas de manera general. (posible propuesta)
Al integrar patrones de búsquedas, conductas y tecnologías a fin de explotar

este conocimiento como nueva tendencia dentro de las proyecciones de ventas o
posicionamiento de marcas.
Este documento muestra una forma, de cómo, desde un email, publicaciones,

redes sociales y publicidad en videos proyectan el marketing especializado a áreas
en las que muestra interés cada usuario, señaliza o maneja algún tipo de perfil en
base a los comportamientos que el Big Data y otras herramientas de análisis pueden
ofrecer.
El propósito de este capítulo es mostrar algunos esquemas de análisis donde

las empresas puedan recurrir al Big Data y sus herramientas en el proceso de toma
de decisiones, concientizar a dichas empresas de las diferentes estrategias de
posicionamiento las cuales pueden proyectarse a mayor número de usuarios
específicos a fin de obtener mayor beneficio y ganancias en su ramo.
El impacto que se tiene al utilizar el Big Data en el marketing digital permite

conocer mejor a los clientes de una empresa o futuros clientes potenciales, por lo
cual tendría un gran impacto en el incremento de ventas ya que se puede ofertar al
consumidor un producto de acuerdo con las necesidades que requiera.
Un beneficio de utilizar el Big data y sus herramientas adecuadas, es que se

pueden procesar los datos tomando los criterios adecuados para llegar a lograr una
estrategia de marketing digital exitosa.
164

Para comprender más lo que es el Big Data, se debe de conocer su historia
y como interactúa con otros factores como Business Intelligence, Data Mining y
Machine Learning los cuales serán la base para optar por la mejor opción dentro del
Marketing Digital.
En 1958 Hans-Peter Luhn escribe un artículo donde habla por primera vez
del Business Intelligence (BI) en el cual menciona “negocios es una colección de
actividades llevadas a cabo con cualquier propósito, ya sea ciencia, tecnología,
comercio, industria, derecho, gobierno, defensa, entre otros.
La noción de inteligencia también se define aquí, en un sentido más general,

como la "capacidad de comprender las relaciones entre los hechos presentados de
tal manera que guíe la acción hacia una meta deseada.” (Luhn, 1958).
Por otra parte, es importante mencionar que el conocimiento es generado a

partir del buen uso de la información, la información es el significado de los datos y
es derivado a partir de ellos. Existe una asociación importante entre datos,
información y conocimiento. Si la información genera conocimiento, entonces ha
ocurrido proceso de inteligencia en un ser inteligente. (Ahumada Tello & Perusquia
Velasco, 2016).
En los siguientes apartados, se describen los conceptos de Inteligencia de

Negocios; Big Data y sus herramientas; Minería de Datos y sus herramientas;
Marketing Digital y sus características y acepciones; entre otros conceptos.
4.2.1. ¿Qué es el Business Intelligence?

La inteligencia de negocio (BI) es un conjunto de estrategias, acciones y
herramientas que apoyan a la administración y creación de conocimiento mediante
el análisis de variables y datos históricos en una empresa. (Ahumada Tello &
Perusquia Velasco, 2016)
165
El término Inteligencia de Negocios integra una amplia variedad de

tecnologías, herramientas, acciones, estrategias, plataformas de software,
aplicaciones y procesos. (Peña Ayala, 2006)
La finalidad de la Inteligencia de Negocios es apoyar en el proceso de toma

de decisiones que enriquecen el conocimiento de la empresa mejorando procesos
productivos que permite obtener ventajas competitivas en las empresas.
La Inteligencia de negocio en relación con el Big Data, obtiene beneficio del

procesamiento y almacenamiento de grandes cantidades de datos que son
generados por las aplicaciones y sistemas de información; al tener los datos e
información el BI y el Big Data los convierten en valor y conocimiento para la
empresa sustentando así decisiones de mejor calidad. (García Merino & García
Merino, 2017)
4.2.2. ¿Qué es el Big Data?

Por su significado en español grandes datos. El Big Data en la informática ha
tomado gran significado al recolectar la información de varias fuentes estructuradas
o no estructuradas, con facilidad de encontrar, analizar y dicha información.
Las organizaciones han encontrado en el Big Data una gran técnica para la
toma de decisiones, con un conjunto de herramientas informáticas que permiten la
manipulación, gestión y análisis de la información tomando en cuenta ciertos
parones de cómo se comporta la información obtenida.
En la figura 1 se presenta al centro el concepto de Big Data y alrededor

distintas tecnologías, disciplinas y conceptos con las que se relaciona.
La figura 1 muestra que Big Data se relaciona eminentemente con la

disciplina de estadística y distintas herramientas para análisis de datos; se relaciona
con el paradigma NoSQL para el tratamiento de datos no solo estructurados;
evidentemente se hace necesario el uso de herramientas para el almacenamiento
y procesamiento de información por eso la razón de tener relación con el cómputo
en la nube; así mismo, el uso de cómputo móvil para la visualización y comunicación
de datos a usuarios finales, entre otras cosas.
166
Figura 1. Big Data, tecnologías, disciplinas y conceptos con que se relaciona.

(SEGITTUR, 2019).
Big Data se relaciona con una gran ingesta de información, el tamaño y el

número no son las únicas variables grandes que están implicadas. Los principales
conceptos agrupados que han constituido y definido este nombre han sido las
denominadas tres V’s: volumen, variabilidad y velocidad.
Las nuevas fuentes de datos que alimentan al Big Data tienen propiedades
no solo por su volumen, sino también por otras características distintivas frente a
las fuentes de datos tradicionales. Big Data generalmente recurre al esquema de
las 3 vs (volumen, velocidad y variedad), si bien a veces se añaden algunos
atributos para alcanzar las 5 v's (veracidad y valor) o incluso las 7 v's (variabilidad y
visualización) (Gutiérrez Puebla, 2018).
Big Data puede ser visto como una tendencia y un presente en el avance de
la tecnología que identifica un área de oportunidad hacia un nuevo enfoque para
mejorar la toma de decisiones, se utiliza para procesar, analizar y describir enormes
cantidades de datos (estructurados, no estructurados y semiestructurados) y viene
a ser una evolución del mundo de las bases de datos relacionales. El concepto de
Big Data se utiliza en las organizaciones con fuentes de información interna y
externa que no puede ser procesada o analizada utilizando herramientas y procesos
convencionales (Puyol Moreno, 2014).
En resumen, la tecnología de los grandes datos ó Big Data es todo aquello

que tiene que ver con grandes volúmenes de información que se mueven o analizan
167
a alta velocidad y que pueden presentar una compleja variabilidad en cuanto a la

estructura de su composición.
La figura 2 identifica un esquema de las 7 v’s, el significado y traducción de

cada ‘v’ se presentan a continuación:
Figura 2. Las 7 v’s del Big Data
Fuente: (Kudupu, 2018)
4.2.3. Características de Big Data

• Volumen de datos.
• Variedad de Información.
• Velocidad de la información.
• Veracidad
• Valor
• Variabilidad
• Visualización
168
4.2.3.1. Volumen de datos

Para Big Data, considerar la información dentro de este mismo debe de
sobrepasar el terabyte de información, realmente no se conoce una cantidad
específica, se podría mencionar claramente el volumen de información entre
petabyte o zettabyte.
El volumen de los datos para conformar parte del Big Data, se puede
tomar de cualquier medio conectado posible, ya sea sensores de movimiento,
de temperatura, atmosféricos, celulares, relojes inteligentes entre otros.
Cada día, hora, segundo los sensores, tabletas, teléfonos y sistemas

inteligentes generan muchos datos que aumentan de manera exponencial. En la
época actual, el almacenamiento de los datos en las nuevas tecnologías no tienen
más de dos años. La mayoría de estos datos no se procesan ni se analizan por los
sistemas y aplicaciones tradicionales, dado que no tienen la funcionalidad ni la
potencia de procesarlos. (Puyol Moreno, 2014).
4.2.3.2. Variedad de Información.

La variedad de datos puede ser obtenidos de diversas maneras en todo el
mundo; por ejemplo, móviles, video, sistemas de localización (GPS), sensores
digitales, automóviles, medidores eléctricos, anemómetros, entre otros, los cuales
pueden medir y comunicar el posicionamiento, movimiento, vibración, temperatura,
humedad, y hasta los cambios químicos que sufre el aire.
La variedad hace referencia a la diversidad de tipos, formatos y fuentes de

datos, pueden ser estructurados como lo que se conoce en forma de tablas de las
bases de datos relacionales; semiestructurados como lo que se observa en los
archivos HTML o JSON; y no estructurados como archivos de texto, correos
electrónicos, imágenes o vídeos, entre otros. Los datos no estructurados que
pueden ser tratados más adecuadamente con sistemas NoSQL. (Gutiérrez Puebla,
2018)
169
4.2.3.3. Velocidad de la información.

Relacionado con el volumen está la rapidez a la que los datos son generados
y procesados. Se generan de forma continua, de manera que es posible seguir
procesos en secuencia y hacer análisis en tiempo casi real (Gutiérrez Puebla, 2018).
Debido a la gran variedad y volumen de la información susceptible de ser

procesada bajo herramientas Big Data, las aplicaciones que analizan datos masivos
requieren que la velocidad de respuesta sea lo suficientemente rápida como para
lograr obtener la información correcta en el momento justo (Barranco Fragoso,
2012).
4.2.3.4. Veracidad
La veracidad hace referencia a la confiabilidad en relación directa a que
existe una gran cantidad de datos. Actualmente ya se puede trabajar con
poblaciones en lugar de con muestras y de que deriven de acciones de la gente.
Por ejemplo, al hacer una encuesta se registra lo que la gente dice que hace; ahora
por medio del monitoreo y seguimiento de acciones de las personas, se registra lo
que la gente hace y cómo se comporta; estos son elementos a favor de la veracidad
de los datos (Gutiérrez Puebla, 2018).
4.2.3.5. Valor
En la actualidad disponer de datos cobra un valor imprescindible y creciente,
se compara a los datos con el petróleo de la cuarta revolución industrial. El dato
independiente no tiene valor; lo que le da valor económico es darle significado y
transformarlo en información y la vez en conocimiento útil para la tomar decisiones
y ejecutar acciones (Gutiérrez Puebla, 2018).
4.2.3.6. Variabilidad
Los datos con el tiempo cambian, además, debido a la variabilidad de los
procesos en las empresas, los datos cambian constantemente.
La variabilidad se refiere a los datos cuyo significado está continuamente

cambiando. Este es, cuando la recopilación de los mismos se basa en el
170
procesamiento del lenguaje, ya que las palabras no tienen definiciones estáticas, y

su significado puede variar mucho dependiendo del entorno (Maroto, 2018).
4.2.3.7. Visualización
Una aplicación para procesar, analizar y visualizar datos estructurados tiene
sentido en sistemas tradicionales, ahora, con la gran cantidad de datos masivos, es
necesario disponer de una manera de representarla la información de un modo más
accesible y fácil de leer, y aquí es donde entra en juego el concepto de la
visualización (Maroto, 2018).
Se necesita una forma de presentar y visualizar la gran cantidad de

información más allá del tradicional formato de informe y gráficos con ejes ‘x’ y ‘y’,
esto es un gran reto para el Big Data. (Maroto, 2018).
4.2.3.8. ¿Para qué el Big Data?

El Big Data, da a las organizaciones públicas y privadas la enorme
oportunidad de obtener una mayor riqueza de decisión. Tradicionalmente las
empresas para tomar decisiones tenían que apoyarse más en la intuición y
habilidades directivas, Big Data está provocando, sin duda, un cambio de
paradigma, un gran impacto en la cadena de valor del negocio. El reto está en
aprovechar toda la infraestructura de este recurso, las herramientas, junto con una
nueva forma de pensar, para innovar en aspectos que hasta ahora eran poco
probables (Maroto, 2018).
El Big Data puede apoyar en procesos de análisis avanzados en algunas de

estas cuestiones:
• Análisis descriptivo. Explica lo que los datos dicen que aconteció o está
ocurriendo. Como ejemplo el caso de una tienda de autoservicio identificar y
describir con datos el aumento repentino de las preferencias de productos
por parte de los clientes o por el contrario identificar el que ya un producto se
no vende.
• Análisis predictivo: Se anticipa un probable resultado; se busca determinar
por qué ha sucedido en otras ocasiones un determinado evento y tratar así
171
de predecir, de acuerdo a los datos, lo que va a suceder. Aquí vale la pena

la experimentación y la simulación. El caso de las ventas experimentar que
pasaría si se ofrecen estrategias de ventas para los productos que no se
venden o que pasaría si se lanzan estrategias de marketing para retener más
a los clientes. Además, se puede aplicar algoritmos de predicción para
pronosticar los comportamientos de los clientes y prepararse a los
acontecimientos.
• Análisis prescriptivo: identifica cómo hacer que algo ocurra, es decir, qué se
debería hacer y qué opción es la que se debería emplear. Para el caso de
las ventas la prescripción sería encontrar la mejor estrategia para atraer a los
clientes y aumentar ventas o, por el contrario, disminuir costos. (Antón
Carranza, 2017).
El análisis en general se realiza de acuerdo al objetivo de encontrar patrones,
relaciones y tendencias para poder localizar la información necesaria para la toma
de decisiones de la venta de un servicio o producto.
4.2.4. Inconvenientes Big Data

Existen ciertos inconvenientes para el uso de Big Data principalmente el
rechazo natural y la adopción del HW y SW, se citan algunos inconvenientes:
• Un largo proceso para su adopción

• Se requiere un gran esfuerzo
• Rechazo natural del personal
• Gasto económico
• Problemas de información no actualizada, entre otros (Ruiz García,
2016).
Big data transformará los negocios y las empresas modificarán a la sociedad.

Se debe confiar en que las ventajas pesen más que las desventajas, pero hay que
transitar razonadamente, puesto que la sociedad no parece todavía estar lista para
la gestión de los datos que ya tiene capacidad para recoger (Cukier, 2014).
172
4.2.5. Elección de la fuente de datos

La elección de los datos en Big Data es muy importante, dicha información
se tomará de varias fuentes, de redes sociales, de búsquedas en la WEB, de
sensores, de bases de datos internar y externas, entre otros.
• Big data puede utilizar estos tipos de datos que son:

• Estructurados
• No estructurados
• Semi-Estructurados
4.2.5.1. Datos Estructurados

Los datos estructurados es información almacena de una manera
organizada, relacionada y de fácil acceso, la organización de estos suele estar
almacenados en tablas o campos de tipo fecha, numéricos, datos de caracteres y
otros. Por ser un arreglo de datos la información se puede tomar linealmente.
Estos datos pueden ser obtenidos de diferentes lados como un punto de

venta el cual maneja una base de datos SQL que registra los movimientos del día
almacenando en sus registros semanas, meses y años de informaciones de venta.
4.2.5.2. Datos No Estructurados

Por lo contrario, los datos No estructurados carecen de organización no están
definidos, estos son generados de manera masiva, ya sea, por un escrito, algún
archivo en formato pdf o publicaciones en redes sociales (Facebook, twitter y
muchos más).
Como se puede ver en la figura 3, se observa que los datos además de

provenir de fuentes estructuradas (abajo izquierda), también puede provenir de
otras fuentes en otros formatos, redes sociales, streaming o video de aplicaciones
móviles, sensores múltiples y diversos dispositivos, estando en formatos
semiestructurados y tal vez no estructurados.
173
Figura 3. Fuentes de Datos Estructurados y No estructurados.

Fuente: (Lenz, 2019)
4.2.6. Herramientas para manejo del Big data

En los siguientes puntos, se hace mención de conceptos y distintas
herramientas localizadas en la literatura consultada y que se relacionan con Big
Data, son conceptos y herramientas para el procesamiento, análisis y
almacenamiento de información principalmente.
4.2.6.1. Hadoop
Es un software diseñado para el manejo masivo de información estructurada,
no estructurada o semiestructurada. Su desarrollo fue inspirado por Google’s
MapReduce y Google File System, desarrollado originalmente en Yahoo! y
actualmente administrado como proyecto de Apache Software Foundation. Hadoop
tiene una estructura de software de código abierto para el procesamiento de
grandes bases de datos en sistemas distribuidos.
De manera específica Hadoop, es un software de desarrollo creada en código

libre y abierto bajo licencia Apache. Básicamente, permite programar tareas
intensivas de computación masiva, haciendo piezas pequeñas y distribuyendo el
trabajo en un conjunto de varios procesadores y/o procesos. (Rodríguez, 2016)
174
Hadoop está disponible bajo la licencia Apache 2.0, es una biblioteca de

software que permite el procesamiento distribuido de grandes conjuntos de datos a
través de grupos de ordenadores que utilizan modelos sencillos de programación.
Hadoop fué diseñado para cambiar de trabajar con equipos individuales a

utilizar varios servidores ejecutando y procesando datos al mismo tiempo, cada
computadora local procesa y almacena de manera independiente para luego a
través de procesos Map-Reduce juntar los resultados. Hadoop es un ambiente de
código abierto, el cual permite escribir y ejecutar aplicaciones distribuidas que
procesar grandes cantidades de datos.
4.2.6.2. Cassandra.
Cassandra es un sistema de gestión de base de datos diseñado para
administrar y procesar una gran cantidad de datos distribuidos y almacenados por
distintos servidores, proporciona un servicio de alta disponibilidad, robustez y
confiabilidad además de una importante característica de alta tolerancia a fallas.
(Castillo, Garcés, & Navas, 2017)
4.2.6.3. MongoDB
MongoDB es una base de datos no relacional (NoSql) orientada al manejo
de documentos, tiene características de versatilidad, potencia y facilidad de uso, al
igual que en su capacidad para manejar tanto grandes como pequeños volúmenes
de datos. Es una base de datos que no tiene concepto del esquema relacional y uso
de tablas, esquemas, SQL, columnas o filas. No cumple con las características
ACID, que por sus siglas en inglés significan Atomicity, Consistency, Isolation and
Durability (Atomicidad, Consistencia, Aislamiento y Durabilidad, en español).
MongoDB permite las operaciones CRUD, siendo éstas las siglas de Create,
Read, Update and Delete (Crear, Recuperar, Actualizar y Eliminar); para almacenar
y recuperar los datos hace uso del formato JSON, pero utiliza BSON, que es una
forma binaria del formato JSON, el cual ocupa menos espacio al almacenar los
datos. BSON es más rápida y eficiente para convertir a un formato de datos de un
lenguaje de programación.
175
MongoDB es una base de datos para manejo de documentos de código

abierto y encabeza el liderazgo en bases de datos NoSQL. Está desarrollado en el
lenguaje de programación C++. Ofrece una alta disponibilidad, escalabilidad y
particionamiento a cambio de consistencia y soporte transaccional. En términos
prácticos, esto tiene que ver qué en lugar de tablas y filas, MongoDB utiliza
documentos para hacerla rápida, flexible, escalable (Castillo, Garcés, & Navas,
2017).
4.2.6.4. Nube de cómputo (o cloud computing)

Cómputo en la nube o cloud computing es un concepto que tiene que ver con
utilizar SW y HW que no está físicamente y precisamente localizado en casa o en
el lugar de trabajo.
Cómputo en la nube proporciona una manera de acceder a servidores de

almacenamiento, bases de datos y una gran variedad de servicios y aplicaciones
por medio de Internet.
Los proveedores de servicios y aplicaciones en la nube normalmente cobran

por disponer dichos servicios, aunque algunos ofrecen disponibilidad gratuita y de
manera temporal.
La intención del cómputo en la nube es que a través de una inversión

económica por parte de la empresa, ésta reemplace parcial o totalmente su
infraestructura de cómputo, de tal manera que el entorno de cómputo pueda ser
administrada por el proveedor externo, aumentando en capacidad de
almacenamiento, administración de redes, seguridad, análisis de datos, desarrollo
de aplicaciones, entre otros servicios (Guevara, 2018).
4.2.6.5. Extract, transform, and load.

Herramientas de software utilizadas para extraer datos de fuentes externas,
transformarlos para satisfacer las necesidades operativas y cargarlos en una base
de datos.
176
4.2.6.6. HBase
Base de datos abierta, distribuida y no relacionada, creada en Google’s Big
Table. Inicialmente desarrollada por Powerset, en la actualidad es gestionada por
Apache Software Foundation como parte de Hadoop.
4.2.6.7. MapReduce
Modelo de programación ideado por Google para procesamiento de grandes
bases de datos en ambientes distribuidos. MapReduce también fue desarrollado por
Hadoop.
4.2.6.8. SQL (structured query language o lenguaje de consulta

estructurado).
Lenguaje de computación diseñado para administrar base de datos
relacionales, permitiendo especificar distintos tipos de operaciones tales como las
que se mencionan en CRUD. (Create, Read, Update, Delete).
4.2.6.9. Visualización de datos

Son las herramientas de software que permiten la visualización de datos de
manera gráfica que facilitan tanto el análisis y la representación de las mismas, tal
es el caso de herramientas tales como Tableau, SAP, RapidMiner, PowerBI, IBM
Watson Studio, entre otros.
4.2.7. Machine Learning

Como parte de la inteligencia artificial, Machine Learning utiliza un conjunto
de algoritmos supervisados y No supervisados para realzar tareas relacionadas con
el aprendizaje en los sistemas y aplicaciones, este aprendizaje es el proceso de
proceso describir, analizar y aprender como si lo hiciera una persona.
Algunos algoritmos de aprendizaje automático son aquellos que permite

predecir con base en la historia de los datos, regresión lineal, múltiple, logística,
polinomial, support vector machine, árboles de regresión , entre otros.
Hay algoritmos de clasificación dentro del aprendizaje automático que

permiten identificar una distinción conforme una etiqueta proporcionada al conjunto
de datos, con ello el algoritmo clasifica la pertenencia del dato y determinar en
177
donde queda su clasificación, algunos algoritmos pueden ser, árboles de

clasificación, support vector machine, k means, entre otros.
Hay tareas que permiten agrupar datos en grupos (cluster) no definidos de

manera inicial, sino que la propia similitud y patrones semejantes encontrados en
los datos se detecta un nuevo conocimiento y nuevos grupos que identifica a un
conjunto de datos, estos algoritmos caen dentro del grupo de algoritmos No
supervisados.
La figura 4, identifica una clasificación de estos algoritmos entre

supervisados y No supervisados además de aprendizaje por reforzamiento y
aprendizaje profundo que tienen que ver con el razonamiento y el uso de redes
neuronales como para reconocer imágenes y rostros, entre otras cosas.
Figura 4. Clasificación de algoritmos de Machine Learning.

Fuente: (Clariba, s.f.)
La inteligencia artificial es la forma en la que se describe los objetos que

simulan la inteligencia y Machine Learning es el motor que servirá para hacerlos
funcionar. Machine Learning identifica patrones complejos a partir de enormes
cantidades de información, procesándolos y determinar su comportamiento.
178
Los algoritmos de Machine Learning tienen la capacidad para mejorar sin

algún tipo de ayuda externa les permite desarrollar modelos para descubrir
tendencias, que es lo que necesita el consumidor y en qué mercado lo requiere.
4.2.8. Data Mining

Data Mining, se refiere al proceso de extraer conocimiento de bases de datos.
Su objetivo es descubrir situaciones anómalas y/o interesantes, tendencias,
patrones y secuencias en los datos (Molina, 2000).
Data Mining o Minería de Datos es el proceso completo de la obtención del

conocimiento, intenta obtener patrones y modelos de la recolección de datos. Estos
datos o modelos obtenidos recurrentemente suelen ser útiles o no requerir una
valoración subjetiva por parte del usuario.
Algunos algoritmos de Data Mining cotidianamente comprenden de tres

componentes:
• El modelo, que contiene parámetros que han de fijarse a partir de los datos de
entrada.
• El de preferencia, que sirve para comparar modelos alternativos.
• El algoritmo de búsqueda, que viene a ser como cualquier otro programa de
inteligencia artificial (IA). El criterio de preferencia suele ser algún tipo de
heurística y los algoritmos de búsqueda empleados suelen ser los mismos que
en otros programas de inteligencia artificial.
Las principales diferencias entre los algoritmos de Data Mining se hallan en el
modelo de representación elegido y la función del mismo, es decir según la
definición del objetivo y tarea.
4.2.8.1. Herramientas de Data Mining

Las herramientas de Data Mining empleados en el proceso de descubrir
conocimiento en las bases de datos (KDD) se pueden clasificar en dos grandes
grupos
• Técnicas de verificación, en las que el sistema permite evaluar hipótesis

proporcionadas por el usuario.
179
• Métodos de descubrimiento, en los que se han de identificar patrones que

puedan ser de interés y de forma automática, incluyendo en este grupo todas
las técnicas de predicción (Valcárcel Asencios, 2004)
El resultado generado con la aplicación de algoritmos de minería de datos

que pertenecen a los métodos de descubrimiento, puede ser de tipo descriptivo o
predictivo. Las predicciones sirven para identificar pronósticos y tendencias, es decir
aspectos futuros de los datos, en tanto que una descripción puede ayudar a su
comprensión y entendimiento. (Valcárcel Asencios, 2004).
4.2.9. e-businnes
Se puede interpretar como el proceso de compra y venta por internet, la
interacción con clientes, productos y proyectos, a través de tecnologías,
comunicaciones múltiples y canales de distribución que se proyectan en el mercado
en red. Este modelo se diseñó para aumentar la satisfacción del cliente, aumentar
los ingresos y la productividad en la empresa.
Incorpora el uso estratégico de las tecnologías de la información y la

comunicación para interaccionar con clientes, proyectos y socios a través de la
comunicación múltiple y los canales de distribución (Siebel, 2001).
4.2.10. ¿Qué es Marketing?

El marketing es una disciplina que se dedica al análisis de comportamientos
de clientes, productos, precios, ofertas, demandas por medio del cual individuos y
empresas satisfacen sus necesidades de innovar, crear, modificar el proceso de
mercadear y vender algún bien o servicio.
4.2.10.1. ¿Qué es Marketing Digital?

Es la proyección digital de una marca, producto o servicio y que está
asociado al marketing de internet, existen compradores en todo el mundo, para todo
lo que se pueda vender. Es aquí, donde se analiza que personas usan el internet,
las necesidades que tienen, sus gustos y lo que recurrentemente están
acostumbrados a comprar.
180
En esta la era del internet las diferentes variables o comportamientos online

pueden ser medidos como:
• Tiempo activo en cada sitio.
• Accesos a páginas y dominios.
• Búsquedas rápidas.
Dentro de este mismo esquema se pueden catalogar algunos tipos de perfiles
de internautas. Los cuales McKinsey y Media Metrix mencionan como: (Rivera,
2015)
• Simplificados.
• Surferos
• Conectores
• Rutinarios
• Buenos negociantes
• Amantes del deporte
Por otra parte, la función de marketing digital nace del aspecto tradicional
innovándose con nuevas tecnologías, permite que las empresas se posicionen
cercanos a los consumidores, mejoren las relaciones con éstos y hagan de sus
clientes unos fans (aficionados y gustos por lo que venden) utilizando para ello
diversas plataformas que hay en el mundo digital (Mariscal Suárez, 2018).
La llegada de las redes sociales ha permitido que el cliente sea una parte
importante para la organización y que, mediante las mismas, el usuario esté en
constante comunicación con la organización, generando oportunidades para la
empresa en tiempo real. Es aquí en donde el paradigma Big Data tiene relevancia
en apoyar en analizar la información y descubrir conocimiento viable para innovar
en los procesos de ventas y mercadotecnia.
El marketing digital se ha posicionado en nuevos aspectos, actualmente es
una de las herramientas necesarias para las empresas. A través de Internet,
plataformas de comunicación digital, redes sociales y otras tecnologías, las
empresas se están cada vez adentrando a la digitalización y apoyar en ello a las
funciones de venta y mercadotecnia de los productos y servicios que ofrecen.
(Mariscal Suárez, 2018).
181
4.2.10.2. Estrategias del marketing

Al emprender cualquier negocio siempre es necesario tener presente a quien
se va a ofrecer el producto o servicio.
Segmentando, el mercado de consumo en diversas características comunes.

Se seleccionan los segmentos del mercado meta y aquellos que se convertirán en
mercados secundarios.
Si la competencia en el mercado primario al cual se enfoca tiene mucha

competencia o en él se encuentra alguien que lo acapara, es mejor que tomar uno
de los mercados secundarios para preparar la competencia explotando los puntos
débiles que se obtengan del líder o los competidores.
Se identifican algunas estrategias del marketing:
• Estrategias de mercado meta

• Estrategia de producto
• Estrategia de precios
• Estrategia de distribución
• Estrategia de ventas
• Estrategia de promoción
• Estrategia de publicidad.
4.2.10.3. Tácticas para crear marketing digital.

Dentro de las tácticas de mercado figuran algunas que pueden ser útiles para
crear esquemas de ventas o servicios capaces de llegar a cualquier usuario, pero
no solo es que el consumista pruebe algunos productos sino el tratar de conservar
la fijación de la marca producto servicio promovido, y quiera conocer más de ellos.
Estas tácticas tienen la intención de mantener un esquema de venta activo y

renovando intereses para atraer cada vez más la atención de los mercados. Se
pueden clasificar estas tácticas como:
• Atraer gente nueva: consiste en generar el interés a los productos y servicios

a ofrecer.
182
• Retener gente: esta parte es la más difícil para cualquier mercado, ya que,
no por realizar una sola venta o colocado algún servicio quiere decir que
estos mismos sean de interés para el consumidor, por lo cual se debe de
gestionar interés constante hacia el consumidor.
• Hacer venta: teniendo en cuenta que el producto o servicio cumple la
necesidad del cliente se debe de consolidar la relación y hacer que el
consumidor obtenga el servicio o producto.
• Atraer gente de vuelta. Ya consciente que el producto o servicio cumple con
las medidas necesarias y para su venta, debe de tomar acciones para que el
cliente siga con la marca ofrecer más oportunidades donde sienta que la
posición de la empresa es estable y vuelva a consumir este producto o
servicio.
El marketing digital puede apoyar en identificar segmentos clave de clientes

dentro de la base de datos, así como comportamientos especiales de compra en los
segmentos. Esto permite realizar estrategias y mensajes a diferentes audiencias de
mercado (Jones, 2019).
4.2.10.4. Inbound Marketing

El Inbound marketing “es una estrategia se basa en atraer clientes con
contenido útil y relevante, agregando valor en cada una de las etapas del recorrido
del comprador”. Con el inbound marketing, los clientes potenciales encuentran la
empresa a través de distintos canales como blogs, motores de búsqueda y redes
sociales.
A diferencia del marketing tradicional, el inbound no necesita esforzarse por

llamar la atención de los clientes potenciales, ya que, al crear contenido diseñado
para abordar los problemas y las necesidades de los clientes ideales, atraerá
prospectos calificados y generarás confianza y credibilidad para la empresa.
(HubSpot, 2017).
Las formas del Inbound marketing son blogs de actualidad y noticias de

ventas y ofertas; campañas en social media y correos electrónicos; Search Engine
183
Optimization (SEO), videos virales, seminarios basados en Web, entre otros.

(Patrutiu-Baltes, 2016).
Redes sociales como lo son Facebook, Instragam, Twitter, WhatsApp, entre

otras se han convertido en herramientas accesibles en el mercado en donde existen
vendedores y compradores. Hoy en día el internet es un mecanismo de enlace, una
fuente de información y un buscador de datos, en donde las organizaciones deben
aprovechar las condiciones para generar información estratégica que logre captar
la atención del consumidor, con ello aumentar las ventas y generar utilidades.
(Mariscal Suárez, 2018).
4.2.10.5. Outbound Marketing

El marketing tradicional está asociado con el outbound marketing, lo que
significa que la estrategia de marketing es llevar los productos a los clientes,
mientras que el marketing digital es sinónimo del término de inbound marketing,
cuyo objetivo principal es ganar el interés objetivo por parte de los clientes. (Patrutiu-
Baltes, 2016).
Finalmente, el outbound marketing (marketing de salida) tiene como objetivo

promover los productos y servicios para el audiencia directamente, mientras que el
inbound marketing ayuda a resaltar bienes y servicios de manera indirecta a través
de tecnología citada que permite dar a conocer los productos y servicios, en el
contexto en el que los consumidores se identifican como objetivo de la empresa.
(Kudupu, 2018).
4.2.11. ¿Qué es el ADN Digital?

El ADN digital es la marca que tienen los usuarios, su propio código de
conducta que los mueve como se manejan dentro de la red, los movimientos que
varían de usuario a usuario.
Esto genera un rastro digital de los aparatos electrónicos que suelen utilizar,
desde pagos realizados con tarjetas de bancos, las conexiones o visualizaciones de
los usuarios en equipos de cómputo y teléfonos inteligentes, todo esto enriquece al
internet de las cosas y se concentra en el Big Data.
184
La figura 5 identifica que como personas o empresas en el mundo digital al

realizar cualquier acontecimiento en la red o internet, llámese operación,
transacción, consulta, búsqueda, compra, petición, solicitud, registro, mail,
descarga, carga, entro otras acciones, existe una evidencia y una historia que deja
huella. Cada uno de los usuarios de la WEB deja un registro de las acciones que
realiza. Es ahí donde esa información y características de uso en la WEB e internet
puede ser convertida en conocimiento y ser aprovechado por las empresas para
promover productos y servicios dado las preferencias y gustos de los clientes y
usuarios. A esto rastro es lo que se le conoce como ADN digital.
Figura 5. ADN Digital y ADN de la empresa

Fuente: (Mejía Llano, 2019)
4.2.11.1. Empresas y disrupción digital

En un estudio plasmado en el artículo por Falcó Rojas (2019) menciona que
las empresas están comenzando a evolucionar digitalmente. Esto sugiere que las
organizaciones están comenzando a tomar la disrupción digital más en serio (Falcó
Rojas, 2019).
185
Entendiéndose por disrupción digital los cambios y adopciones que las

empresas tienen para adaptarse a las nuevas tecnologías y modificar sus procesos
para enfrentar los retos actuales del mercado.
En el artículo Falcó Rojas (2019) en sus resultados de medir y evaluar la

madurez digital de las empresas, se afirma que ya no hay que convencer a nadie
de la importancia del cambio hacia la digitalización. El 85% de los encuestados está
de acuerdo con que ser un negocio digital es imprescindible para el éxito de la
empresa. (Falcó Rojas, 2019).
4.3. Desarrollo
Se analizan algunos ejemplos en donde se han desarrollado estrategias
donde el Big Data ayuda a la toma de decisiones, se muestran algunos resultados,
tomando en cuenta estos casos. Se analiza el cómo la conducta de usuarios es una
fuente de información relevante.
4.3.1. ¿Cómo utiliza Amazon el Big Data?

Empresas como Google, Facebook, Amazon, han basado su estrategia
empresarial sobre el concepto de Big Data (Revuelta Bayod, 2018).
Debido al uso del Big Data, la empresa Amazon ha aumentado de manera

importante sus ventas, además, ha logrado reestructurar completamente su
estrategia de negocios.
Mediante esta tecnología, el proceso de estar en contacto con los clientes de

para empresa se ha innovado y evolucionado de manera constante, hasta poder
indicar que el conocimiento mismo de los consumidores es la clave del éxito de
Amazon.
Gracias a distintos algoritmos complejos, Amazon ha personalizado

completamente el proceso de compra, habilitando a cada usuario vea contenidos
específicos y adaptados a sus gustos cuando utiliza el sitio. La frase de "los clientes
interesados en este producto también compraron esto" es, en efecto, un recurso
bien aprovechado por herramientas de Big Data.
186
¿Ha pasado que las empresas digitales recomienden un producto en el que

hace tiempo se estaba pensando adquirir? ¿o uno que vagamente se había
considerado adquirir? Estas acciones son producto del análisis recurrente de la
información brindada por cada cliente que, combinada con el uso de Inteligencia
Artificial puede determinar preferencias y distinciones para los usuarios.
En un mundo que se transforma digitalmente en el camino de disponer de

tecnología que permita hacer las cosas fáciles para la vida, la empresa Amazon ha
aprovechado las herramientas para mejorar las relaciones con los clientes y
acercarse de manera efectiva a sus consumidores.
4.3.2. Netflix: Las claves del éxito basado en Big Data

Netflix extrae datos de los patrones de visualización de películas para saber
cuál es el interés del usuario y lo utiliza para tomar decisiones.
Netflix recopila y analiza datos del consumo que realizan sus clientes; lo que
buscan, lo que adquieren, lo que ven, sus etiquetas; dónde, cuándo y cómo
consumen cada contenido. Sin duda, lo importante está en cómo se benefician de
esta analítica de datos para mejorar sus servicios en varios aspectos:
• Segmentar al cliente.
• Realizar recomendaciones individualizadas de contenido conforme gustos.
• Ofrecer una plataforma de contenidos simple, usable y personalizada para
cada consumidor, de acuerdo a su experiencia.
• Pronosticar claves de éxito y tendencias
En Netflix todo ese conocimiento, esa inteligencia, hace que la definición
de cada producto, cada programa, deje de ser un arte y se convierta en una
ciencia.
La información que se ha recopilado durante mucho tiempo es lo que les

soporta decidir qué películas y series incluir en sus ofertas. Y de esta forma la
empresa Norte Americana cubre todas las necesidades de los países en donde se
utiliza. En cada uno de ellos, ofrece una programación acorde a los datos que ha
recopilado, almacenado y analizado de los espectadores de esa región.
187
La tecnología Big Data, ha sido utilizada por Netflix, de tal forma que ha
pasado de ser un distribuidor de contenido a transformarse en una de las
productoras de mayor éxito.
Netflix es capaz de determinar cuántas horas debe un suscriptor utilizar el

servicio para evitar que entre en situación de cliente poco habitual. De tal forma que,
en el momento en que detecta de que la cuota media de uso es menor al promedio
que ha identificado, toma medidas para incrementarla mediante ofertas y
promociones personalizadas de acuerdo a el análisis de los datos.
4.3.3. Analítica descriptiva, predictiva y prescriptiva en el Marketing Digital

Un nuevo enfoque se está dando al realizar análisis en los datos en las
organizaciones, involucra aspectos de Big Data y de Marketing Digital, estos
aspectos tienen que ver con analítica descriptiva, predictiva y prescriptiva.
La analítica descriptiva, intenta responder a preguntas sobre lo que sucedió

en el pasado, es el obtener conocimiento de la historia de los datos, por lo regular,
todo esto lo que trata es de informar. Se intenta responder a inquietudes tales como:
¿cuál es el cliente o producto más rentable? ¿qué cantidad de ingresos por ventas
fueron generados en el primer trimestre del año?, entre otras.
El análisis predictivo tiene que ver con pronosticar y anteponerse a

situaciones futuras, conocer que va a suceder en términos de probabilidad,
regresión, utilizando para ello la historia y el conocimiento adquirido. Implica
determinar tendencias y patrones del futuro. Algunas inquietudes a responder con
este tipo de análisis son las siguientes: ¿cuál es el número aproximado de un centro
de llamadas en el próximo trimestre? ¿cuál es la siguiente mejor oferta para este
cliente?, ¿qué clientes es probable que se alejen?, ¿qué cliente puede reaccionar
emotivamente para comprar o caso contrario para no comprar?, entre otras.
El análisis prescriptivo por otra parte, responde a preguntas asociadas con

¿cómo puedo manejar esto?, ¿cuál es la mejor alternativa? Este es el momento en
el que el análisis se vuelve operativo. Es totalmente dependiente del negocio y del
caso. Algunos de los ejemplos utilizados para demostrar el punto incluyen: Saber
188
que una persona tiene una mayor probabilidad de emocionarse a favor, por lo que
se le presenta una oferta o promoción. Determina el historial de visualización de un
cliente en la Web, y luego sugiere productos que el consumidor pueda ver y leer
(Jones, 2019).
4.3.4. Propuesta de implementación Big Data

La propuesta es un bosquejo en lo general de las estrategias que debieran
emprender las empresas del giro comercial, consiste en tomar en cuenta estrategias
de marketing digital como son:
• Inbound Marketing
• Outbound Marketing
• Crear identidad digital
• Trabajar la Ley de enfoque
• Posicionarse en buscadores
Teniendo en cuenta ya algunos aspectos de estrategias de Marketing, se
toma en cuenta algunos casos de éxito, donde el posicionamiento del Marketing
pudiera ser muy asertivo, demostrando que se pueden implementar nuevas
estrategias para los servicios utilizados en la actualidad. Al surgir nuevas
necesidades se crean nuevas estrategias y así sucesivamente.
Para toda empresa comercial, se propone, que en lugar de utilizar marketing

tradicional, hay una nueva tendencia donde el posicionamiento de la marca es la
principal meta, optimizando los recursos que la red puede ofrecer como: redes
sociales, inbound marketing, outbound marketing, anuncios en páginas en general
no siendo contenido basura ( spam), los cuales serán capaz de atraer la atención
del consumidor y serán enfocados directamente a las preferencias del cliente y a
las necesidades de la empresa.
Dentro de las tecnologías que se pueden utilizar para posiciones marca y

negocio están las siguientes:
• Anuncios en Youtube.
189
• Facebooks ads.
• Google Adworks
• Twitter.
• SEM.
• Display Ads.
Estas tecnologías son adecuadas para mostrar al mayor porcentaje de
usuarios un producto o servicio, dichas tecnologías forman parte de la información
que recolecta el Big Data para enriquecer las estrategias de marketing digital.
Una ventaja de utilizar en las empresas comerciales el Big Data y el

Marketing digital es que permite ampliar los sectores de posibles ventas por lo cual
se incrementa la producción de un bien o servicio, genera más ganancias, produce
más campos de estudio ya que genera una cantidad ilimitada de información, los
mensajes claros y objetivos producirán una relación más clara con los clientes.
Las desventajas que se pudieran presentar son que la información no sea

clara y objetiva, el impacto no sea el proyectado, el manejo de la información no
sea el adecuado, no sea bien visto por la comunidad, nocivo a la vista, pudiera tener
resistencia al cambio por parte de los usuarios. Al optar por un proyecto de
proyección este podría saturar la imagen de la empresa, producto e imagen de la
misma obteniendo un resultado negativo, el cual podría considerarse como
perdidas en cualquier circunstancia.
El impacto que se tendría al aplicar el Big Data al marketing digital sería el

incremento de las ganancias económicas tanto real y potencialmente, debido a que
se amplía el campo de posibles clientes al ofrecer un producto o servicio de acuerdo
a las necesidades de cada usuario, utilizando las ventajas que ofrece las redes,
utilizando como beneficio a favor lo que es las búsquedas que realicen mediante el
navegador, redes sociales, entre otros.
Tal impacto tiene un beneficio para el sector privado y el sector público ya

que se aumenta la productividad, la calidad de vida de los ciudadanos, así como
ser más competitivos.
190
A medida que la información avanza y los medios de comunicación se

amplían el Big Data y el Marketing Digital surgen como una fase de comunicación e
información que emerge a partir de la revolución tecnológica y como esta iniciada
en la década del setenta. En este sentido, si bien ofrece oportunidades para
alcanzar tanto mejoras en competitividad y productividad como en opciones para la
mejora en la calidad de vida, con potenciales beneficios para los países en
desarrollo, se requieren importantes desarrollos en el área de Tecnología de
Información y Comunicaciones (TIC).
En realidad, Big Data abre oportunidades, pero el análisis de datos masivos

para la toma de decisiones inteligentes pone de manifiesto la necesidad de generar
capacidades para superar la brecha digital. Por lo tanto, la materialización de los
potenciales beneficios para los países en desarrollo requiere la elaboración de
políticas activas y específicas que tengan en cuenta la generación y apropiación de
rentas informacionales, el manejo de la privacidad en cuanto a los datos personales,
el desarrollo de capacidades para la creación de valor y la difusión de la información
y el conocimiento para contribuir a la reducción de desigualdades socioeconómicas.
Las recomendaciones para tener en cuenta sería no resistirse al cambio,

explorar los nuevos horizontes que ofrece el Big Data y ampliar así la proyección
que se desea obtener, aprovechar las nuevas plataformas donde el marketing digital
deja de ser funcional para optar por otras alternativas.
En la actualidad el inbound marketing marca una nueva tendencia. Los

AdWords de Google son la premisa en elección para mostrar las características de
los productos, así como, los displays ads los cuales al generar banners para la
invasión visual pasiva en sitios de mayor trámite de usuarios son verdaderamente
convenientes hoy en día.
191
Referencias
Ahumada Tello, A., & Perusquia Velasco, J. M. (2016). Inteligencia de negocios: estrategia para el
desarrollo de competitividad en empresas de base tecnológica. Contaduría y Administración.
Revista Internacional. UNAM, 127-158.
Antón Carranza, M. (2017, 07 14). Identificación del talento en la Organización: El Big Data aplicado
al fútbol. Trabajo de Fin de Grado. Grado en Administración y Dirección de Empresas.
Valladolid, Valladolid, España: Facultad de Ciencias Económicas y Empresariales.
Universidad de Valladolid, España.
Barranco Fragoso, R. (2012, 06 18). IBM. Retrieved from IBM Developer:

https://www.ibm.com/developerworks/ssa/local/im/que-es-big-data/index.html
Castillo, J. N., Garcés, J. R., & Navas, M. P. (2017). Base de Datos NoSQL: MongoDB vs. Cassandra
en operaciones CRUD (Create, Read, Update, Delete). Revista Publicando. 4 No 11. (1).
2017, 79-107. ISSN 1390-9304, 79-107.
Clariba. (s.f., s.f. s.f.). Clariba website. Retrieved from Machine Learning Empresarial ¿Qué es la
Inteligencia Artificial?: https://es.clariba.com/machine-learning-for-business
Cukier, K. (2014). Los big data y el futuro de los negocios. In F. González, Reinventar la empresa en
la era digital (p. 451). Madrid, España: BBVA OpenMind.
Falcó Rojas, F. R. (2019). Análisis empírico de la transformación digital en las organizaciones.

International Journal of Information Systems and Software Engineering for Big Companies
(IJISEBC), 35-52.
García Merino, E. M., & García Merino, M. J. (2017). Análisis de los Modelos de Inteligencia de
Negocios basados en Big Data en las Pymes del Ecuador. Revista Científica. Ciencia
Tecnología, 1-12.
Guevara, R. E. (2018, 09 01). Servicios de Cómputo en la Nube. Cloud Computing. Trabajo

monográfico para obtener el grado de Ingeniero en Redes. Chetumal, Quintana Roo, México:
Universidad de Quintana Roo. División de Ciencias e Ingeniería.
Gutiérrez Puebla, J. (2018). Big Data y nuevas geografías: la huella digital de las actividades
humanas. Documents d’Anàlisi Geogràfica. eISSN: 2014-4512, 195-217.
192
Kudupu, P. (2018, 02 12). Web Snippets. Retrieved from Web Snippets:

http://www.prathapkudupublog.com/2018/01/7-vs-of-big-data.html
Lenz, R. (2019). Big Data: Ethics and Law. SSRN Electronic Journal. DOI: 10.2139/ssrn.3459004,
37.
Luhn, H. P. (1958). A Business Intelligence System . IBM Journal, 314-319.
Mariscal Suárez, T. E. (2018, 01 19). Aproximación teórica del Big Data sobre el marketing Digital.
Componente práctico del examen complexivo previo a la obtención del grado de Ingeniería
en Marketing. Guayaquil, Guayaquil, Ecuador: Universidad Católica de Santigo de
Guayaquil. FACULTAD DE ESPECIALIDADES EMPRESARIALES CARRERA DE
MARKETING.
Maroto, C. (2018). Big Data y su impacto en el sector público. Harvard Deusto Business Review, 16-
25.
Mejía Llano, J. C. (2019, 10 29). Marketing Digital, Social Media y Transformación Digital. Retrieved
from TRANSFORMACIÓN DIGITAL: INCORPORE EL MUNDO DIGITAL EN EL ADN DE SU
EMPRESA + VIDEO: https://www.juancmejia.com/juan-carlos-en-los-
medios/transformacion-digital-incorpore-el-mundo-digital-en-el-adn-de-su-empresa-video/
Molina, L. (2000). Torturando los Datos hasta que Confiesen. Departamento de Lenguajes y
Sistemas Informáticos. Catalunya: Departamento de Lenguajes y Sistemas Informáticos.
Patrutiu-Baltes, L. (2016). Inbound Marketing - the most important digital marketing strategy. Bulletin
of the Transilvania University of Braşov. Series V: Economic Sciences, 61-68.
Peña Ayala, A. (2006). Inteligencia de Negocios: Una Propuesta para su Desarrollo en las
Organziaciones. México: Instituto Politécnico Nacional. Dirección de Publicaciones.
Retrieved from https://es.calameo.com/read/0009834562d4384832b9e
Puyol Moreno, J. (2014). UNA APROXIMACIÓN A BIG DATA. Revista de Derecho UNED , núm. 14,
471-505.
Revuelta Bayod, M. J. (2018). Big Data: crisis y nuevos planteamientos en los flujos de comunicación
de la cuarta revolución industrial. Área Abierta. Revista de comunicación audiovisual y
publicitaria. ISSN: 1578-8393 / ISSNe: 1578-8393, 309-324.
Rivera, M. (2015, 07 15). Pymempresario. Retrieved from Estrategia de marketing online:

https://www.pymempresario.com/2015/07/estrategia-de-marketing-online/
193
Rodríguez, M. F. (2016). Distribución de un Analizador de Contenido de Twitter utilizando el

Framework Hadoop Map-Reduce. (C. d. Aires, Ed.) PLADEMA, Universidad Nacional del
Centro, Tandil, Buenos Aires, Argentina.
Ruiz García, E. (2016, 18 01). Estudio y Evalaución de Sistemas Big Data de tratamiento de
información. Trabajo de Fin de Grado. Escuela Técnica Superior de Ingenieros de
Telecomunicación. Madrid, Madrid, España: Universidad Politécnica de Madrid.
SEGITTUR. (2019, 06 01). SEGITTUR turismo e innovación. Madrid, Madrid, España. Retrieved from
SEGITTUR:
https://www.segittur.es/opencms/export/sites/segitur/.content/galerias/descargas/document
os/Presentacin-Destinos-Tursticos-Inteligentes.pdf
Siebel, T. M. (2001). Principios del e-Business. Barcelona, Buenos Aires, Edo de México, Santiago
de Chile: Ediciones Granica.
Valcárcel Asencios, V. (2004). Data Miningyel Descubrimiento del Conocimiento. Revista de la

Facultad de Ingeniería Industrial. Vol. (7) 2. UNMSM, 83-86.
194
Capítulo 5
Análisis comparativo a través del uso de R y Python enfocado al

análisis descriptivo de datos de una entidad financiera
Nohemí García Hernández

[email protected]
Claudia Elizabeth Serrato Bacio

[email protected]

[email protected]
5.1. Introducción
Las instituciones financieras en la búsqueda de rendimientos de sus activos
cuentan con diferentes productos dirigidos a sus clientes. En particular, el
otorgamiento de créditos grupales a personas físicas y morales, es uno de sus
principales servicios financieros.
Las instituciones buscan que los ingresos y los egresos por algún producto
sean tal, que los primeros sean iguales o mayores a los segundos; sin embargo, de
195
manera natural al otorgar un crédito grupal las instituciones financieras se

encuentran ante un grupo que pudiera o no cubrir sus obligaciones adquiridas.
Otorgar un crédito a clientes minoristas como no minoristas, es el negocio

principal de una institución financiera. Al hacerlo, las instituciones requieren tener
sistemas adecuados para decidir a quién se le puede otorgar un crédito. La
puntuación de crédito es clave en la evaluación de riesgos para analizar y cuantificar
el riesgo crediticio de un posible deudor. Fundamentalmente, la puntuación de
crédito tiene como objetivo cuantificar la probabilidad de que un cliente pague la
deuda. El resultado del ejercicio de puntuación de crédito es una puntuación que
refleja la solvencia de un cliente.
En los últimos períodos, las instituciones financieras han recolectado una

gran cantidad de información que describe el comportamiento predeterminado de
sus clientes. Algunos ejemplos son información histórica sobre la fecha de
nacimiento, el sexo, los ingresos, el estado laboral, entre otros, de un cliente. Todos
estos datos se han almacenado muy bien en enormes bases de datos (por ejemplo,
relacionales) o almacenes de datos.
Al mismo tiempo, las instituciones financieras han acumulado considerable

experiencia empresarial sobre sus productos de crédito. Actualmente el objetivo de
la puntuación de crédito es analizar a los clientes de alto y bajo riesgo, con más
detalle y elaborar un modelo de decisión basado en la estadística, que permita
determinar futuras solicitudes de crédito y, en última instancia, decidir cuáles
aceptar y cuáles rechazar.
Para los clientes históricos, se sabe cuáles resultaron ser buenos y malos
pagadores. Este estado bueno/malo es ahora la variable de destino binario y que
será de gran utilidad en el momento de calcular la puntuación sobre los clientes. El
objetivo de esta puntuación de crédito es cuantificar esta relación de la forma más
precisa posible para ayudar en las decisiones del otorgamiento del crédito, al
momento del monitoreo y de la gestión. Las instituciones financieras obtienen una
puntuación de los patrones, en la solicitud de préstamo, (generalmente préstamos,
compromisos de préstamo y garantías).
196
Una vez que se tenga el modelo de puntuación de crédito construido, se

podrá utilizar para decidir si la solicitud de crédito debe ser aceptada o rechazada,
o para derivar la probabilidad de un incumplimiento futuro. En resumen, la
puntuación de crédito es una herramienta clave de gestión de riesgos para que una
institución financiera administre, comprenda y modele de manera óptima el riesgo
crediticio al que está expuesto.
Una justificación de este trabajo es que el uso de los lenguajes de

programación R y Python, son herramientas que permiten realizar análisis de datos
con aspectos descriptivos e inferenciales entre otras cosas.
Un estudio comparativo entre estas dos herramientas permitirá tener una

base para promover propuestas de uso en empresas financieras de cualquier tipo
en relación a los procesos de análisis de datos.
Ahora bien, con respecto a las entidades financieras el uso de R y Python se

convertirá en dos herramientas que pudieran dar soporte complementario a los
análisis de riesgos en el otorgamiento de crédito, así como conocer la cartera en
riesgo y con ellos lograr disminuir eventualidades que no beneficien a la entidad
financiera, en base a sus procesos.
Como objetivo general se busca realizar un estudio que permita comparar las
características principales entre las herramientas de R y Python para análisis
descriptivos de datos a gran escala. Por medio de estas herramientas desarrollar
una propuesta viable para la aplicación en aspectos de evaluación de riesgos en el
otorgamiento de créditos.
De manera específica se quiere lograr lo siguiente:
• Identificar los datos estadísticos de una empresa financiera a evaluar.
• Identificar diferencias entre los lenguajes de programación R y Python
• Identificar elementos de comparación para aspectos descriptivos entre R
y Python.
• Determinar en base a la comparación de los lenguajes de programación
R y Python cuál es el más viable para realizar el análisis de datos.
197
• Identificar aspectos o metodologías que existen para evaluar riesgos

crediticios en los bancos.
• Establecer elementos para el análisis descriptivo en el conocimiento del
cliente.
• Determinar qué datos se requieren para realizar la evaluación de riesgos
crediticios.
Se pretende lograr que en un futuro la empresa financiera adopte el uso de
algún lenguaje de programación planteados en este proyecto para el análisis de
datos para la evaluación de riesgos en el otorgamiento de créditos a sus clientes.
Un aspecto importante que se espera lograr en este documento, es la

difusión de los lenguajes de R y Python para que un futuro la empresa financiera
adopte el uso de algún lenguaje de programación planteados en este proyecto para
el análisis de datos para la evaluación de riesgos en el otorgamiento de créditos a
sus clientes. Con ellos se logrará disminuir la cartera en riesgo y evitar pérdidas
para la empresa financiera.
Además, para la empresa financiera, se visualiza reducción de costos con

utilización de alguno de estos lenguajes, ya que no será necesario adquirir o dar
mantenimiento a algún paquete estadístico con licencia, ya que R y Python son
gratuitos.

Los datos son un elemento y recurso importante para las empresas y
organizaciones. Si no se tienen las herramientas adecuadas para procesarlos y
signifiquen algo importante, no tienen valor alguno. La Ciencia de los Datos es un
campo multidisciplinario que aplica técnicas matemáticas, estadísticas y
computacionales y se puede aplicar a cualquier área o giro económico-laboral tales
como sociología, psicología, salud, industria, comercio, investigación, educación,
turismo, deporte, gobierno, política, entre muchos otros.
198
Los datos vienen en diferentes formas, en un nivel avanzado, existen tres

categorías principales; estructurados, semiestructurados y no estructurados. Los
científicos de los datos son los responsables de recopilar, analizar e interpretar
grandes cantidades de datos para ayudar a empresas y organizaciones en la toma
de decisiones.
La Ciencia de los Datos es un paradigma interdisciplinario, se manejan varias

herramientas, principios de aprendizaje automático y algoritmos cuyo propósito es
predecir patrones de grandes volúmenes de información.
¿Qué tan diferente es de la estadística? La figura 1 tiene la respuesta. Se

observa que el analista puede afrontar retos de administración de análisis y
exploración de datos, por el contrario, el científico de datos involucra además de
exploración de datos, aspectos de aprendizaje automático e ingeniería de datos sin
descuidar por supuesto los aspectos del negocio.
Figura 2. Analista de Datos vs. Científico de datos (Jones, 2019).
Un analista de Datos realiza el análisis de datos exploratorios a nivel de la

administración del negocio, lo que está sucediendo al procesar el historial de los
datos y un científico de los datos, explicara cómo extraer información, además que
utilizara diferentes algoritmos de aprendizaje automático para resaltar la ocurrencia
de un evento en el futuro (Jones, 2019).
En la vida diaria, es común que se recolecte información que sirven para

tomar decisiones, va desde escuchar el reporte meteorológico y decidir que ropa
199
usar, así como decidir qué camino tomar para llegar a determinado lugar, según el
tráfico vial.
El análisis de los datos es el proceso de examinar sistemáticamente los datos

con el propósito de destacar información útil, ya que es la base de la investigación
científica. Lehkyi, (2020) menciona que el análisis de datos se puede dar en cuatro
pasos: entender el problema, coleccionar datos, procesar datos y tomar decisiones
(Lehkyi, 2020).
De la misma manera, los administradores de empresas deben tomar

decisiones todos los días. Como el administrador de negocios no se deben tomar
decisiones basadas en la intuición o discernimientos basados en la experiencia.
Para tomar una buena decisión se pueden aprender procedimientos y métodos que
ayudaran a tomar decisiones basadas en hechos concretos. Estos procedimientos
y métodos implican recolección, presentación, elaboración de resúmenes de un
conjunto de datos y obtener conclusiones acerca de tales datos, entonces estará
haciendo Estadística.
Son muchas las situaciones en las que tomar decisiones es un papel muy
importante. Para ello se tiene que conocer la situación concreta que se está
analizando por lo que se deben manejar datos, analizarlos y presentarlos. Para todo
esto existe la Estadística.
5.2.1. Estadística
Sin duda alguna, la estadística ocupa uno de los lugares más importantes
dentro de las investigaciones científicas, ya que por medio de esta se realizan
evaluaciones cuantitativas sobre las hipótesis de investigación, que posteriormente
desarrollan modelos predictivos, se llegan a estimar algunos parámetros y se
pueden analizar experimentos.
La estadística es la rama de las matemáticas que examina las formas de

procesar y analizar datos. Ofrece procedimientos para recolectar y transformar los
datos de manera que sean de utilidad para quienes toman decisiones en los
negocios. (Levine, Krehbiel, & Berenson, 2006)
200
Los datos son información específica de hechos, que permite realizar

estudios, analizarlos y conocer más sobre ellos. La información es el conjunto de
los datos que tienen un significado.
Los datos al inicio son imperfectos, en el sentido que no brinda información

de utilidad. Es necesario aprender métodos que permitan obtener información a
partir de datos observados y analizados para comprender mejor la situación que los
mismos presentan. Existen muchos métodos estadísticos cuyo propósito es ayudar
a exponer las características sobresalientes e interesantes de los datos que pueden
ser usados en casi todas las áreas del conocimiento.
La estadística es un conjunto de técnicas y métodos científicos que permiten

al investigador interpretar la información numérica, elegir muestras representativas
para realizar inferencias, contrastar hipótesis, estimar y predecir mediante
relaciones causa- efecto y tomar decisiones. (Saenz, 2005).
El uso de algún programa de computación dirigido a la estadística, es

importante para la ciencia básica como para la aplicada; ya que por medio de este
existen muchas posibilidades de automatización de los cálculos estadísticos que
son muy complejos en lo que se refiere al análisis de datos
Existen aplicaciones en la investigación científica con altos costos en sus

licencias (SPSS, Minitab, Statgraphic, MS Excel, entre otros). Sin embargo, en los
últimos años han surgido algunas aplicaciones que son de software libre, tal es el
caso de R y Python.
5.2.1.1. Estadística Descriptiva

Es el conjunto de técnicas para analizar, describir e interpretar los datos
recolectados sobre un fenómeno de interés, con el fin de tomar decisiones, obtener
conclusiones o plantear hipótesis (Jorge Andrés Alvarado Valencia, 2008).
Es un conjunto de técnicas numéricas y graficas con las que se intenta

descubrir la estructura de un conjunto de datos. (Saenz, 2005)
201
Para analizar datos, es posible servirse de un conjunto de herramientas y de

técnicas conocidas de la Estadística Descriptiva. Antes de ello, resulta necesario
clasificar las variables que caracterizan a los datos en dos tipos: escalares y
categóricas:
• Variables escalares: son variables susceptibles de medición cuantitativa,

también denominadas variables métricas. Es decir, son representaciones
numéricas reales de una característica de interés como el tiempo de producción,
el número de defectos de una pieza o su longitud. Estas variables, a su vez se
clasifican en:
o Variables escalares discretas: son aquellas que pueden tomar solo
ciertos valores dentro de un intervalo determinado de los números reales.
Ejemplo: número de hijos por familia, números de trabajadores por
empresa, entre otros.
o Variables escalares continuas: pueden tomar todos los valores posibles
dentro de un intervalo determinado de los números reales. Ejemplo:
ingreso de un hogar, peso en kilogramos de una persona, entre otros.
• Variables categóricas: son aquellas variables cuyos posibles valores no son
susceptibles de medición cuantitativa directa pero sí pueden ser clasificados.
También conocidas como variables no métricas. Ejemplo: el género de una
persona, su estado civil o su estado socioeconómico. Las variables categóricas
se dividen en dos grupos: nominales y ordinales.
o Nominales: sus valores se identifican con una clase o grupo de
elementos de acuerdo con una característica. Ejemplo: color de un carro,
estado civil de una persona.
o Ordinales: variables cuyos posibles valores, una jerarquía u ordenación.
Sus valores representan una propiedad de orden de un conjunto o una
posición relativa pero no son una representación numérica real de la
variable, por ejemplo: nivel educativo de una persona, nivel de preferencia
por un producto, en escala de 1 a 5.
202
5.2.2. Ciencia de los Datos

Es un campo interdisciplinario que involucra métodos científicos, procesos y
sistemas para extraer conocimiento o un mejor entendimiento de datos en sus
diferentes formas, ya sea estructuradas o no estructuradas. (Alex, 2015)
5.2.3. Análisis de datos.

5.2.3.1. Análisis
El análisis: implica categorización, ordenamiento, manipulación y resumen
de datos para responder a ciertas preguntas de investigación de un tema en
específico. (Saenz, 2005).
La distinción y separación de las partes de un todo hasta llegar a conocer sus

principios o elementos.
5.2.3.2. Análisis de datos

Es un proceso en cual permite inspeccionar, limpiar y transformar datos con
el objetivo de obtener información de utilidad lo que sugiere conclusiones y apoya
en la toma de decisiones.
5.2.3.3. Análisis comparativo

Proceso para identificar mediante un análisis, diferentes aspectos que se
relacionan o no entre dos o varios objetos, semejanzas y/o similitudes. Implica
examinar dos o más cosas, es una expresión de las semejanzas de dos o más
cosas.
5.2.4. Minería de datos

También denominada exploración de datos, es un campo de la estadística y
la ciencia de la computación referida al proceso que intenta descubrir patrones en
grandes volúmenes de conjuntos de datos. Utiliza los métodos de la inteligencia
artificial, aprendizaje automático, estadística y sistemas de bases de datos. El
objetivo principal es extraer información de un conjunto de datos y transformarla en
una estructura comprensible para su uso posterior. (Maimon & Rokach, 2010)
203
5.2.5. Machine Learning

Es una disciplina científica de la inteligencia artificial que crea sistemas que
aprenden automáticamente. Aprender en este contexto significa, identificar patrones
complejos en millones de datos. De acuerdo a Arthur Samuel en 1959, le da a las
computadoras la habilidad de aprender sin ser explícitamente programadas.
Las técnicas de aprendizaje automático (Machine Learning) están en el pleno

desarrollo de transformación y se puede definir como, un conjunto de métodos
capaces de detectar automáticamente patrones en los datos para realizar
predicciones, o para tomar otros tipos de decisiones en entorno de incertidumbre.
(Management Solutions, 2018).
Los componentes principales del aprendizaje automático se pueden clasificar en

cuatro grupos:
• Las fuentes de información, que pueden aportar datos tantos estructurados

como no estructurados, y que son la base del reto de componentes.
• Las técnicas y algoritmos para el tratamiento de información no estructurada
como pueden ser: texto, voz, video, entre otros; y para la obtención de
patrones a partir de datos.
• La capacidad de autoaprendizaje, que permite que el algoritmo se adapte a
los cambios en los datos.
• El uso de sistemas y software como vehículo para la visualización de la
información y la programación.
Machine Learning utiliza algoritmos para convertir un conjunto de datos en
un modelo predictivo. El tipo de algoritmo que funciona mejor (supervisado, no
supervisado, clasificación, regresión, entre otros.) depende del tipo de problema que
está resolviendo, los recursos informáticos y la naturaleza de los datos. (Robertson,
2019)
Las técnicas de aprendizaje automático se emplean para localizar en los

datos y crear modelos que pronostiquen los resultados futuros. Hay disponible una
amplia gama de algoritmos de aprendizaje automático, incluidas regresiones
204
lineales y no lineales, algoritmos de clasificación, de clustering, redes neuronales,

máquinas de vectores de soporte, árboles de decisión, entre otros.
Hay dos categorías principales de problemas que el aprendizaje automático

a menudo resuelve: regresión y clasificación. La regresión es para datos numéricos
(ejemplo, ¿cuál es el ingreso probable para alguien con una dirección y profesión
determinadas) Y la clasificación es para datos no numéricos (ejemplo, ¿el solicitante
incumplirá con este préstamo?).
5.2.5.1. Análisis predictivo

Implica una variedad de técnicas estadísticas de modelización, aprendizaje
automático y minería de datos que analiza datos actuales e históricos para hacer
predicciones acerca del futuro o acontecimientos no conocidos.
Los problemas de predicción, son un subconjunto de problemas de regresión

para datos de series temporales. Los problemas de clasificación a veces se dividen
en binarios (sí o no) y problemas de categorías múltiples (animales, vegetales o
minerales).
El análisis predictivo emplea datos históricos para predecir eventos futuros.

Por lo general, los datos históricos se utilizan para crear un modelo matemático que
capture las tendencias importantes. Este modelo predictivo se usa entonces con los
datos actuales para predecir lo que pasará a continuación, o bien para sugerir
acciones que llevar a cabo con el fin de obtener resultados óptimos. (Mathworks,
s.f.)
El análisis predictivo ayuda a los equipos de sectores tan diversos entre los
que se encuentran: financiero, sanidad, farmacéutico, automoción, aeroespacial y
fabricación.
El análisis predictivo es el proceso de utilizar el análisis de datos para realizar

predicciones basadas en los datos. En este proceso se hace uso de los datos junto
con técnicas analíticas, estadísticas y de aprendizaje automático a fin de crear un
modelo predictivo para predecir eventos futuros.
205
El término “análisis predictivo” describe la aplicación de una técnica

estadística o de aprendizaje automático para crear una predicción cuantitativa sobre
el futuro.
Hay disponibles grandes cantidades de datos y mediante el análisis

predictivo, los operadores pueden convertir esta información en conocimientos que
permite pasar a la acción. Ver figura 2.
Figura 2. Flujo de trabajo de Análisis predictivo. (Mathworks, s.f.)
5.2.5.2. Algoritmos de regresión lineal

Los algoritmos de regresión lineal se ajustan a una línea recta u otra función
que es lineal en sus parámetros, como un polinomio, a los datos numéricos,
generalmente realiza inversiones de matriz para minimizar el error al cuadrado entre
la línea y los datos. El error al cuadrado se usa como la métrica porque no le importa
si la línea de regresión está por encima o por debajo de los puntos de datos; solo le
importa la distancia entre la línea y los puntos.
5.2.5.3. Algoritmos de regresión NO lineal

Los algoritmos de regresión no lineal, ajustan curvas que no son lineales en
sus parámetros a los datos (polinomial), son un poco más complicados porque, a
diferencia de los problemas de regresión lineal, no se pueden resolver con un
método determinista. En cambio, los algoritmos de regresión no lineal implementan
206
algún tipo de proceso de minimización iterativo, a menudo algún ajuste en el método

de descenso más pronunciado.
5.2.6. Lenguajes de programación R y Python para análisis de datos

Se describen los dos lenguajes de programación más populares en el ámbito
de Ciencia de los Datos y del análisis de dato, R y Python.
5.2.6.1. R
Es un lenguaje de programación para efectuar análisis de datos estadísticos
y visualizar gráficas de los mismos datos. Además, es un software libre, gratuito,
accesible y siempre a la vanguardia. (r-project.org, 2019)
5.2.6.2. Python
Es un lenguaje de programación y/o software de libre uso, ejecución,
distribución y modificación, además de que no tiene costo para quien lo usa. Una
de sus características es que es de alto nivel. Programación orientada a objetos.
Dispone de un rico ecosistema compuesto de librearías open source para
matemáticas, estadísticas, machine learning y ciencia en general. (python, s.f.)
5.2.7. Otorgamiento de créditos de una entidad financiera

Se conceptualizan algunos elementos que forman parte del proceso de
otorgamiento de créditos de una entidad financiera y que resultan necesario conocer
de ellos para una mejor comprensión de este trabajo.
• Cartera de préstamos: Es un conjunto de créditos y financiamientos que los

bancos, compañías de inversión o incluso agencias del gobierno poseen o
manejan. (Condusef, 2019)
• Cartera en riesgo: Mide la porción de la cartera de créditos “contaminada”
por deudas atrasadas y en riesgo de no ser pagadas como porcentaje de la
cartera total. (Condusef, 2019)
• Cliente: Es una persona física o jurídica que recibe un servicio o adquiere un
bien a cambio de un dinero u otro tipo de retribución. (Revuelta, 2012).
• Crédito: Es una operación financiera en donde una persona llamada
“Acreedor” (Entidad financiera), presta una cierta cifra monetaria a otra
207
persona llamada “Deudor”, quién a partir de ese momento, garantiza al

acreedor que retomara esta cantidad solicitada en el tiempo previamente
estipulado más una cantidad adicional, llamada “Intereses”. (Revuelta,
2012).
• Entidad Financiera: Entidad o agrupación que tiene como objetivo y fin
ofrecer servicios de carácter financiero y que van desde la simple
intermediación y asesoramiento al mercado de los seguros o créditos
bancarios. (SanJuán, 2019).
• Entidades de crédito: bancos o cajas de ahorro (financieras). (SanJuán,
2019).
• Institución financiera: compañía que presta servicios financieros a los
agentes económicos de la sociedad. (SanJuán, 2019).
• Morosidad: Situación en la que un deudor se ha retrasado tres meses en el
pago de los intereses y/o el principal de su deuda. Se trata de una situación
de alto riesgo pero que aún no ha caído en la categoría de crédito fallido o
irrecuperable. (Revuelta, 2012).
• Morosidad bancaria: Es un indicador del nivel de riesgo de que los deudores
de los bancos privados (generalmente nos referimos a las personas que
piden crédito), no cumplen con sus obligaciones de pago. (Condusef, 2019)
• Tipos de instituciones financieras: Se clasifican en dos tipos:
Instituciones Bancarias, este tipo de entidades, puede captar fondos del
público en forma de dinero o recursos financieros de distinto tipo. Su principal
actividad es la de captar fondos de agentes con excedentes de capital, para
prestarlo a agentes con déficit. Además, estas pueden también conceder
garantías y avales, emitir dinero electrónico o realizar transferencias
bancarias entre otras actividades. Instituciones NO Bancarias, la principal
diferencia de estas con las anteriores no pueden captar depósitos del público
(SanJuán, 2019).
208
5.3. Desarrollo
Este apartado de este capítulo muestra algunas herramientas adecuadas
para el análisis predictivo y un comparativo entre los lenguajes de programación R
y Python como elementos esenciales de este producto académico. Posteriormente,
da a conocer herramientas para análisis predictivo relacionadas con el sector
financiero. Al final del apartado se muestra una propuesta de utilizar regresiones
logísticas para el otorgamiento de crédito de una empresa financiera. Se muestra
un ejemplo basado en lenguaje de programación R.
5.3.1. Big Data en el análisis predictivo.

“Gastar ahora y pagar después”, es una oferta que en la actualidad muchas
empresas financieras hacen a sus clientes para aumentar su cartera de préstamos.
Sin embargo, se debe tener la conciencia de que implica un riesgo al tomar ese tipo
de decisiones.
Por ello es importante que tanto la empresa financiera como el cliente puedan
cumplir con sus obligaciones crediticias, pagar dentro del plazo establecido. Para
ello la empresa financiera deberá evaluar el riesgo de incumplimiento de cada
cliente y así poder decidir mejor a quien si debe otorgar la oferta del crédito.
5.3.1.1. Evaluación de riesgo de otorgamiento crédito

Los avances tecnológicos han permitido a las empresas financieras reducir
riesgo del crédito otorgado, al utilizar la gran variedad de los datos sobre los clientes.
Mediante técnicas estadísticas y de aprendizaje automáticos, se analizan y se
reduce a un solo valor conocido como puntaje de crédito, que representa el riesgo
del crédito, el cual puede servir de guía en el proceso de decisión. A mayor puntaje
mayor solvencia de pago del cliente.
La calificación crediticia es una forma de inteligencia artificial basada en

modelos predictivos que evalúan la probabilidad de que un cliente no cumpla con la
obligación crediticia, se vuelva un delincuente o persona insolvente. El modelo
predictivo aprende al utilizar los datos históricos de un cliente junto con los datos
del grupo de pares y otros datos para predecir la probabilidad de que ese cliente
muestre un comportamiento definido en el futuro.
209
El mayor beneficio de la calificación crediticia es la capacidad de ayudar a

tomar decisiones de manera rápida y eficiente, como aceptar o rechazar a un cliente
o aumentar o disminuir el valor del préstamo, la tasa de interés o el plazo. La
velocidad y la precisión resultantes de tomar tales decisiones han hecho que la
calificación crediticia sea la piedra angular en la gestión de riesgos en todos los
sectores, incluidos la banca, las telecomunicaciones, los seguros y el comercio
minorista.
5.3.1.2. Puntaje de crédito

El puntaje crediticio arroja una calificación, la cual se puede utilizar durante
toda la experiencia del cliente en la relación entre la organización financiera y el
cliente. A pesar de que se desarrolló para los departamentos de riesgo crediticio,
también lo están utilizando los departamentos de marketing ya que de la misma
manera ellos se han beneficiado de las técnicas de la calificación crediticia en sus
campañas de marketing. Ver figura 3.
Figura 3. Puntajes de crédito de un cliente. (Mashanovich, 2017).
Como se muestra en la Figura 3, se utilizan diferentes puntajes de crédito en

diferentes etapas del recorrido del cliente:
210
• El puntaje de la solicitud, se refiere a la evaluación del riesgo en el

incumplimiento de los nuevos solicitantes al tomar decisiones sobre la
aceptación o rechazo del solicitante.
• El puntaje de comportamiento, se refiere a la evaluación del riesgo de
incumplimiento asociado con un cliente existente al tomar decisiones
relacionadas con la administración de cuentas, como el límite de crédito, la
administración por exceso de límite, los nuevos productos y similares.
• El puntaje de cobro, se utiliza en estrategias de cobro para evaluar la
probabilidad de que los clientes en cobro paguen la deuda.
5.3.2. Herramientas para análisis predictivo

El análisis predictivo es un cambio en el juego de los negocios, las compañías
tienen a su alcance soluciones avanzadas y sencillas del análisis de datos y con ello
conocer que es lo que puede suceder en un lapso corto de tiempo.
Un científico de datos debe tener conocimientos en ciencia aplicada con una

larga experiencia en su industria y formación en materia científica (aprendizaje
supervisado y no supervisado), que le permita llegar a soluciones creativas y con
criterio.
Un científico de datos, como la persona que es mejor en estadística que

cualquier ingeniero de software y mejor en ingeniería de software que cualquier
estadístico. (Kozyrkov, 2018)
En un mundo en donde la especialización es un valor indispensable, este

perfil profesional se ha convertido en una especie aplicado a los datos.
Grandes empresas como IBM, Facebook, HP, Oracle, Amazon, o Linkedln,

se mueven en el mundo del Big Data para obtener mejores ventajas competitivas.
La clave de todo ese proceso es la Ciencia de los Datos, la mejora de

algoritmos que permita reducir costos, perfeccionar procesos, controlar niveles de
riesgos entre otros.
211
El científico de datos (Data Scientist) va mucho más de lo que está

acostumbrando en términos de innovación, su responsabilidad empieza diseñando
un prototipo con las tecnologías que mejor se adapten al problema en cuestión,
algunas de ellas son: Hadoop, MongoDB, Spark, Python, R, entre otros.
Con el desarrollo de la analítica avanzada es una facilidad con la que los

ejecutivos de las empresas, al margen del trabajo que ya realizan otros perfiles
como lo son el científico de datos y el analista de datos, pueden hacer predicciones
y entender el futuro de sus equipos.
Precisamente la analítica avanzada presenta dos puntos clave:
El uso de API’s: en los sectores como el financiero el retail o el energético,

usan este tipo de interfaces de programación de aplicaciones para construir
modelos predictivos y extraer valor de los datos para sacar conclusiones y tomar
decisiones, predecir el comportamiento de los clientes para modificar la oferta y los
precios, así como conocer la opinión acerca de los productos y servicios, también
conocer cómo se puede aumentar la productividad y rendimiento, y por ultimo
prevenir y detectar algún tipo de fraude.
La introducción del PMML (lenguaje de marcado del modelo predictivo): es

un lenguaje de texto XML desarrollado por Data Mining Group (DMG), es un
lenguaje estándar que se emplea para representar los modelos predictivos, lo que
permite que una misma solución pueda compartir diferentes aplicaciones
compatibles con PMML.
Este tipo de lenguaje ofrece verdadera interoperabilidad a los integrantes que

realizan el análisis predictivo, como los son IBM, SAS, SAP, Oracle, Microsoft,
Alteryx o KNIME, entre otros.
A continuación, se enlistan algunas soluciones para el mercado del análisis

predictivo:
5.3.2.1. IBM
IBM es uno de los grandes del análisis predictivo ya que cuenta con varias
soluciones como los son:
212
• La analítica de clientes: sirve para conocer los grados de satisfacción del

cliente, si poder ofertar productos personalizados, prevé que clientes están a
punto de cambiar de proveedor, detecta tendencias de mercado en redes
sociales y técnicas de venta cruzada.
• Analítica operacional: el pensamiento real es que las empresas tengan
herramientas para realizar la evaluación de costos operativos, velocidad,
flexibilidad y calidad a través de la recolección, almacenamiento y análisis de
datos así como buscar el valor en tiempo real.
• Analítica predictiva para Big Data: en la mayoría de los casos las empresas
disponen de una gran cantidad de datos, el problema es que son datos no
estructurados o semiestructurados por ello la toma de decisiones en ese
escenario es imposible. La clave es contar con herramientas que organicen
los datos, extraigan relaciones y hagan proyecciones sin tener conocimientos
técnicos elevados. Esto se consigue con herramientas que combinen los
datos no estructurados de forma sencilla, elabore resúmenes visuales y de
lenguaje plano para que el analista de negocio (no de datos) entienda el valor
de la información, pueda establecer proyecciones de demanda y perfiles
personales de clientes. Las soluciones predictivas de IBM son abiertas y
soportan la tecnología Hadoop.
• Análisis de amenazas y fraude: los modelos predictivos ayudan a anticiparse
a cualquier amenaza o fraude en las compañías. Estas herramientas
detectan patrones inusuales en la información con técnicas de minería y
análisis de datos.
5.3.2.2. SAS Visual Statistics

Es una plataforma para analizar de forma sencilla una gran cantidad de datos
almacenados en Hadoop. La interfaz es muy amigable que permite al usuario
deslizar y soltar variables para obtener cuadros de mando.
La herramienta de SAS tiene algunas características interesantes en

analítica:
213
• SAS Analytics Visual Explorer: crea modelos de forma interactiva a partir de

variables múltiples, para poder visualizar la información obtenida con esas
variables sólo es necesario jalar y soltar: gráficos de barras, histogramas,
diagramas de caja, mapas de calor, mapas geográficos, burbujas, diagramas de
dispersión, la herramienta en si es muy visual.
• Técnicas interactivas de modelado descriptivo.
• Construcción de modelos predictivos con varias técnicas como lo son, la
regresión lineal, modelos lineales generalizados, regresión logística y árboles de
clasificación.
• Comparación de modelos con la creación de resúmenes: gráficos de elevación,
gráficos ROC, estadísticas de concordancia y tablas de clasificación errónea.
A continuación se muestra una figura con algunos ejemplos de gráficas que
permite visualizar el resultado de los análisis de los datos. Ver figura 4.
Figura 4. SAS Visual Statistics. (sas Visual Statics, 2019)
5.3.2.3. SAP
Esta empresa dispone de una de las soluciones más conocida que es SAP
HANA, que unifica las capacidades de una base de datos y una plataforma de
aplicaciones es una herramienta ideal para el análisis predictivo, esta plataforma
proporciona bibliotecas de procesamiento de texto y procesamiento espacial, la
ventaja que tiene es que es capaz de procesar una gran cantidad de datos en tiempo
real sin retardos.
214
Escanea 319000 millones de símbolos por segundo, estableció un nuevo

record como mayor almacén de datos del mundo equivalente a 12.1 petabytes de
datos. En resumen, se podría pensar que esta aplicación solo serviría para
almacenar y procesar grandes volúmenes de datos.
5.3.2.4. Oracle Advanced Analytics

Es una herramienta que integra en una sola plataforma la base de datos y el
análisis avanzado de datos de Oracle R Enterprise y Oracle Data Mining; brinda un
análisis de datos en tiempo real en cuestión de predicción, emite recomendaciones
y proporciona alertas tempranas de posibles fraudes.
• Oracle R Enterprise, cuenta con bibliotecas de R, que es un lenguaje de

programación utilizado en la estadística para analizar datos de cualquier
base de datos.
• Oracle Data Mining, cuenta con algoritmos de minería de datos de gran
alcance que sirve para construir, evaluar, compartir y extender modelos de
análisis predictivo (Oracle Database, s.f.).
5.3.2.5. RapidMiner Studio

Rapid Miner Studio es una plataforma de análisis predictivo de aprendizaje
automático, minería de datos y análisis de negocio; permite la carga, transformación
y modelado de grandes volúmenes de datos a partir de fuentes como lo son Excel,
Access, Oracle, IBM, DB2, Microsoft SQL, SAP Sybase, Ingres, MySQL, Pstgres,
SPSS, Dbase, y cualquier fuente de texto plano. Cualquier empresa puede integrar
en esta plataforma su propio algoritmo relacionado con datos a través de
aplicaciones abiertas (RapidMiner, 2020).
5.3.2.6. Alteryx 7.1

Es una plataforma que permite el acceso, la gestión y el análisis predictivo
de los datos en la misma herramienta. Es una solución que integra todas las
funcionalidades del lenguaje de programación R para el estudio estadístico, pero
sin que el usuario necesite tener unos conocimientos avanzados en estadística.
Gracias a esta aplicación, las empresas pueden manejar grandes volúmenes de
datos, ser capaz de interpretarlos al igual que otras herramientas del análisis
215
predictivo, los usuarios pueden jalar y soltar variables para crear sus propios
modelos.
Figura 5. Interfaz Alteryx 7.1. (alterix, s.f.).
5.3.2.7. Microsoft soluciones de SQL Server

Esta plataforma de bases de datos, ofrece a los clientes la obtención de
información de valor del análisis predictivo de los datos mediante la integración de
tecnología en memoria y de alto; ya que utiliza un conjunto de herramientas para
implementar y administrar bases de datos en la nube y en entornos locales y permite
el análisis predictivo en los siguientes dos sentidos:
• El analista puede usar técnicas de minería de datos con herramientas

cono Excel para extraer información, hacer visualizaciones y graficas con
los datos y con ello realizar resúmenes visuales.
• Los desarrolladores pueden usar SQL Server para crear soluciones de
minería y análisis de datos.
5.3.2.8. KMINE Analytics Platform

KMINE es una plataforma de minería de datos para crear modelos
predictivos visuales. Está escrita en lenguaje Java es una solución en código
abierto, con esta herramienta se puede hacer por ejemplo:
• Visualizar datos en histogramas, mapas etc.

• Crear modelos estadísticos, arboles de decisión, regresiones, entre otros.
216
• Realizar informes personalizados

• Se pueden incorporar funcionalidades escritas en R y Python.
5.3.2.9. Tableau, SAP Predictive Analytics & Fiserv

Otras herramientas no menos importantes deben ser sin lugar a duda las
siguientes:
Tableau: Inteligencia empresarial y análisis: ayuda a las personas y

organizaciones a ser más motivadas por los datos como el líder confiable en
análisis.
SAP Predictive Analytics: Software de análisis predictivo: brinda información

predictiva a los usuarios comerciales y científicos de datos para una mejor toma de
decisiones.
Fiserv: Gestión del riesgo de delitos financieros: para transformar la forma en

que los bancos, las cooperativas de crédito y las instituciones de ahorro y crédito.
Posibilita a las instituciones respondan rápidamente a los nuevos ataques de delitos
financieros. Este software es comercial, tiene costo y existen múltiples aplicaciones
para los análisis predictivos para un sinfín de problemas. (GetApp, 2019).
El análisis de los datos, es una parte central de cualquier proyecto. Para

obtener nuevos patrones, tendencias, estructuras, entre otros. Se pueden realizar
con diferentes herramientas y lenguajes de programación.
5.3.3. Comparativo entre R y Python

R fue escrito por Robert Gentleman y Ross Ihaka del Departamento de
Estadística de la Universidad de Auckland en Nueva Zelanda y actualmente R se
ha enriquecido con las aportaciones de personas de todo el mundo, quienes pueden
realizar modificaciones en el código fuente. R tiene más de 4038 paquetes, cada
uno para desarrollar algo en particular. (Julio Fernando Suárez Cifuentes, 2013)
Algunas ventajas que ofrece R en comparación de otras herramientas se

citan de la siguiente manera:
• Posibilita la realización de gráficos excelentes.
217
• Es flexible y tiene muchas librerías.

• Se pueden programar procedimientos y aplicaciones propias.
• R está disponible en varias formas: el código fuente escrito principalmente en C
(y algunas rutinas en Fortran), esencialmente para máquinas Unix y Linux, o
como archivos binarios pre compilados para Windows y Linux.
• Tiene funciones para análisis estadísticos y gráficos; estos últimos se pueden
ver de inmediato en su propia ventada y ser guardados en varios formatos (jpg,
png, bmp,ps, pdf, emf, pictex, xfig).
• Es un lenguaje interpretado y no compilados.
• Es un lenguaje orientado a objetos.
• Es gratuito.
Python es un lenguaje de programación creado por Guido van Rossum a
principias de los años 90. Es un lenguaje similar a Perl, pero con una sintaxis muy
limpia y que favorece un código legible. Es un lenguaje interpretado o de script, con
tipado dinámico, fuertemente tipado, multiplataforma y orientado a objetos. Se
muestran a continuación una tabla comparativa entre R y Python:
218
Tabla 1.
Comparativo del lenguaje de programación R y Python.
Lenguaje de
Python R
Programación
Ross Ihaka y Robert
Creado por: Guido Van Rossum en 1991.
Gentleman en 1995
Se centra en un mejor
Enfatiza la productividad y la legibilidad del
Propósito: análisis de datos fácil de
código.
usar, estadísticas y gráficos.
Es utilizado por los programadores que Se usa principalmente en lo

quieren profundizar en estadística de los académico y la
datos o aplicar técnicas estadísticas, los investigación. R se está
desarrolladores recurren a ciencia de los expandiendo en el mercado
datos. empresarial.
Utilizado por:
“Cuanto más cerca estés de

“Cuanto más cerca estés de trabajar en un
las estadísticas, la
entorno de ingeniería, más preferirás
investigación y la ciencia de
Python”
los datos, más preferirás R”
• Pandas para manipular datos.

• SciPy /Numy para los científicos.
• Sckikit-learn técnicas de aprendizaje • Tydiverse varios
automático. paquetes
• readr para leer datos
Algunas • Matplotlib para hacer gráficos. • Dplyr, Plyr y Data.table
Librerías y
• Statsmodels para explorar datos, para manipular datos.
Paquetes:
• ggplot2 de gráficos
estimar modelos estadísticos y realizar • Stringr para manejar
pruebas estadísticas y pruebas cadena de caracteres.
unitarias.
Es generalmente usado cuando el análisis
de los datos ser integrado en aplicaciones
Web o si el código de estadísticas debe
incorporarse a una base de datos de
• Utilizado para
Uso de Datos y producción. cuestiones estadísticas
Tareas • Excelente en algoritmos
Como lenguaje de programación completa, d machine learning
es una excelente herramienta para
implementar algoritmos para el uso de
producción.
219
5.3.4. Caso BBVA Research

En la actualidad con el desarrollo tecnológico una de las consecuencias
importantes ha sido la generación de grandes volúmenes de información y datos en
distintos ámbitos.
La recopilación ingesta de datos, el análisis y su utilización en la toma de

decisiones es, actualmente, uno de las principales fuentes de diferenciación en un
mundo globalizado y en el cual la información y las tecnologías están al alcance de
todos a un bajo costo.
Una empresa capaz de almacenar y analizar de forma adecuada la

información, obtendrá ventajas competitivas que le permitirán diferenciarse de sus
competidores y ocupar una posición líder en la industria que participa.
El uso de Big Data ha entrado con mucha fuerza en el marketing, utilizándose

como herramienta para promocionar productos o servicios a un cliente, sin
conocerlo, solo con la información obtenida de sus búsquedas o preferencias en la
Web (huella digital). Esto, está permitiendo el desarrollo de nuevos productos y
servicios que sacan provecho de la información, recopilándola y usándola para
generar soluciones, mejorar la experiencia de servicio y aumentar la fidelidad y
retención de los clientes. (BBVA Research, 2017).
Big Data que se posiciona en varios sectores: en primera instancia en el

sector de Telecomunicaciones como herramienta para predecir y prevenir la pérdida
de clientes y en la realización de campañas. Poco a poco, se han ido sumando la
banca y procesos de ventas en tiendas departamentales, autoservicio y comercio,
en la búsqueda de sacar el máximo provecho a la información que generan sus
clientes actuales y potenciales en sus interacciones en las redes sociales. (BBVA
Research, 2017).
En las empresas de servicios bancarios, la revolución digital está iniciando y

los próximos pasos en esta industria apuntan a una experiencia digital totalmente
adherida para el cliente. Los bancos digitales ofrecen y ofrecerán servicios de forma
digital, tomando la oportunidad de adelantarse a las necesidades de las personas y
220
empresas y tendrán estrategias de inversión y ahorro que mejor se adaptan a las

necesidades de cada cliente, basándose solamente en los datos disponibles. (BBVA
Research, 2017)
No todos los países y no todas las compañías avanzan al mismo ritmo en el

uso y aplicación de prestaciones digitales. El nivel de desarrollo y penetración de
las tecnologías determinan la velocidad a la cual los países y las empresas se
incorporan a la economía digital. (BBVA Research, 2017).
Big Data permite analizar la información económica en tiempo real, sin

esperar hasta que las cifras se publiquen, lo que ocurre con rezagos que
habitualmente van desde una semana hasta más de un mes.
La tecnología Big Data permite recopilar y procesar en tiempo real las

decisiones de personas, empresas y del gobierno y, con ello, hacer un seguimiento
en línea de la evolución de la economía. Este es un enorme y revolucionario avance
en materia de análisis, permite realizar mejores estimaciones y analizar a detalle las
decisiones de los agentes económicos, así como entender mejor el mecanismo de
transmisión de las políticas económicas. El desarrollo de mejores modelos de
predicción usando estos datos es todavía un tema pendiente.
El estudio de la huella digital está siendo usado por algunas empresas para
calcular índices de consumo y ha sido usado en apoyo a las autoridades mexicanas
para fortalecer el diseño de políticas públicas para impulsar el crecimiento ordenado
de la actividad turística del país y para ofrecer un mejor servicio por parte de las
empresas de bienes y servicios turísticos.
Con lo anterior basado en el caso BBVA, se establece una propuesta de uso

de análisis de datos de cartera de clientes una empresa financiera para lograr
conocer las percepciones de las personas.
5.3.5. Propuesta de análisis predictivo para la empresa financiera

En una empresa financiera se generan grandes cantidades de información
en relación a los clientes a los cuales se les tiene otorgado un crédito, la cantidad
de cartera en riesgo es muy elevada aunado a estos factores se ha disminuido
221
constantemente el número de clientes y por consiguiente la cartera activa hablando

en términos monetarios.
Para “la empresa financiera” tomada como referencia y caso de uso, el

proceso para otorgar un crédito al cliente el proceso de evaluación del crédito es
demasiado lento porque los procesos de análisis y evaluaciones de riesgos de
clientes tarda mucho tiempo.
Dentro de la empresa financiera, el riesgo de crédito se evalúa de manera

subjetiva, es decir, la información del cliente se obtiene a través de relaciones
personales entre los clientes y los asesores de la financiera.
Los préstamos son a menudo un proceso de juicio de una persona que

evalúa las solicitudes en función de ciertos criterios, por ejemplo: ¿Es el solicitante
o cualquiera de su familia conocido por la organización?; ¿Cuál es el monto del
préstamo solicitado?; ¿Cuál es la capacidad de pago del solicitante?; ¿En que
invertirá el préstamo?
Para ello la financiera debe tener la capacidad de poder evaluar el riesgo de

incumplimiento de cada cliente para poder formar el grupo solidario, y en base a
esta evaluación la empresa como tal, pueda decidir si es viable otorgar el crédito o
no, sin embargo, esto no debiera ser de manera subjetiva.
Con el tiempo, han evolucionado las técnicas de modelado sobre el riego de

crédito. Recientemente se incluyen enfoques sofisticados que utilizan cientos o
miles de modelos diferentes, diversos marcos de validación y técnicas de conjunto
con múltiples algoritmos de aprendizaje para obtener una mayor precisión.
Por lo anterior, como propuesta se recomienda el uso de R y Python para el

análisis predictivo sobre las necesidades de los clientes y así poder generar
estrategias más específicas en cuanto el otorgamiento de los créditos, conocer el
motivo principal de la deserción de clientes, disminuir la cartera en riesgo y así
generar mejores cifras positivas para la entidad financiera.
Al estar obteniendo la información en tiempo real se podrán trazar estrategias

para generar nuevos productos y servicios al sector de clientes con los cuales se
222
trabaja, sin necesidad de pagar a empresas externas para realizar encuestas ya

que de esta manera se pierde tiempo, dinero y clientes.
En base a lo anterior se propone realizar un análisis para determinar la

siguiente información:
• ¿Qué colaboradores de la empresa han enviado más cantidad de clientes a

cartera vencida y cuál es el motivo específico?
• ¿Cómo se podrá contrarrestar esta pérdida para la empresa financiera?
• ¿Cuál ha sido el motivo principal de la pérdida de clientes en la empresa?
• ¿Qué estrategia se puede utilizar para regresar a todos esos clientes
perdidos?
Se propone un modelo que permita realizar el análisis de los datos de manera
eficiente, rápida y oportuna. Se pretende que en base a la información obtenida se
puedan lograr tomar mejores decisiones dentro de la organización financiera.
Se sugiere utilizar el modelo que se base en la regresión logística

denominado “Credit Scorecard” generalmente conocido como cuadro de mando
estándar; porque se basa en la regresión logística como el modelo subyacente.
El resultado del modelo Credit Scorecard consiste en un conjunto de atributos

(características del cliente) que se muestran en forma de tabla. Dentro de un
atributo, los puntos ponderados se asignan a cada valor de atributo en el rango y la
suma de esos puntos es igual a la calificación crediticia final.
Para el modelo se debe documentar lo siguiente:
• La unidad de análisis (como nivel de cliente o producto),

• Marco poblacional (por ejemplo, solicitantes de préstamos a través de la
puerta) y tamaño de la muestra.
• Definiciones operativas (“malo” o “bueno”) y supuestos de modelo (por
ejemplo, excluyendo clientes fraudulentos),
• Horizonte temporal de observación (como el historial de pagos de los clientes
en los últimos dos años) y ventanas de rendimiento, ese es el marco de
tiempo para el que se aplica la definición de “mala”,
223
• Fuentes de datos y métodos de recopilación de datos.
5.3.5.1. Preparación de datos

La preparación de los datos es pieza clave para el desarrollo de un cuadro
de mando crediticio. Implica la recopilación de datos, la combinación de múltiples
fuentes de datos, agregaciones, transformaciones, limpieza de datos, y la
observación de la amplitud y profundidad de los datos para obtener una
comprensión clara y transformar la cantidad de datos en calidad de los datos para
que se pueda preparar con confianza la siguiente fase.
El primer paso en el análisis exploratorio es la lectura de los datos y luego

explorar las variables y casos que hay, los tipos de datos de las variables y el rango
de los valores que toman. Algunas variables pueden ser:
• Id de préstamo: un identificador único para la información del préstamo.

• Id de cliente: identificador único del cliente. Los clientes pueden tener más
de un préstamo.
• Monto actual del préstamo: es el monto del préstamo que fue completamente
pagado o la cantidad que se incumplió.
• Plazo: una variable categórica que indica si se trata de un préstamo a corto
o largo plazo.
• Puntuación de crédito: un valor entre 0 y 800 que indica el riesgo que se
puede tener al otorgar el crédito, es el historial crediticio.
El lenguaje que se sugiere para iniciar con el análisis predictivo es R. De esta

manera y con los datos históricos se podrá predecir posibles acontecimientos
negativos y así contrarrestar perdidas de clientes y cartera activa. También esta
herramienta será de mucha utilidad ya que se podrá determinar la causa principal
de la deserción de los mismos clientes y con ellos generar estrategias para
incrementar y retener a la mayor cantidad de clientes.
224
5.3.5.2. Proceso para evaluación del riesgo

Hay básicamente dos enfoques principales para evaluar el riesgo crediticio:
Ambos dependen de la información histórica, pero el tipo de información que utilizan
es diferente los enfoques son los siguientes
El enfoque de juicio es un enfoque cualitativo, basado en la experiencia

empresarial y el sentido común, el experto en crédito o comité de crédito, que es un
grupo de expertos en crédito, tomará una decisión sobre el riesgo crediticio. Por lo
general, esto se hace sobre la base de la inspección de los cinco Cs del solicitante
y el préstamo (Chi Dung, 2018).
• El carácter mide el carácter y la integridad del prestatario (por ejemplo,

reputación, honestidad, entre otros).
• El capital mide la diferencia entre los activos del prestatario (por ejemplo,
coche, casa, etc.) y pasivos (por ejemplo, gastos de alquiler, entre otros).
• La garantía mide la garantía proporcionada en caso de que se produzcan
problemas de pago (por ejemplo, casa, coche, entre otros).
• La capacidad mide la capacidad de pago del prestatario (por ejemplo, la
situación del trabajo, los ingresos, entre otros).
• La condición mide las circunstancias de la institución que proporciona el
crédito (por ejemplo, condiciones de mercado, presión competitiva, carácter
estacional, entre otros).
Al analizar esta información, se realiza una evaluación cualitativa o subjetiva
del riesgo crediticio. Aunque el enfoque de juicio puede parecer subjetivo y, por lo
tanto, poco sofisticado a primera vista, todavía es muy frecuentemente utilizado por
los bancos para carteras de crédito muy específicas.
Con el surgimiento de técnicas de clasificación estadística a principios de la

década de 1980, las instituciones financieras se interesaron cada vez más en
abandonar el enfoque de los juicios y optar por un enfoque estadístico más formal
basado en datos.
El enfoque estadístico se basa en el análisis estadístico de los datos

históricos para encontrar la relación multivariada óptima entre las características de
225
un cliente y la variable binaria de destino bueno/malo. Es menos subjetivo que el

enfoque de juicio, ya que no está vinculado al conocimiento y la experiencia de un
experto en crédito en particular.
Tiene como objetivo construir cuadros de mando, que se basan en

correlaciones multivariadas entre insumos (como la edad, el estado civil, los
ingresos, la cantidad de ahorro) y una variable denominada objetivo que refleja el
riesgo de incumplimiento. En otras palabras, un cuadro de mandos asignará
puntuaciones a cada una de esas entradas.
En esta propuesta, las puntuaciones se asignarán a la edad, el estado civil,

los ingresos y la cantidad de ahorro. Todas esas puntuaciones se sumarán y se
compararán con el umbral crítico que especifica el nivel mínimo de calidad de crédito
requerida. Si la puntuación agregada supera el umbral, se concederá crédito. Si cae
por debajo del umbral, se retendrá el crédito.
En la experiencia, se pueden aplicar enfoques híbridos. En un primer paso,

una institución financiera puede generar valores informativos por puntuación
judicial. Un ejemplo puede ser una opinión experta de un analista de crédito sobre
la ética de pago de un prestatario (por ejemplo, como un número discreto entre 1 y
5). En un segundo paso, la institución puede agregar esta puntuación de juicio y otra
información dura en una puntuación estadística.
En términos generales, el enfoque estadístico de la puntuación de crédito

tiene muchas ventajas en comparación con el enfoque de juicio. En primer lugar, es
mejor en términos de velocidad y precisión. Se puede tomar decisiones más rápidas
de lo que se pudo hacer con el enfoque de los juicios. Esto es especialmente
relevante cuando se trabaja en un entorno en línea donde las decisiones de crédito
deben tomarse rápidamente. Debido a que un cuadro de mandos de crédito es
esencialmente una fórmula matemática, se puede programar y evaluar fácilmente
de una manera automatizada y rápida.
Otra ventaja de tener modelos estadísticos de puntuación de crédito es la

coherencia. Ya no se basa en la confianza de la experiencia, la intuición o el sentido
226
común. Hoy en día sólo es una fórmula matemática, y la fórmula siempre se

evaluará exactamente de la misma manera si se le da el mismo conjunto de
insumos, como la edad, el estado civil, los ingresos, entre otros.
Por último, los modelos estadísticos de puntuación de crédito normalmente

también serán más potentes que los modelos de juicio. Este aumento del
rendimiento permitirá una reducción de la pérdida de deuda y los costos operativos,
y como resultado también perfeccionará la gestión de la cartera.
5.3.5.3. Regresión logística para desarrollar un modelo de cuadro de

mandos
La regresión logística es una técnica de clasificación de puntuación de crédito
muy popular debido a su simplicidad y buen rendimiento. Al igual que con la
regresión lineal, una vez que se han estimado los parámetros, la regresión se puede
evaluar de una manera sencilla, contribuyendo a su eficiencia operativa. Desde un
punto de vista de interpretabilidad, se puede transmitir fácilmente en un cuadro de
mandos de crédito ejecutable, fácil de usar y basado en puntos.
Un aspecto técnico importante del desarrollo de la regresión logística es la

selección de variables. La regresión logística tiene un procedimiento integrado para
realizar la selección de variables. Se basa en una prueba de hipótesis estadística
para verificar si el coeficiente de una variable contenida en el modelo es
significativamente diferente de cero.
En la puntuación de crédito, es muy importante tener en cuenta que la

importancia de la estadística es sólo un criterio de evaluación que se tiene al
momento de realizar la selección de una variable.
En la regresión logística, esto se puede evaluar fácilmente examinando el

código del coeficiente de regresión. Es preferente que un coeficiente contenga el
mismo código que pronostica el experto en crédito; ya que de lo contrario pueden
ser renuentes al hacer uso del modelo.
Antes de crear un modelo de clasificación binaria (por ejemplo, Regresión

logística), un paso común es realizar análisis de datos exploratorios y del filtrado de
227
variables. Este es el paso en el que se dan a conocer los datos y se eliminan

variables que están mal condicionadas o no contienen información que aporte en la
predicción referente a la acción de interés. El propósito de este paso no debe
confundirse con el de las técnicas de selección de variables, como la regresión
escalonada, donde se seleccionan las variables que entran en el modelo final. En
su lugar, este es un paso precursor diseñado para garantizar que los enfoques
implementados durante las fases de modelado final se configuran para el éxito.
El peso de la evidencia (WOE) y el valor de la información (IV) proporcionan

un gran cuadro para el análisis exploratorio y el filtrado de las variables para que a
su vez se clasifiquen en binarios. WOE y IV se han utilizado ampliamente en el
mundo del riesgo crediticio durante varias décadas, y la teoría subyacente se
remonta a la década de 1950. WOE y IV son técnicas simples, pero potentes para
realizar la transformación y selección variable.
Estos conceptos tienen una enorme conexión con la técnica de modelado de

regresión logística. Es ampliamente utilizado en la puntuación de crédito para medir
la separación de buenos clientes vs malos clientes. Al mismo tiempo, las ventajas
de la transformación WOE son que permiten controlar los valores que faltan y
manejar valores atípicos.
La transformación se basa en el valor logarítmico de las distribuciones. Esto

se alinea con la función de salida de regresión logística No hay necesidad de
variables ficticias.
Mediante el uso de una técnica de binning adecuada, puede establecer una

relación auto reconstruyente (aumento o disminución) entre la variable
independiente y la variable dependiente.
En resumen, el análisis WOE y IV permite:
• Considerar la contribución independiente de cada variable al resultado.

• Detectar relaciones lineales y no lineales.
• Clasificar las variables en términos de fuerza predictiva "univariada".
228
• Visualizar las correlaciones entre las variables predictivas y el resultado

binario.
• Comparar sin problemas la fuerza de las variables continuas y categóricas
sin crear variables ficticias.
• Manejar sin problemas los valores que faltan sin censura.
• Evaluar el poder predictivo de los valores que faltan.
Por convención, los valores estadísticos generados en el modelo de
regresión logística P-Value para la selección variable se pueden utilizar de la
siguiente manera:
• Menos de 0,02: el predictor no es útil para el modelado (separar las

mercancías de los malos).
• De 0,02 a 0,1: el predictor solo tiene una relación débil con la relación de
probabilidades De bienes/malas.
• De 0,1 a 0,3: el predictor tiene una relación de resistencia media con la
relación de probabilidades De bienes/malas.
• De 0,3 a 0,5: el predictor tiene una fuerte relación con la relación entre bienes
y malos.
• Más de 0,5: se debe comprobar claramente, al seleccionar las variables que
tienen IV superior a 0,5 debido a una relación sospechosa.
5.3.5.4. Características clave de un modelo útil de cuadro de mandos

Al adoptar un cuadro de mandos para ponerlo en producción, se debe realizar
una evaluación a fondo; dependiendo de la configuración exacta y el uso del
modelo, es posible que sea necesario evaluar diferentes aspectos durante la
evaluación para garantizar que el modelo sea aceptable para su implementación.
Las características clave del modelo de cuadro de mandos exitoso son:
• Interpretabilidad: un cuadro de mandos debe ser interpretable, es decir, que

se requiere una comprensión más profunda del comportamiento
predeterminado detectado.
229
• Los modelos que admiten al usuario comprender las razones subyacentes

relacionadas al mismo, indican la predeterminación de un cliente por medio
de modelos de caja blanca; mientras que los modelos matemáticos
complejos, incomprensibles se conocen a menudo como modelos de caja
negra.
• Precisión estadística: esta se refiere a la eficacia de detección y la corrección
del cuadro de mandos en el etiquetado de los clientes como
predeterminados. Existen varios criterios de evaluación estadística que se
pueden aplicar para evaluar este aspecto, como la tasa de aciertos, las
curvas de elevación, el área debajo de la curva (AUC), entre otros. También
puede referirse al significado estadístico, lo que quiere decir, que los
patrones que se han encontrado en los datos tienen que ser válidos y no ser
la consecuencia del ruido.
• Costo económico: Desarrollar e implementar un cuadro de mandos implica
un costo significativo para una organización. El costo total incluye los costos
de recopilar, pre procesar y analizar los datos, y los costos para poner los
cuadros de mando resultantes en producción. Además, los costos de
software, recursos humanos e informáticos también se deben tener en
cuenta. Posiblemente también se deben comprar datos externos (por
ejemplo, de la oficina de crédito) para enriquecer los datos internos
disponibles.
• Cumplimiento normativo: Un cuadro de mandos debe estar bien alineado y
cumplir con todas las regulaciones y leyes aplicables. Se debe respetar otras
regulaciones como por ejemplo, con respecto a la privacidad y/o la
discriminación.
El uso más importante de las puntuaciones de las solicitudes es decidir sobre
la aprobación del préstamo. Las puntuaciones también se pueden utilizar con fines
de fijación de precios. Los precios basados en el riesgo (a veces también
denominados precios ajustados al riesgo) establecen el precio u otras
características (por ejemplo, plazo del préstamo, garantía) del préstamo en función
230
del riesgo percibido medido por la puntuación de la solicitud. Una puntuación más
baja implicará una tasa de interés más alta y viceversa.
5.3.5.5. Regresión logística en R

Se utiliza el ejemplo simulado con los datos contenidos en la dirección
http://www.creditriskanalytics.net/datasets-private2.html descargando el archivo y
cargando los datos en R y R Studio. (Baesens, 2016).
El conjunto de datos HMEQ (Home Equity Loans) informa características e

información de morosidad para 5960 préstamos con garantía hipotecaria. Un
préstamo con garantía hipotecaria es un préstamo en el que el deudor utiliza el
capital de su casa como garantía subyacente.
Se muestran los datos de 30 registros de datos limpios y transformados

generados por la recreación en el enlace https://rpubs.com/rpizarrog/601901.
(Pizarro, 2020).
231
Tabla 2.
Datos limpios y transformados
BAD LOAN MORTDUE VALUE REASON JOB YOJ DEROG DELINQ CLAGE NINQ CLNO DEBTINC
1 1100 25860 39025 HomeImp Other 10.50 0.00 0.00 94.37 1.00 9.00 33.78
1 1300 70053 68400 HomeImp Other 7.00 0.00 2.00 121.83 0.00 14.00 33.78
1 1500 13500 16700 HomeImp Other 4.00 0.00 0.00 149.47 1.00 10.00 33.78
1 1500 73760.82 101776 DebtCon Other 8.92 0.25 0.45 179.77 1.19 21.30 33.78
0 1700 97800 112000 HomeImp Office 3.00 0.00 0.00 93.33 0.00 14.00 33.78
1 1700 30548 40320 HomeImp Other 9.00 0.00 0.00 101.47 1.00 8.00 37.11
1 1800 48649 57037 HomeImp Other 5.00 3.00 2.00 77.10 1.00 17.00 33.78
1 1800 28502 43034 HomeImp Other 11.00 0.00 0.00 88.77 0.00 8.00 36.88
1 2000 32700 46740 HomeImp Other 3.00 0.00 2.00 216.93 1.00 12.00 33.78
1 2000 73760.82 62250 HomeImp Sales 16.00 0.00 0.00 115.80 0.00 13.00 33.78
1 2000 22608 101776 DebtCon Other 18.00 0.25 0.45 179.77 1.19 21.30 33.78
1 2000 20627 29800 HomeImp Office 11.00 0.00 1.00 122.53 1.00 9.00 33.78
1 2000 45000 55000 HomeImp Other 3.00 0.00 0.00 86.07 2.00 25.00 33.78
0 2000 64536 87400 DebtCon Mgr 2.50 0.00 0.00 147.13 0.00 24.00 33.78
1 2100 71000 83850 HomeImp Other 8.00 0.00 1.00 123.00 0.00 16.00 33.78
1 2200 24280 34687 HomeImp Other 8.92 0.00 1.00 300.87 0.00 8.00 33.78
1 2200 90957 102600 HomeImp Mgr 7.00 2.00 6.00 122.90 1.00 22.00 33.78
1 2200 23030 101776 DebtCon Other 19.00 0.25 0.45 179.77 1.19 21.30 3.71
1 2300 28192 40150 HomeImp Other 4.50 0.00 0.00 54.60 1.00 16.00 33.78
0 2300 102370 120953 HomeImp Office 2.00 0.00 0.00 90.99 0.00 13.00 31.59
1 2300 37626 46200 HomeImp Other 3.00 0.00 1.00 122.27 1.00 14.00 33.78
1 2400 50000 73395 HomeImp ProfExe 5.00 1.00 0.00 179.77 1.00 0.00 33.78
1 2400 28000 40800 HomeImp Mgr 12.00 0.00 0.00 67.20 2.00 22.00 33.78
1 2400 18000 101776 HomeImp Mgr 22.00 0.25 2.00 121.73 0.00 10.00 33.78
1 2400 73760.82 17180 HomeImp Other 8.92 0.00 0.00 14.57 3.00 4.00 33.78
1 2400 34863 47471 HomeImp Mgr 12.00 0.00 0.00 70.49 1.00 21.00 38.26
0 2400 98449 117195 HomeImp Office 4.00 0.00 0.00 93.81 0.00 13.00 29.68
1 2500 15000 20200 HomeImp Other 18.00 0.00 0.00 136.07 1.00 19.00 33.78
1 2500 25116 36350 HomeImp Other 10.00 1.00 2.00 276.97 0.00 9.00 33.78
0 2500 7229 44516 HomeImp Self 8.92 0.00 0.00 208.00 0.00 12.00 33.78
Las variables de los datos
• Los datos tienen las siguientes características:

• Son trece variables del conjunto de datos
• BAD - MALO: 1 = solicitante incumplido en préstamo o gravemente moroso; 0 =
préstamo pagado por el solicitante
232
• LOAN - PRÉSTAMO: monto de la solicitud de préstamo

• MORTDUE: Monto adeudado por hipoteca existente
• VALUE - VALOR: valor de la propiedad actual
• REASON - RAZÓN: DebtCon = consolidación de deuda; HomeImp = mejoras para el
hogar
• JOB - TRABAJO: categorías ocupacionales
• YOJ: Años en el trabajo actual
• DEROG: número de informes despectivos importantes
• DELINQ: Número de líneas de crédito morosas
• CLAGE: Edad de la línea de crédito más antigua en meses.
• NINQ: número de consultas de crédito recientes
• CLNO: número de líneas de crédito
• DEBTINC - DEUDA: relación deuda-ingreso
5.3.5.6. Resumen del modelo

Siguiendo un enlace https://rpubs.com/rpizarrog/601901 de Pizarro, (2020),
puede apreciarse la recreación de un modelo de regresión logística para la
predicción otorgamiento o No de crédito.
La variable dependiente o de respuesta del modelo es BAD y el resto son las

variables independientes.
modelo <- glm(data = datos.Entrena, formula = BAD ~ LOAN + VALUE + REASON

+ JOB + DEROG + DELINQ + CLAGE + NINQ + CLNO + DEBTINC, family = binomial)
# modelo
summary(modelo)
En la tabla 3 se resume el modelo de regresión logística mostrando los

valores de los coeficientes así como los valores significativos de Pr(>|t|) que
representa la relación estadística entre las variables independiente y la variable de
respuesta.
En la tabla se observa que la gran mayoría de las variables independientes

tienen relación significativa con la variable dependiente. La variable llamada JOB en
233
su categoría Office y ProfExe respectivamente representan poca relación

estadísticamente significativa.
Tabla 3.
Coeficientes del modelo de regresión logística
Coefficients: Estimate Std. Error t value Pr(>|t|) Siginif.
(Intercept) 4.013e-02 3.277e-02 1.225 0.220822
LOAN -2.824e-06 5.256e-07 -5.372 8.20e-08 ***
VALUE 3.189e-07 1.076e-07 2.965 0.003048 **
REASONHomeImp 4.623e-02 1.229e-02 3.761 0.000171 ***
JOBOffice -3.055e-02 2.011e-02 -1.519 0.128731
JOBOther 4.375e-02 1.731e-02 2.527 0.011534 *
JOBProfExe 1.182e-02 1.904e-02 0.621 0.534604
JOBSales 1.726e-01 4.164e-02 4.146 3.45e-05 ***
JOBSelf 9.100e-02 3.350e-02 2.716 0.006633 **
DEROG 8.769e-02 7.001e-03 12.525 < 2e-16 ***
DELINQ 1.132e-01 5.113e-03 22.132 < 2e-16 ***
CLAGE -6.289e-04 6.962e-05 -9.032 < 2e-16 ***
NINQ 2.788e-02 3.458e-03 8.062 9.76e-16 ***
CLNO -2.674e-03 6.061e-04 -4.412 1.05e-05 ***
5.3.5.7. Análisis predictivo

Bajo el mismo ejemplo, imaginar que llegan cuatro clientes a solicitar un
crédito con las siguientes características:
Los primeros dos solicitan un préstamo de 2000 con valores diferentes en las
otras variables independientes; los últimos dos solicitan préstamos de 2500 como
se muestra en la tabla siguiente:
Tabla 4.
Nuevos clientes para análisis predictivo
LOAN MORTDUE VALUE REASON JOB YOJ DEROG DELINQ CLAGE NINQ CLNO DEBTINC
2000 43000 53000 HomeImp Other 3 0 0 86.067 2 25 33.7799
2000 62536 85400 DebtCon Mgr 2.5 0 0 147.13 0 24 33.7799
2500 27116 34350 HomeImp Other 10 1 2 276.97 0 9 33.7799
2500 9229 42516 HomeImp Self 8.92 0 0 208 0 12 33.7799
234
Emulando la predicción en R y siguiendo la simulación en el enlace citado

https://rpubs.com/rpizarrog/601901 de (Pizarro, 2020).
predicciones <- predict(modelo, nuevas_peticiones, se.fit = TRUE)

prediccion_prob <- exp(predicciones$fit) / (1 + exp(predicciones$fit))
prediccion_prob <- as.data.frame(prediccion_prob)
names(prediccion_prob) <- c("Prob.Predic")

kable(prediccion_prob)
prediccion_prob <- prediccion_prob %>%

mutate(Préstamo = if_else(Prob.Predic > 0.5, "NO", "SI"))
kable(prediccion_prob)
Generando valores ajustados siguientes y de manera respectiva 0.2803811,

0.1092540, 0.4540155 y 0.2252095 y los valores probabilísticos finales conforme a
la fórmula:
Prob=Log(fit/(1+Log(fit))) y se tiene el siguiente resultado:
Tabla 5
Resultado de la predicción
Prob.Predic Préstamo
0.3 SI
0.13 SI
0.51 NO
0.24 SI
A todos los clientes se les presta dinero excepto al cliente número 3. Porque
su probabilidad de No Pago es por encima del 50%.
Con lo anterior y para fines práctico y de claridad, sólo se describe el modelo

regresión logística, dejando de lado todo el modelo ScoreBoard que se encuentra
235
en la dirección origen de referencia. http://www.creditriskanalytics.net/datasets-

private2.html (Baesens, 2016).
5.3.5.8. Análisis de la propuesta

Actualmente R ofrece un amplio conjunto de librerías para el desarrollo de
software de riesgo, puede integrarse con casi cualquier base de datos del mercado
hablando tanto de las públicas como de las privadas, dejando construir aplicaciones
en donde se pueda controlar en todo momento la gestión de los datos, mientras que
el entorno R-Studio es un marco completo y muy amigable de desarrollo de código
R.
El lenguaje R, es una herramienta que, una vez realizado el esfuerzo inicial

imprescindible para adquirir la competitividad mínima, presenta un formidable
potencial de estudio a casi cualquier necesidad o problema de análisis de datos que
a una empresa se le pueda presentar, siendo un aliado muy interesante y
recomendable para aplicar en el ámbito de la Ciencia de los Datos.
Después de analizar la información anteriormente descrita, se puede concluir

que hay muchísimas herramientas de software que tratan la problemática, pero
todas cuentan con ciertas desventajas.
Aunque la mayoría de las instituciones financieras están implementando y

utilizando sistemas de calificación crediticia hoy en día, se enfrentan a una serie de
limitaciones. Una primera limitación se refiere a los datos que se utilizan para
estimar los modelos de puntuación de crédito. Dado que los datos son el ingrediente
principal, y en la mayoría de los casos el único, para construir estos modelos, su
calidad y capacidad predictiva es clave para el éxito de los modelos.
La calidad de los datos se refiere, por ejemplo, al número de valores y valores

atípicos que faltan, la rectitud y representatividad de los datos. Los problemas de
calidad de datos pueden ser difíciles de detectar sin conocimientos específicos del
dominio, pero tienen un impacto importante en el desarrollo del cuadro de mandos
y las medidas de riesgo resultantes. La disponibilidad de datos de alta calidad es un
requisito previo muy importante para crear buenos modelos de puntuación de
236
crédito. Sin embargo, los datos no sólo deben ser de alta calidad, sino que también
deben ser predictivos, en el sentido de que las características capturadas están
relacionadas con la probabilidad de incumplimiento del cliente.
Además, antes de construir un modelo de cuadro de mandos, se requiere de

realizar una reflexión a fondo sobre por qué un cliente incumple y qué características
podrían estar potencialmente relacionadas con esto. Los clientes pueden incumplir
debido a razones desconocidas o información no disponible para la institución
financiera, lo que plantea otra limitación al desempeño de los modelos de
calificación crediticia.
Las técnicas estadísticas utilizadas en el desarrollo de modelos de

puntuación de crédito suelen suponer un conjunto de datos de tamaño suficiente
que contiene suficientes valores predeterminados. Esto puede no ser siempre el
caso para tipos específicos de carteras donde sólo se dispone de datos limitados, o
sólo se observa un número bajo de incumplimientos. Para este tipo de carteras, es
posible que se tenga que recurrir a métodos alternativos de evaluación del riesgo
utilizando, por ejemplo, el juicio de expertos basado en los cinco Cs, como se ha
discutido anteriormente.
Los resultados que se pretenden lograr con la propuesta descrita, es que la
institución financiera adopte un lenguaje de programación, para realizar el análisis
estadístico de datos, obtenidas de las bases de datos con las cuales trabaja;
asimismo al adoptar la nueva forma de trabajar
Con el análisis descriptivo de la información se pretende lograr tomar mejores

decisiones en cuanto al otorgamiento de créditos, así como también el cuidado de
la cartera en riesgo, y en conjunto lograr una cartera de clientes más sana en la
empresa financiera.
Se pretende lograr que en un futuro la empresa financiera adopte el uso de

algún lenguaje de programación planteados en este proyecto para el análisis de
237
datos para la evaluación de riesgos en el otorgamiento de créditos a sus clientes.

Con ellos se lograría disminuir la cartera en riesgo y evitar pérdidas para la empresa
financiera.
Apoyar en la difusión de los lenguajes de R y Python para que un futuro la

empresa financiera adopte el uso de algún lenguaje de programación planteado en
este proyecto para el análisis de datos para la evaluación de riesgos al otorgar
créditos a sus clientes. Con ellos se lograría disminuir la cartera en riesgo y evitar
pérdidas para la empresa financiera.
Además, se reducirán costos en la utilización de alguno de estos lenguajes,

ya que no será necesario adquirir o dar mantenimiento a algún paquete estadístico
con licencia, ya que R y Python son gratuitos.
Se efectuó un análisis comparativo de los lenguajes R y Python, relacionado

a una entidad financiera, para realizar análisis de datos estadísticos además se
describen distintas técnicas que se tienen en la actualidad para el análisis y
predicción de datos estadístico en una entidad financiera.
Se presentó una propuesta de trabajo para elegir la herramienta más viable

hablando de lenguajes de programación para el análisis estadístico como los son R
y Python.
Se sugirió el lenguaje R ya que por sus características está más enfocado al

análisis y predicción de eventos en una entidad financiera.
Se mostró un ejemplo de código R en el análisis, predicción y modelado de

datos de una entidad financiera. Ya que es una herramienta que, una vez realizado
el esfuerzo inicial imprescindible para adquirir la competitividad mínima, presenta
un formidable potencial de estudio a casi cualquier necesidad o problema de análisis
de datos que a una empresa se le pueda presentar, siendo un aliado muy
interesante y recomendable en un contexto de la Ciencia de los Datos.
El modelo Credit Scorecard es un modelo que consiste en un conjunto de

atributos o características de un cliente. Dentro de un atributo, los puntos
238
ponderados se asignan a cada valor del atributo en el rango y la suma de esos

puntos es igual a la calificación crediticia final.
El análisis propuesto en la entidad financiera es para evaluar el riesgo de

otorgamiento de un crédito a los clientes que solicitan algún tipo de préstamo en un
banco.
Con toda esta información recabada, se pretende que en la empresa se

tomen mejores decisiones, lograr tener una cartera en riesgo más sana y sobre todo
clientes satisfechos con los productos proporcionados por la institución.
Finalmente, el concepto de Big Data ya que permite analizar la información

económica en tiempo real, sin necesidad de esperar hasta que las cifras sean
publicadas, lo que ocurre con rezagos que regularmente van desde una semana
hasta más de un mes.
La estadística ocupa uno de los lugares más importantes dentro de las

investigaciones científicas, ya que por medio de esta se realizan evaluaciones
cuantitativas sobre las hipótesis de investigación, que después desarrollan modelos
predictivos, se llegan a estimar algunos parámetros y se pueden analizar
experimentos.
Referencias
Alex, L. (2015). Data Sciencie and Data Scientist in Global Association for Research Methods and
Data.
alterix. (s.f., s.f. s.f.). AUTOMATION THAT LETS DATA SPEAK AND PEOPLE THINK. Retrieved
from AUTOMATION THAT LETS DATA SPEAK AND PEOPLE THINK:
https://www.alteryx.com/
BBVA Research. (2017, 06 05). BBVA Research. Artículo de Prensa. Retrieved from Chile. El
potencial de Big Data como herramienta: https://www.bbvaresearch.com/wp-
content/uploads/pdf/67403_173947.pdf
Condusef. (2019). Buro de Entidades Financieras. Condusef, 412, 412. Retrieved 08 24, 2019, from
https://www.condusef.gob.mx/Revista/index.php/usuario-inteligente/servicios-
financieros/412-buro-de-entidades-financieras
239
GetApp. (2019, 07 14). GetApp. Software de análisis predictivo. Retrieved from Software de análisis
predictivo: https://www.getapp.com.mx/directory/628/predictive-analytics/software
Jorge Andrés Alvarado Valencia, J. J. (2008). FUNDAMENTOS DE INFERENCIA ESTADÍSTICA.

Colombia: Pontificia Universidad Javeriana.
Kozyrkov, C. (2018, 12 22). Ciencia & Datos. Retrieved from ¿Qué diablos es Ciencia de Datos?. En
la búsueda de una definición inútil.: https://medium.com/datos-y-ciencia/qu%C3%A9-
diablos-es-ciencia-de-datos-f1c8c7add107
Lehkyi, S. (2020, 07 10). What Is Data Analysis? Retrieved from It is not that complex actually.:
https://towardsdatascience.com/what-is-data-analysis-7bb27b5f0d4d
Levine, D. M., Krehbiel, T. C., & Berenson, M. L. (2006). ESTADÍSTICA PARA ADMINISTRACIÓN.
Cuarta edición. México, Argentina, Brasil: Pearson Educación.
Maimon, O., & Rokach, L. (2010). Data Mining and Knowledege Discovery Handbook. Secodn
Edition. New York: Springer.
Management Solutions. (2018, 01 01). MS Management Solutions. Making things happend.

Retrieved from Machine Learning. Una pieza clave en la transformción de los modelos de
negocios:
https://www.managementsolutions.com/sites/default/files/publicaciones/esp/machine-
learning.pdf
Mashanovich, N. (2017, 09 14). Credit Scoring: The Development Process from End to End.
Retrieved from Credit Scoring: The Development Process from End to End:
https://www.worldprogramming.com/blog/datascience/credit_scoring_development_pt1/
Mathworks. (s.f., s.f. s.f.). Mathworks. Retrieved from Predictive Analytics:

https://es.mathworks.com/discovery/predictive-analytics.html
Oracle Database. (s.f., s.f. s.f.). Database Machine Learning. Retrieved from Oracle Machine
Learning: https://www.oracle.com/mx/database/technologies/datawarehouse-
bigdata/machine-learning.html
Pizarro, R. (2020, 04 20). RPubs by RSTUDIO. Retrieved from Evaluar Clientes ScoreBoard:
https://rpubs.com/rpizarrog/601901
python. (s.f., s.f. s.f.). python. Retrieved from python: https://www.python.org/
240
RapidMiner. (2020, 01 01). RapidMiner. Retrieved from RapidMiner: https://rapidminer.com/
Revuelta, M. (2012).
https://www.google.com/search?q=Revuelta,+M+(2012),+Diccionario+de+finanzas+Bolet%
C3%ADn+de+Estudios+Econ%C3B3micos,+67(206)+43. Retrieved 07 28, 2019, from
https://www.google.com/search?q=Revuelta,+M+(2012),+Diccionario+de+finanzas+Bolet%
C3%ADn+de+Estudios+Econ%C3B3micos,+67(206)+43
Robertson, S. (2019, 05 01). Morioh. Retrieved from Machine Learning algorithms explained:
https://morioh.com/p/3d8e92fbbb61/machine-learning-algorithms-explained
r-project.org. (2019, 01 01). r-project.org. Retrieved from r-project.org: https://www.r-project.org/
Saenz, J. M. (2005). ebooks. Retrieved 08 03, 2019, from https://www.abebooks.com/book-

search/author/sarabia-alegria-jose-maria/
SanJuán, F. (2019). https://economipedia.com/definiciones/institucion-financiera.html. Retrieved 08

02, 2019, from https://economipedia.com/definiciones/institucion-financiera.html
sas Visual Statics. (2019, 07 14). SAS Visual Statics. Retrieved from SAS Visual Statics:
https://www.sas.com/es_mx/software/visual-statistics.html
241
Capítulo 6.
Ciencia de los Datos aplicada en las PyMES en Durango
César Omar Domínguez Gurrola

[email protected]

[email protected]

[email protected]
6.1. Introducción
En este capítulo se busca dar a conocer las tecnologías relacionadas con el
concepto de Ciencia de los Datos más actuales que pudieran aplicar las Pequeñas
y medianas empresas (PyMES) del Estado de Victoria de Durango, México.
Se busca que las PyMES al conocer estos aspectos, puedan adoptar y tener
ventajas competitivas tales como definir la entrada a algún nuevo mercado,
optimizar y/o disminuir costos, planificar la producción de los siguientes meses,
242
analizar la rentabilidad por producto, sugerir promociones u ofertas por perfil de

clientes, identificar claramente el público objetivo, mejorar la eficiencia operativa,
estandarizar procesos, definir necesidades específicas de los clientes, agilizar
procesos de contratación de personal, generar campañas de mercadotecnia
personalizadas, encontrar las mejores rutas y transportes para entregas, entre otras.
La Ciencia de los Datos, Business Intelligence (inteligencia de negocios),

Datos Masivos, Machine Learning (aprendizaje automático), entre otras tecnologías
de hoy en día, ya han ayudado a muchas empresas y negocios de diferentes partes
del mundo incluido México, cada vez se utilizan más y se hacen más populares, el
darlas a conocer debe despertar la curiosidad entre las PyMES de Durango.
Los casos reales que se documentan en este capítulo dan un claro ejemplo
de los alcances que puede tener el implementar estas tecnologías en las PyMES,
además de las nuevas oportunidades de negocios que se generan, sin dejar de lado
los nuevos empleos que surgen a partir de estas tecnologías.
El estado de Durango cuenta con 39 Municipios, además de tener 1,759,848

habitantes según el último censo del INEGI levantado en el año 2015. Durango se
encuentra en el lugar número 28 de 32 Estados en cuanto al crecimiento neto de
PyMES, muy por debajo de la media nacional la cual está en 6.2, Durango aparece
con un -1.8. (INEGI. Censos Económicos, 2019)
En la imagen 1 se muestra un mapa del territorio nacional que indica una

clasificación de número de establecimientos de comercios al por menor y en donde
está ubicado el Estado de Durango con 23845 según datos de INEGI. Censos
Económicos 2019, (2019) unidades comerciales comparado con los demás estados
está en los de color verde de menor cantidad de comercios al por menor (INEGI.
Censos Económicos, 2019).
243
Figura 1. Clasificación de comercios al por menor en México. (INEGI. Censos Económicos,

2019)
En los países avanzados, con altos indicadores de bienestar social y

económico, denotan que su progreso es proporcional a la inversión que han hecho
en educación, ciencia, tecnología e innovación. Por consecuencia, la lección es
clara: si se quiere progresar social y económicamente, se tiene que promover el
desarrollo educativo, científico y tecnológico (DURANGO AL DIA, 2018).
Entre las herramientas más usadas destacan los Datos Masivos, que se
puede resumir como un conjunto de tecnologías y herramientas capaces de obtener,
almacenar, procesar grandes cantidades de datos e información y transformarlas
mediante sistemas computacionales y estadísticos, en información útil para toma de
decisiones.
La Ciencia de los Datos extrae, manipula y estudia grandes volúmenes de

información ya sean datos estructurados o no estructurados y los convierte en el
recurso más valioso para las empresas, con el cual se generan estrategias
empresariales.
Los científicos de datos tienen mucha importancia en las organizaciones que

los contratan debido a que son los encargados de concentrar los datos generados
por el negocio, y por medio de sus habilidades en diferentes campos como
244
estadística avanzada, experiencia en algoritmos, Machine Learning, minería de

datos, análisis de la información, logran darle sentido a la información y usarla en
favor de las empresas para mejorar o cambiar aspectos específicos.
Son muy pocas las PyMES que entienden que el poder real de la información
no está en los ceros y en los unos, si no en su análisis. Obtener las conclusiones
correctas y convertir los datos en información valiosa permite revolucionar el mundo
de los negocios, a todos los niveles. Son contadas las compañías que se han dado
cuenta rápidamente del potencial de los Datos Masivos.
En el comercio al por menor, un ticket de compra proporciona más

información de lo que se ve a simple vista, es una de las entradas de datos más
importantes de las que dispone un negocio, nos da la oportunidad de hacer
recomendaciones personalizadas a los clientes, basadas en compras anteriores,
consultas del cliente o de clientes que hagan o hayan hecho compras similares,
también puede ayudar a desarrollar un asistente personal de compras, que ayude
a las personas a tener una extraordinaria experiencia en el comercio on line.
Este capítulo tiene un sentido de difusión y divulgación, al leerla y razonarla

pueda despertar en el lector ya sea en el empresario o cualquier persona la
curiosidad y el sentido emprendedor con un enfoque tecnológico que hoy en día
toda empresa debe tener.
Las universidades en otros países redoblan la apuesta con programas de

análisis y Ciencia de los Datos. Producto de la demanda insatisfecha de expertos
en análisis y administración de datos, esto más que futuro es el presente en varios
países del mundo. En Universidades, Escuelas de Educación Superior e Institutos
Tecnológicos del País, se tiene que empezar a pensar en la necesidad de
programas relacionados con las exigencias empresariales en el ámbito de Ciencia
de los Datos.
Al dar a conocer estas tecnologías a las PyMES, se pretende que conozcan

el impacto que pueden llegar a tener al aplicarlas y con ellos detonar el desarrollo
245
económico en el Estado de Durango, ya que en la entidad hay 2 principales fuentes

de empleo el Gobierno y las pequeñas y medianas empresas.
Una justificación para el desarrollo de este documento es contribuir con la

difusión de nuevas Tecnologías basadas en Ciencia de los Datos para disminuir el
rezago que existe en Durango en materia de desarrollo PyMES ya que representan
una gran parte de la economía Duranguense.
Con este documento académico se intenta proponer las bases, para poder
comenzar a integrar a esas PyMES al uso de la Ciencia de los datos, para que se
puedan dar cuenta de algunas herramientas que pueden utilizar y poder ser más
competitivos en este mundo cada vez más conectado al internet.
También se dan ejemplos de casos reales ya aplicados en otras ciudades de

otros países para que se puedan dar cuenta que todo esto ya está pasando, que no
son cuentos futuristas y que tarde o temprano llegará al País y a los estados y que
como la gran mayoría de las oportunidades laborales, profesionales y comerciales
quien esté preparado es quien tiene más posibilidades de continuar.
El objetivo general que se persigue es dar a conocer a las PyMES en

Durango las tecnologías inherentes a la Ciencia de los Datos para ayudar a sus
negocios a mejorar procesos de diferentes formas.
Estas diferentes formas en que se pueden beneficiar las PyMES pueden ser:
identificar claramente el público objetivo, mejorar la eficiencia operativa,
estandarizar procesos, definir necesidades específicas de los clientes, agilizar
procesos de contratación de personal, generar campañas de mercadotecnia
personalizadas, encontrar las mejores rutas y transportes para entregas, entre otras.
Con lo anterior, de manera específica se persigue dar a conocer a las PyMES

como la Ciencia de los Datos puede dotar de herramientas que les permitan dar
ventajas competitivas y que ayuden a que los negocios crezcan y por ende que
tengan un periodo de vida mayor y no desaparezcan.
Se persigue también, ayudar a las PyMES a comprender que la Ciencia de

los Datos es una evolución natural de la tecnología y que al invertir en ella más que
246
una pérdida de tiempo y dinero, como se suele ver en las empresas, es un detonante
que ayuda a ser más competitivos
Se pretende también, mostrar a los negocios que en estados y ciudades de

otros países se está aplicando la Ciencia de los Datos en beneficio de las PyMES y
que no son un concepto de moda como muchas veces se menciona debido a la
desinformación de las personas muchas veces causada por el atraso científico y
tecnológico que existe en el Estado.
Por medio de la aplicación de la Ciencia de los Datos se favorece el

empoderamiento y facilita a las personas dueños o encargados de las PyMES la
toma de decisiones.
Las PyMES que cuentan con el servicio de Científicos de Datos pueden

tomar decisiones basados en pruebas cuantificables, estas decisiones basadas en
información previamente analizada pueden llevar a las empresas a una mayor
rentabilidad que es lo que buscan todos los negocios, además de una mayor
eficiencia operativa y una estandarización de procesos.
En los negocios que están orientados a los clientes, la información producida

por la Ciencia de los Datos ayuda a identificar y definir el público objetivo, así como
identificar sus necesidades específicas, ayudando a la empresa en toma de
decisiones básicas como de que productos ofrecer y tan complicadas como el stock
(existencia) a manejar o si se necesita o no rentar un local más grande para hacer
crecer el negocio.
En negocios que están orientados al reclutamiento de personas o en

cualquier tipo de agencia donde se reclute personal, la Ciencia de los Datos ayuda
en el procesamiento de las pruebas de aptitudes y vocacionales basadas en los
datos del perfil solicitado para encontrar al mejor candidato para cubrir el puesto
ayudando a descartar a aquellas personas que no cumplen los perfiles y ahorrando
así a las PyMES pérdida de tiempo y dinero, por ejemplo en capacitación de una
persona que no cumple el perfil y que se le tendrían que enseñar habilidades con
las que no cuenta, además de agilizar los procesos de contratación.
247
Las empresas orientadas a las ventas y mercadotecnia o con esos

departamentos dentro de la empresa pueden usar la Ciencia de los Datos para
mejorar la relación con los clientes, así poder verificar que productos compran con
qué frecuencia, que productos de los que se venden no ha comprado, que productos
que se tienen se han buscado o comprado en otras empresas y generar campañas
de mercadotecnia personalizadas para poder aprovechar todas las ventanas de
oportunidad de ventas que se puedan generar.
Las empresas que están enfocadas a productos financieros pueden tomar el

ejemplo de los bancos los cuales están usando la minería de los datos para
ayudarlos a la detección de fraudes y con esto darles mayor confianza a sus
clientes.
Las PyMES orientadas a envíos o que tienen servicios de entrega a domicilio

utilizan la Ciencia de los Datos para encontrar las mejores rutas para poder hacer
sus entregas así como en que horario es más común o solicitado este servicio,
incluso se puede llegar a determinar el transporte más indicado para llevar acabo la
entrega como puede ser un bicicleta, una motocicleta, un automóvil o algo de mayor
tamaño dependiendo de los resultados de las variables que se evalúen como puede
ser distancia, tamaño del objeto a entregar, tiempo de entrega, trafico, condiciones
climatológicas, entre otros.

En este apartado, se exponen algunos conceptos relacionados tales como
Datos Masivos y sus características; Business Intelligence o inteligencia de
negocios con sus aspectos de cuadro de mando integral y sistemas de soporte a la
decisión y ejecutivos; Ciencia de los Datos sus características y el papel del
científico de datos, Machine Learning o aprendizaje automático; al final de este
marco de referencia se describe el contexto PyMES en el estado de Durango,
México.
248
6.2.1. Big Data (Datos Masivos)

La expresión Datos Masivos tiene su nacimiento académicamente por el
profesor Francis Diebold, de la Universidad de Pensilvania que utiliza el término en
su artículo publicado en 2003 “Big Data Dynamic Factor Models for Macroeconomic
Measurement and Forecasting” . Diebold, (2003) cita lo siguiente:
“Recientemente, mucha buena ciencia, ya sea física, biológica o social, se

ha visto obligada a confrontar, y a menudo se ha beneficiado, del fenómeno
del " Datos Masivos ". El concepto de Datos Masivos Datos Masivos se refiere
a la explosión en la cantidad (y a veces, calidad) de datos disponibles y
potencialmente relevantes, en gran parte el resultado de avances recientes
y sin precedentes en la tecnología de almacenamiento y registro de datos.”
(pág. 2).
Los Datos Masivos son una recopilación de datos tanto de fuentes

tradicionales como digitales dentro y fuera de las empresas que representan una
fuente para el descubrimiento y el análisis continuo ya sea de los productos o
servicios ofrecidos, así como del comportamiento de los consumidores.
El concepto Big Data o Datos Masivos también es conocido como un conjunto

de tecnologías y herramientas capaces de obtener, almacenar y procesar grandes
cantidades de datos e información, siempre y cuando estén dentro del tiempo y
coste asumibles para una organización.
El registro de las interacciones con la web, con las redes sociales, así como
las transacciones al adquirir un producto, los registros financieros, uso de tarjetas y
todo lo que deje registro electrónico en internet pueden ser considerados parte de
los Datos Masivos.
La capacidad que tienen los Datos Masivos, para transformar los datos
disponibles gracias a sistemas computacionales y estadísticos, en información útil
para generar una ventaja competitiva para las PyMES y beneficios para los clientes
es una de sus características más sobresalientes.
249
Las diferentes herramientas que se utilizan en el análisis de los Datos

Masivos ayudan a realizar predicciones para que las PyMES mejoren la toma de
decisiones, siempre de la mano del análisis de los clientes ya que al predecir su
comportamiento se les puede dar una atención personalizada para cumplir sus
requerimientos incluso antes de que ellos mismos sepan cuáles son.
Los diferentes autores no se ponen de acuerdo en las características de los

Datos Masivos, pero las más citadas son las famosas 5V’s que son: volumen,
velocidad, variedad, veracidad, valor. Algunos otros autores incluyen otras tres
características como lo es la variabilidad, la volatilidad y la visualización.
6.2.1.1. Volumen
El volumen habla sobre la cantidad de información y/o datos que están
almacenados y se utilizan de las bases de datos. La computación en la Nube (cloud
computing) es de las nuevas tecnologías que son paralelas a este desarrollo.
El internet de las cosas (IoT) ayuda a que cada vez se genere una creciente
cantidad de datos relacionados al comportamiento de las personas, lo que permite
analizar sus diferentes comportamientos para generar servicios hasta ahora
impensables para las personas.
Otras tecnologías necesarias y que se han popularizado dado que permiten

un análisis de forma económicamente viable para los negocios son las herramientas
y lenguajes de programación como Hadoop, R, Python, entre otros, que son
empleados para estos fines.
El volumen tiene un carácter masivo, las unidades de medida para estas

ingentes cantidades de datos son los terabytes (un billón de bytes), petabytes (mil
billones de bytes), exabytes (un millón de billones de bytes). (Gutiérrez Puebla,
2018).
6.2.1.2. Velocidad
La característica de velocidad en los Datos Masivos, es una parte muy
importante ya que los datos se están generando de manera muy rápida, para que
250
los resultados arrojados de estos análisis puedan ser relevantes se necesita que se
realicen en tiempo real.
A los clientes les encanta disponer de los efectos de los Datos Masivos para
obtener de manera rápida los resultados de los mismos y así facilitarles más sus
vidas, las empresas pueden obtener a través de la oferta de más servicios o
productos una mayor rentabilidad de forma rápida, al momento que un cliente hace
una compra se le puede proponer una segunda compra o accesorios para lo que
adquirió.
La velocidad tiene que ver con la rapidez para la adquisición de datos, ya que
estos se pueden obtener de diferentes maneras y a ritmos diferentes así como la
velocidad para almacenarse, procesarse y administrarse. (Sánchez Villaseñor,
2019).
6.2.1.3. Variedad
La variedad, se origina de la manera en que se obtienen los datos derivados
del Internet de las cosas y todos los dispositivos conectados a internet.
Las bases de datos estructuradas son aquellas bases que se crean de

manera tradicional con formatos claros que llevan una estructura de Bases de Datos
aquellos datos que se conforman tradicionalmente con formatos claros que
contienen una estructura de datos.
Las no estructuradas, al contrario de las anteriores no tienen formatos

transparentes se tienen que vincular con otros datos para poder obtener mejores
resultados, pudieran ser videos, audios comentarios en Facebook, Twitter,
Instagram, entre otros.
La variedad hace referencia a la diversidad de tipos, formatos y fuentes de

datos, desde datos estructurados y no estructurados. Aquí aparece el tradicional
enfoque de datos con herramientas y manejadores con enfoque SQL y además las
del tipo NoSQL (Not Only SQL) que almacenan y procesan datos en formato JSON
HTML, entre otros (Gutiérrez Puebla, 2018).
251
6.2.1.4. Veracidad
Los datos necesarios para realizar cualquier análisis deben de ser creíbles
ya que estos datos son demasiado importantes ya que basados en ellos se generan
decisiones y una mala información podría afectar tanto a las empresas como a sus
clientes. Hay que tomar en cuenta que mientras más datos se tengan es más difícil
poder definir cuáles son de utilidad para poder separarlos de los datos falsos y que
no sirven para nada.
Con la aplicación de los Datos Masivos en los negocios cambia radicalmente

la forma de toma de decisiones, ya que antes se tomaban linealmente y ahora con
el análisis de los grandes volúmenes de información se plantean muchísimas
combinaciones que pueden determinar la dirección de la empresa, permitiendo
ajustar la información que se tiene a las necesidades de la empresa, pasando a lo
que se denomina Decisiones Dirigidas por Datos (DDD).
La veracidad hace referencia al nivel de confianza y de calidad de los datos.

Obtener datos de alta calidad se ha convertido en todo un arte e imprescindible para
las organizaciones, sobre todo cuando se trata de datos no estructurados (Gil,
2016).
6.2.1.5. Valor
El objetivo final de los procesos de Datos Masivos es crear valor, ya sea
entendido como oportunidades económicas o como innovación. Sin él, los esfuerzos
dejan de tener sentido, esto significa que si los datos que arrojan los proceso de
análisis masivo de datos (Big Data) no se utilizan y no tienen significado entonces
de nada sirve (Gil, 2016).
El valor de los datos significa rentabilidad como resultado de la gestión de los

datos (BBVA. BIG DATA, 2017).
6.2.1.6. Visualización
Poder visualizar los datos es necesario para comprenderlos y entenderlos
con la finalidad de tomar decisiones bajo una correcta interpretación de los mismos.
(Gil, 2016); es permitir y lograr que la gran cantidad de datos recolectados,
252
procesados y analizados sean comprensibles y sencillos de leer mediante técnicas

y herramientas adecuadas para la visualización de datos (BBVA. BIG DATA, 2017).
6.2.1.7. Variabilidad
La variabilidad es el entendimiento que se tienen de los datos dependiendo
del contexto de los mismos, en ocasiones se pueden obtener diferentes
conclusiones dependiendo de la interpretación que se le haya dado y del entorno
en donde se mueven.
La variabilidad tiene que ver las variaciones que aparecen en función, por
ejemplo, de los dobles sentidos que puede tener un tipo de expresión, la ironía en
las frases, los modismos, las costumbres, las expresiones coloquiales. En
consecuencia, es necesario comprender el contexto y el significado real de la
información. (incubicÓn By Structuralia, 2019).
Lo anterior tiene sentido por ejemplo cuando un algoritmo y analizador de

texto libre encuentra frases en redes sociales, documentos, reportes, entre otros
que las tiene que asociar a un entorno económico, de gobierno familiar, deportivo,
industrial, dependiendo del contexto.
6.2.1.8. Volatilidad
Esta característica mencionada en el documento de Sánchez Villaseñor,
(2019) implica al “tiempo de almacenamiento de los datos después de procesarlos,
ya que la volatilidad tiene impacto directo en los macro datos, como el volumen y la
veracidad, por ello en las organizaciones existen políticas de almacenamiento de
datos para que la información no tenga interferencias ni daño” (pág. 21).
Algunos artículos proponen agregar vulnerabilidad que tiene que ver con la
seguridad de los datos y la validez que tiene que ver con la limpieza y que tan
precisos son los datos. (datahack, 2020).
La figura 2 resume e identifica las características de las 10 Vs de los Datos

Masivos mencionadas anteriormente:
253
Figura 2. 10 Vs del Big Data. (infogoal.com Goal oriented solutions, s.f.) y elaboración propia
6.2.2. Business Intelligence

Tradicionalmente se ha asociado al Business Intelligence (BI) o inteligencia
de negocios como el proceso para procesar datos, convertir esos datos en
información y consecuentemente en conocimiento.
Como lo mencionan en su línea de investigación Díaz, Osorio, Amadeo, &

Romero, (2013) “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” (pág. 226)
El BI es un conjunto de metodologías, prácticas y capacidades dirigidas al

tratamiento de información que permite tomar mejores decisiones a las empresas.
La práctica se logra al desarrollar a través de sistemas de TIC un conocimiento
profundo de los procesos de interés de la empresa (Silva Solano, 2017).
254
Puede decirse que el BI es el antecedente inmediato de los Datos Masivos

dado que el BI trata con información interna y externa de la empresa, estructurada
y no estructurada, la extrae, la procesa, la analiza y la convierte en información
homogénea y comprensible para obtener conocimiento que permite una mejor toma
de decisiones.
Con el avance tecnológico y recordando las características inherentes a los

Datos Masivos de la figura 2 (volumen, variedad, velocidad, valor, veracidad,
variabilidad, volatilidad, validez, vulnerabilidad y visualización), es necesario que se
adecúen técnicas y herramientas para poder hacer frente a los nuevos retos con
que se necesita en las organizaciones para el tratamiento, procesamiento y análisis
de los datos; esto es Datos Masivos es una evolución del BI o BI está inmerso en
Datos Masivos.
La inteligencia de negocios proporciona información privilegiada para dar

respuesta a uno o varios problemas en los negocios actuando como un factor
estratégico generando una ventaja competitiva en diferentes ámbitos según el giro
o sector al que pertenezca el negocio por mencionar algunas serían: definir la
entrada a algún nuevo mercado; control en las finanzas; optimizar y disminuir
costos; planificar la producción de los siguientes meses ; analizar la rentabilidad por
cada producto; sugerir promociones u ofertas por perfil de clientes; definir un nuevo
producto o servicio según necesidades de sus clientes, entre otros.
Finalmente como lo menciona en su trabajo de tesis Sánchez Carrillo &

Patnoll Gonzales (2019) “El Business Intelligence actúa como un factor estratégico
para una empresa, generando una ventaja sobre la competencia, que no es otra
cosa que proporcionar información precisa y fiable para tomar decisiones” (pág. 24)
Los principales productos de Business Intelligence (BI) que existen hoy en

día son:
• Cuadros de Mando Integrales (CMI)

• Sistemas de Soporte a la Decisión (DSS)
255
• Sistemas de Información Ejecutiva (EIS) (Sinergia e Inteligencia de Negocio

S.L., s.f.)
6.2.2.1. El Cuadro de Mando Integral (CMI)

El CMI es un modelo de administración que tiene objetivos relacionados entre
sí, medidos a través de indicadores aplicando planes de acción que permitan alinear
el comportamiento de los miembros de la organización con la estrategia de la
empresa, su función primordial es la implantación y comunicación de la estrategia a
toda la empresa (cmigestión, 2019).
Los cuadros de mando generalmente están basados en indicadores
económico-financieros, el modelo de CMI diseñado por Kaplan y Norton (Balanced
Scorecard), el cual describe un balance del aspecto estratégico de la empresa con
respecto a otras 3 áreas que son; clientes, procesos internos y el recurso humano
como se ilustra en la figura 3.
Figura 3. Modelo CMI de Kaplan Norton. (cmigestión, 2019)
6.2.2.2. Sistemas de Soporte a la Decisión (DSS)

Los sistemas de soporte a la decisión, conocidos por sus siglas en ingles
DSS (Decision support system) son sistemas informáticos que procesan grandes
cantidades de datos con el fin de proporcionar información y soporte al usuario para
la toma de decisiones oportunas. El objetivo principal de los sistemas de soporte a
la decisión es proporcionar la mayor cantidad de información significativa en el
256
menor tiempo posible, con el fin de ayudar a las empresas en la toma de decisiones
para generar ventajas competitivas.
De acuerdo al trabajo de investigación de Sánchez Carrillo & Patnoll

Gonzales (2019), quien a su vez rescata el concepto el concepto de Cohen & Asín
(2004), quien define a un sistema de soporte para la toma de decisiones “como un conjunto
de programas y herramientas que permiten obtener de manera oportuna la información que
se requiere durante el proceso de la toma de decisiones que se desarrolla en un ambiente de
incertidumbre” (pág. 16).
Los sistemas de soporte a la decisión son en la mayoría de los casos de

procesamiento analítico en línea mejor conocido como minería de datos esto
significa que extraen información importante de manera implícita en los datos.
6.2.2.3. Sistemas de Información Ejecutiva (EIS)

Los sistemas de información ejecutiva pueden definirse como un sistema de
información diseñados especialmente para que los altos ejecutivos o dueños de
negocios puedan tener acceso a la información interna y externa de sus negocios
proporcionándoles todas las herramientas necesarias que les ayuden en quehacer
diario (Guevara Vega, 2016).
Las principales características de los Sistemas de información ejecutiva son:
extraen, filtran, organizan, consolidan y distribuyen datos; distribuyen datos internos
y externos; identifican y analizan tendencias; se integran con otros sistemas de
información; personalizan la información para cada ejecutivo; tienen capacidades
“drill down” que significa profundizar en detalles mientras se observando un informe
o gráfica.
6.2.2.4. Data Warehouse
Los sistemas y componentes del Business Intelligence se diferencian de los
sistemas operacionales en que los datos están desnormalizados para apoyar
consultas de alto rendimiento además que estos datos se nutren de diferentes
sistemas operacionales normalizados traduciéndolos e integrándolos, esto también
es conocido como Datawarehouse, mientras que en los sistemas operacionales los
datos están normalizados para apoyar operaciones de inserción, modificación y
257
borrado de datos. Lo anterior se muestra en la figura 4 que refleja el proceso de la

extracción de los datos para entrar a un proceso de transformación y carga para
poderse presentar en informes y reportes ejecutivos utilizando Data Warehouse
como repositorio de información.
Figura 4. DataWarehouse Fuente: (areatecnologia.com, s.f.)

La ciencia de los datos se puede definir como el estudio de la información,
así como la extracción y manipulación de grandes volúmenes de datos tanto
estructurados como no estructurados para poder convertirlos en el recurso más
valioso de un negocio.
Cuando se trata de Datos Masivos y el procesamiento de los datos es

imprescindible adherir la Ciencia de los Datos, como un arte para el análisis de estos
grandes datos. Un enfoque diferente del Business Intelligent (BI) y la Ciencia de los
Datos es precisamente el tratamiento a la gran cantidad de datos no estructurados
que se generan diariamente, a diferencia de los datos estructurados
tradicionalmente utilizados en BI. (Jones, 2019).
Ciencia de datos pueden ayudar a las empresas u organizaciones en muchos

aspectos tales como:
• Aumenta la eficiencia tanto de la venta como de los procesos

• Ayuda a controlar los costos
258
• Reconociendo nuevas oportunidades de mercado

• Aumentar las ventajas competitivas
• Ayuda a tomar decisiones más informadas, entre muchos otros.
Las disciplinas informáticas, de estadística y matemáticas son las más

empleadas en la Ciencia de los Datos, así como algunas técnicas más específicas
como pueden ser, el análisis de conjuntos de datos, Machine Learning o aprendizaje
automático, minería de datos, herramientas de graficación y visualización.
La Ciencia de Datos utiliza técnicas de programación para analizar datos,

para esto se requiere el desarrollo de cuatro habilidades:
Programación. La programación se puede definir como el proceso mediante

el cual se le dan instrucciones a una computadora para poder generar un resultado
mediante la habilidad computacional de poder reducir una tarea compleja en una
serie de códigos interpretados. Cabe mencionar que no todos los problemas pueden
ser solucionados por una computadora, pero pueden ayudar a resolver por lo menos
alguna de las partes.
Estadística. La estadística es muchas cosas menos aburrida por lo menos

para los científicos de datos ya que es increíble todo lo que puede lograrse tan solo
obteniendo de los datos, la información más sencilla como pueden ser, media,
mediana desviación estándar y los cuartiles, cuando se tiene conocimiento y por
qué no decirlo algo de suerte la información obtenida puede ser reveladora solo hay
que profundizar en ella paso a paso.
Comunicación. Esta habilidad es una de las más importantes ya que sin la

capacidad de poder comunicar los resultados que se obtienen, no se podrían
aplicar, algunas de estas formas de comunicación que se deben de llevar acabo
para poder colaborar con grupos interdisciplinarios pueden ser, encontrar maneras
de visualizar los datos de formas que permitan a otras personas interpretarlos y
poder obtener soluciones o conclusiones basados en ellos, buscar la manera de
explicar procesos complejos, interpretar un modelo estadístico de forma que tenga
sentido para el público en general. Esta habilidad requiere empatizar con los demás
259
para encontrar la forma de discutir los datos usados y los resultados obtenidos con
interlocutores muy diversos: público en general, especialistas de diferentes
disciplinas, funcionarios públicos, colegas, dueños o directivos de negocios, entre
otros.
Conocimiento de dominio. El conocimiento de dominio es la experiencia

acumulada en un campo en particular de toda actividad humana como puede ser
ganadería, mercadotecnia, física, matemáticas, relaciones públicas, aprendizaje en
los niños. Esta habilidad es un complemento básico de las habilidades estadístico-
analíticas ya que por medio del conocimiento de dominio se puede plantear que
preguntas se deben responder en un complejo problema, además se puede dar
cuenta si los resultados obtenidos mediante complejos análisis estadísticos tienen
sentido.
Las cuatro habilidades están presentes en cada tarea que involucra la

Ciencia de Datos, en mayor o menor medida de acuerdo a la complejidad de cada
tarea.
6.2.4. Científico de datos

El científico de datos es una profesión muy atractiva entre las demás
profesiones ya que en estos tiempos está llamando la atención en todas las
empresas no importando si son privadas, publicas, de servicios, comercio,
industriales, agropecuarias de extracción, entre otros. La figura 5 esquematiza la
imagen de un científico de datos.
260
Figura 5. Científico de datos. Fuente: http://cioal.com/wp-content/uploads/sites/2/2018/11/Data-

Analyst.jpg
Los científicos de datos adquieren importancia en las organizaciones que los

contratan debido a que son los encargados de concentrar los datos generados por
él o los negocios, en la mayoría de los casos son datos no estructurados y por medio
de sus habilidades en diferentes campos como estadística avanzada, experiencia
en algoritmos y codificación de los mismos, Machine Learning, minería de datos,
análisis de la información.
Para poder tener los mejores resultados los Científicos de datos deben
poseer inteligencia emocional además de ser expertos en el análisis de datos y por
si fuera poco, ser capases de transformar esa información no estructurada en
modelos que puedan ser interpretados por otros como pueden ser, ejecutivos de
nivel directivos o dueños de las empresas para que ellos entiendan de manera clara
y precisa, y puedan darle la importancia a esa información para que les ayude en la
toma de decisiones y con estas puedan aumentar sus ventajas competitivas, puedan
controlar sus costos, hacer más eficiente los procesos y todo lo que se necesite
implementar basado en los resultados del análisis de datos.
La información con la que trabaja el científico de los datos puede provenir de

cualquier fuente digital, las cuales están en constante crecimiento, algunas de las
261
fuentes más comunes son, redes sociales como Facebook, teléfonos inteligentes,
dispositivos conectados en la nueva era que es el internet de las cosas o el internet
del todo, así como cosas tan simples que en ocasiones no se puede percatar como
pueden ser, simples encuetas, compras por internet, búsquedas y visualización de
videos. Con toda esta información, el científico de datos identifica la manera de
resolver problemas mediante la identificación de patrones, a este proceso se le
conoce como minería de datos.
6.2.5. Machine learning (Aprendizaje Automático)

El inicio del Machine Learning parte de la teoría de que las computadoras
pueden aprender de los datos sin ser programados para tareas específicas, cada
vez que los modelos son expuestos a nuevos datos estos se adaptan de diferentes
formas, aprenden de los análisis anteriores para producir nuevas decisiones
confiables y repetibles.
Muchos de los algoritmos que se están aplicando a Datos Masivos tienen

mucho tiempo de haber sido creados pero al aplicarlos a los grandes volúmenes de
información, están dando resultados cada vez más interesantes dada la velocidad
con que se está creando y analizando la información hoy en día. La figura 6 obtenido
como banner de https://www.freepik.es/vector-premium/machine-learning-banner-
web-icon-set-mineria-datos-algoritmo-red-neuronal_2436829.htm representa el
Machine Learning que identifica diversas aserciones: utiliza minería de datos,
algoritmos diversos de regresión, clasificación clustering; existe aprendizaje con los
datos, puede emplear utiliza redes neuronales y aprendizaje profundo; es parte de
la inteligencia artificial entre otras cosas.
La figura 6, identifica aspectos de Machine Learning.
262
Figura 6. Machine Learning: Fuente: (freepick, s.f.).
Una de las principales aplicaciones del Machine Learning es en la

mercadotecnia y las ventas, se utiliza para analizar el historial de compras que ha
tenido una persona para en base a eso promocionar distintos artículos que podrían
gustarle a la persona y busca la manera de mostrárselos sistemáticamente para
poder generar una nueva venta.
El futuro muy cercano del comercio físico y electrónico estará basado en la

capacidad que puedan tener las empresas para generar, capturar, almacenar y
analizar los datos, para poder dar a cada cliente una experiencia de compra
personalizada para poder tener mayor probabilidad de éxito en una venta y así poder
tener mayor crecimiento en un tiempo menor y evitar desaparecer en los primeros
años de vida de un negocio.
Los conceptos de inteligencia artificial y Machine Learning, muchas veces

son utilizados indistintamente, pero no son exactamente lo mismo; El Machine
Learning deriva de la inteligencia artificial, está basado en que las máquinas pueden
aprender de manera autónoma al darles acceso a los datos y la inteligencia artificial
es un concepto mucho más amplio, en resumen explica que las máquinas son
capaces de realizar tareas de una forma tan desarrollada que las personas las
consideran inteligentes.
263
6.2.6. Contexto PyMES y Tecnología en el Estado de Durango

El lugar donde se propone implementar la Ciencia de los Datos enfocada a
las PyMES es el estado de Durango el cual cuenta con 39 Municipios, además de
tener 1,759,848 habitantes según el último censo del INEGI levantado en el año
2015.
Según el “Análisis de la demografía de los establecimientos 2012” cuyo

objetivo es: Generar información al número de establecimientos micro, pequeños y
medianos, ubicados en todo el territorio nacional, para los sectores de industrias
manufactureras, comercio y servicios privados no financieros, con un personal
ocupado de 0 a 100 personas.
Durango se encuentra en el lugar número 28 de 32 Estados en cuanto al

crecimiento neto de PyMES, muy por debajo de la media nacional la cual está en
6.2, Durango aparece con un -1.8 como se puede apreciar en la figura 7.
Figura. 7 Crecimieto neto PyMES Fuente: (INEGI. Censos Económicos, 2019)
Según el (DENUE) que es el Directorio Estadístico Nacional de Unidades

Económicas, en él se ofrecen los datos de identificación, ubicación, actividad
264
económica y tamaño de los negocios activos en el territorio nacional. En su última

actualización realizada en abril del 2019 Durango cuenta con 63,004 empresas de
las cuales 62,509 cuentan con 100 empleados o menos, las cuales son
consideradas como PyMES.
Se tiene el dato de que el 99.21% de las empresas registradas en Durango

son PyMES, destacando el comercio al por menor con 24,424 representando el
39.07 % de las PyMES.
6.3. Desarrollo
Son muy pocas las PyMES que entienden que el poder real de la información
no está en los ceros y en los unos, si no en su análisis. Obtener las conclusiones
correctas y convertir los datos en información valiosa permite revolucionar el mundo
de los negocios, a todos los niveles. Son contadas las compañías que se han dado
cuenta rápidamente del potencial de los Datos Masivos.
Los Datos Masivos se utilizan en una gran variedad de casos de diversas
áreas, independientemente del tamaño de las empresas, los datos de los
dispositivos móviles son los más analizados, seguidos de la información de
geolocalización que es, de momento, de las más cotizadas, enseguida se tienen las
redes sociales e Internet, además, en las grandes compañías, también analizan la
información proveniente de sensores y demás dispositivos conectados para ganar
en eficiencia y efectividad.
6.3.1. Ciencia de los Datos en el sector Retail

En el seminario ”Data Science en el Sector Retail” , organizado por la Cátedra
de Ciencia de datos y aprendizaje automático UAM-IIC, el 1 de diciembre del 2017
en la Escuela Politécnica Superior (EPS) de la Universidad Autónoma de Madrid
265
(UAM); se analizó los avances tecnológicos específicos en Data Science para la

industria del comercio al por menor (Retail). (iic. Instituto de Tecnología del
Conocimiento, 2017).
Este sector en específico, está enfocado en el aumento de las ventas y la

retención de clientes, actualmente genera grandes volúmenes de datos
constantemente. (iic. Instituto de Tecnología del Conocimiento, 2017)
Implantar proyectos de Datos Masivos y Data Science supone un impulso

estratégico y diferencial para afrontar el futuro del comercio al por menor.
En el comercio al por menor, un ticket de compra proporciona más

información de lo que se ve a simple vista, es una de las entradas de datos más
importantes de las que dispone un negocio, además de indicar del número de
clientes y el volumen de ventas, también proporciona información valiosa de la
experiencia de usuario; para el fabricante representa la dinámica de venta del
distribuidor al usuario final de sus productos.
Figura 8. Datos en Ticket de compra Fuente: (Aldea, 2017)
Al analizar los datos de un ticket de compra y/o factura simplificada ofrece la

oportunidad de hacer recomendaciones personalizadas a los clientes, basadas en
compras anteriores, consultas del cliente o de clientes que hagan o hayan hecho
compras similares en diferentes lapsos de tiempo, incluso en diferentes sucursales
si se cuenta con ellas, conocer el tipo de detalles que incluyen los tickets de compra
266
también puede ayudar a desarrollar un asistente personal de compras, que permita

a las personas a tener una extraordinaria experiencia en el comercio en línea.
El ticket, como una solución centrada en el cliente, claramente es un acto de

compra, pero mediante un análisis se pueden generar cupones personalizados para
incentivar la venta de ciertos productos basados en los consumos del cliente, se
puede sugerir productos similares o dar rotación a productos con bajas ventas con
promociones adecuadas, además se puede incentivar la frecuencia de visita del
establecimiento al incluir fechas límite para obtener los beneficios de los cupones.
Como un extra a toda esta variedad de beneficios que se le dan al cliente

para incentivar las ventas, se pueden alimentar algoritmos que detecte anomalías
en caja, así como generar análisis que ayuden a controlar el stock (existencia) en
tiempo real, entre otros.
Uno de los retos más grandes en el comercio al por menor es la optimización

de procesos, los cuales se pueden llevar acabo por medio de algunas de las
aplicaciones prácticas de Datos Masivos y Machine Learning como son, la creación
de modelos de predicción de ventas, segmentación personalizada de clientes,
predicción del cambio de preferencias en los clientes y detección de fraude, entre
otras.
Cuando un negocio maneja millones de datos de diferentes productos (de

gran consumo, de baja rotación, de alta rotación, entre muchos otros) segmentados
por secciones, lo mejor es usarlos para mejorar el servicio mediante la optimización
de los procesos, los cuales pueden usarse para detectar algún fraude interno.
Se pueden cruzar con algunos otros datos, por ejemplo, con datos de
meteorología para mejorar la predicción de ventas dependiendo del clima como
cuando empezar a vender impermeables y botas plásticas en los días lluviosos, se
pueden cruzar con datos escolares para planificar la demanda de uniformes y
calzado escolar o lo más común que es hacer un perfilado de clientes para poder
ofrecer las mejores opciones dependiendo de los gustos y el historial de compras.
267
Al aplicar el análisis de datos y algunas técnicas se pueden ayudar al

comercio al por menor a identificar cuánto se puede llegar a vender de un producto,
el cual tiene baja rotación si se le aplica un descuento o una promoción de 2X1 o 3
X2, entre otros.
En época de cambios es muy importante saber cómo cambian las cosas,

cuando se crea una nueva tendencia y hacia dónde se dirige y sobre todo saber que
está en el gusto de los clientes, últimamente se están aplicando técnicas de
geolocalización y Datos Masivos aplicados al comercio al por menor.
Al usar las adecuadas técnicas de geolocalización puede ayudar a los

negocios a localizar cual es el mejor punto para poder optimizar sus ventas
dependiendo del análisis de los clientes así como determinar cuál sería el horario
de apertura idóneo dependiendo del tráfico tanto de autos como de personas que
están en determinada zona, incluso se puede determinar cómo se mueve el cliente
dentro de la tienda para poder colocar los productos de manera estratégica para
tener una mayor impacto de determinados productos y así incentivar la venta.
Los Datos Masivos está generando un mundo nuevo lleno de oportunidades,

las empresas que están en condiciones de aprovecharse de ello son las primeras
que llegan al mercado con productos y servicios que cubren y dan solución a las
necesidades y deseos de los clientes.
La mejora de la experiencia del cliente y la eficiencia de los procesos del

negocio deben ser las prioridades al realizar un análisis de Datos Masivos.
Con los datos que provienen de los smartphones o teléfonos inteligentes, de

las aplicaciones móviles, del comercio electrónico, de los diferentes sistemas de
punto de venta, entre otros, las empresas están en una posición inigualable con la
capacidad de recopilación de esos grandes volúmenes de información y el correcto
análisis pueden saber que productos o servicios son los que tienen mayor demanda
así como cuales no la tienen.
Se puede hacer un análisis más profundo donde se le incluyeran diferentes

variables para obtener mejores resultados, por ejemplo, el clima, determinar cuál es
268
el mejor método para vender en días lluviosos, tal vez pudiera dar como resultado
el que sea factible meter un servicio de entrega a domicilio ya que en días lluviosos
la gente tiende a salir menos de sus hogares.
Las PyMES que son más ágiles en estos temas están ajustando sus
estrategias de negocio para aumentar sus ventas y fidelizar a sus clientes para poco
a poco irle ganando más mercado a sus competidores, cuando se ejecutan bien, las
mejoras en la experiencia del cliente pueden ayudar a fidelizarlo además de
incrementar los ingresos de manera exponencial.
6.3.2. Big Data en Kroger

Ejemplos de uso de Big Data o Datos Masivos, se pueden encontrar en todo
el mundo, se cita el caso concreto en Estados Unidos de América, para ser más
específicos en un supermercado de nombre Kroger.
Primeramente, empezar con unos datos duros provenientes de la Asociación

de mercadotecnia Directo de EEUU la cual indica que la tasa de retorno de
promociones o cupones de correo directo es en promedio 3.7 %, el supermercado
Kroger, realizando ligeras modificaciones en las estrategias de mercadotecnia y
ventas provocadas por el uso de Datos Masivos, pudo obtener una tasa de uso de
cupones enviados por correo directo del 70% en un plazo de seis semanas.
Lo más interesante es como lo logró porque parece fácil decirlo, pero requiere
de un excelente análisis, su éxito se basó en personalizar su software de correo
directo basándose en el historial de compra del cliente individual, además de que
Kroger tiene un programa de tarjeta de fidelidad que está clasificada en el número
uno de la industria de la alimentación en EEUU (Softwarecamp. Capacitación para
el futuro. , 2016)
Más del 90% de sus clientes utilizan la tarjeta cuando compran lo que les
ayuda a reunir información de sus clientes con la cual se determina cual es la mejor
opción de cupón a enviar en el correo personalizado para darle al cliente justo lo
269
que necesita y de esta manera incentivar la venta, además todos sabemos y hablo
por experiencia personal que vas por una cosa al supermercado o a cualquier tienda
y sales de ahí con 2 o 3 productos más mínimo.
En la figura 9, se muestra una tienda de supermercado de la cadena Kroger
Figura 9. Tienda Kroger. Fuente: (CASANARE POSITIVO HEMP, s.f.).
Hablando de Business Intelligence, Datos Masivos y/o Ciencia de los Datos,

cabe hacer una reflexión, si las empresas quieren multiplicar sus ventas de manera
exponencial y aprovechar las nuevas oportunidades de negocios que se están
creando por las nuevas tecnologías tienen que hacerse algunas peguntas tales
como:
• ¿Qué estrategias están desarrollando para la aplicación de tecnologías basadas

en herramientas de Business Intelligence, Datos Masivos y/o Ciencia de los
Datos? (EL COMERCIO, 2018)
• ¿Cuáles de estas tendencias deberán tener en cuenta para mantenerse
competitivas y en el mercado? (EL COMERCIO, 2018)
• ¿Se conocen qué estrategias en Business Intelligence, Datos Masivos y/o
Ciencia de los Datos está utilizando la competencia? (EL COMERCIO, 2018)
270
6.3.3. CASO BBVA

Otro ejemplo sería el lanzamiento por BBVA de su herramienta
Commerce360 en España, que permite conocer datos que hasta ahora solo eran
accesibles por las grandes empresas, y que les proporciona una ventaja competitiva
a las PyMES.
Es una herramienta web que pone el Business Intelligence avanzado a

disposición de todos los comercios que tengan o contraten el TPV (Terminal Punto
de Venta) BBVA.
Commerce360 se tienen gráficas, análisis y sugerencias que permiten

disponer de información estadística del negocio y el entorno más cercano. El acceso
a la herramienta web se realiza con claves personalizadas manteniendo la
seguridad de los datos de las empresas, el seguimiento y actualización de los datos
se hace de manera mensual (BBVA. BIG DATA, 2017)
Con Commerce360 se pone las tecnologías de datos disponibles únicamente

para las grandes empresas a disposición de las PyMES. Gracias a esta herramienta
los comerciantes pueden conocer mejor su sector y a sus clientes, lo que les permite
mejorar su toma de decisiones (BBVA. BIG DATA, 2017).
BBVA lleva trabajando desde el 2014 con BBVA Data & Analytics, esta
herramienta inicio con un lanzamiento parcial en más de 300 comercios en
Andalucía España. En el año 2016 abre su contratación a todos sus clientes de
BBVA en España que dispongan de un TPV BBVA. Los establecimientos que han
utilizado esta herramienta destacan que aporta a su negocio nuevas oportunidades
de mejora (BBVA. BIG DATA, 2017)
El Grupo BBVA es pionero en el uso de tecnologías de Datos Masivos. Ahora

pone toda su experiencia y conocimiento al servicio de los clientes a través de esta
nueva herramienta. Además, pone al servicio de la sociedad los beneficios de su
transformación digital, que inició hace ya una década.
El análisis realizado por BBVA Data & Analytics es especialmente útil para
las PyMES, pero también tiene su reflejo en la economía del país, ya que al
271
incrementar las ventas y la actividad de los comercios y en los servicios de hotelería

y turismo, además de muchos más, pueden contribuir a generar más empleos y a
incrementar el PIB. (BBVA. BIG DATA, 2017).
6.3.4. Caso Confectionary Holding S.L

Otro caso muy concreto en donde tal vez nadie hubiera pensado que se
podrían utilizar los Datos Masivos y todas sus innovaciones hoy en día es el de
Confectionary Holding S.L, en este momento es un grupo empresarial, referente en
el sector del Dulce a nivel nacional (España) e Internacional. Como proveedor global
de Dulce (Turrones, Dulces y especialidades, Chocolates y Bombones, grajeados,
entre otros.). Experiencia avalada por casi 300 años de historia (CONFECTIONARY
HOLDING, s.f.).
Figura 10. Empresa Confectionary Holding S.L (CONFECTIONARY HOLDING, s.f.).
En esta empresa en la cual la receta ha permanecido casi invariable desde

1725. Almendra, miel y azúcar, no significa que no puedan apostar por la
innovación. Los Datos Masivos han tomado las plantas de producción de Jijona
(Alicante) y Alcaudete (Jaén), dando como resultado la mejora de procesos, el
aumento de la competitividad y la agilización de la toma de decisiones.
272
El objetivo principal de Confectionary Holdings, al aplicar Datos Masivos

como lo menciona Samaniego (2017), “es convertir los datos, la información en
bruto, en smart data, primero, y en good data, después. No solo se trata de
transformar datos en información entendible, sino en información que sea
comprensible para la persona que tiene que tomar decisiones”. (Samaniego, 2017).
Desde el año 2015, la maquinaria de las dos plantas de producción se ha ido

conectando de forma gradual y se le ha dotado de diferentes sensores en la cadena
de suministros y proveedores. Todos estos sensores arrojan datos los cuales se
analizan de forma continua y los resultados se ponen a disposición de toda la
compañía divididos en tres niveles principales: (Samaniego, 2017)
• Para la directiva,
• Para los mandos medios
• Para cada puesto de trabajo específico.
De igual forma como se describe en Samaniego (2017) la verdadera

potencia, en dotar de información a este segundo y tercer nivel (a los mandos
medios y a cada persona y su trabajo específico); proveer de información al resto
de la organización ha permitido descentralizar la toma de decisiones, dotar de
autonomía a los trabajadores y ganar agilidad de respuesta en un mercado que
demanda rapidez (Samaniego, 2017).
De esta manera la intuición y la experiencia que tanto significado tenían antes

ahora están siendo sustituidas por las decisiones tomadas con datos, de esta
manera se ha implicado a una parte importante de la empresa en la toma de
decisiones. Esto ha contribuido a mejorar la productividad y el desempeño de las
fábricas, así como a enriquecer y simplificar la organización en un entorno cada vez
más complejo.
Los Datos Masivos parecen muy lejanos y poco entendibles para muchas
empresas que prefieren invertir en algo más tangible y en aspectos más concretos,
como, por ejemplo, los puntos de venta. Sin embargo, muy pronto, el mercado
estará conduciendo hacia situaciones mucho más complejas que se van a hacer
273
muy difíciles de gestionar y es en donde el uso de la tecnología pudiera ayudar.

(Samaniego, 2017).
6.3.5. Smart Cities

La Ciencia de los Datos, Business Intelligence, Datos Masivos, Machine
Learning, Internet de las Cosas (IoT) entre otras, están siendo aprovechadas en
muchos países principalmente en Estados Unidos y Europa con el auge de las
ciudades inteligentes o Smart Cities.
El estudio Cities In Motion Index (CIMI) 2017, realizado por el trabajo en

conjunto entre el Centro para la Globalización y la Estrategia y el Departamento de
Estrategia de la IESE Business School de la Universidad de Navarra (España). En
él se contemplan 10 indicadores con soportes estadísticos rigurosos y sus
conceptos más relevantes para definir cuáles son las ciudades a nivel global y
regional que se identifican como más innovadoras, globalizadas y ambientalmente
sostenibles.
Entre los indicadores que destaca el informe de Berrone & Enric (2017) se
incluyen, por ejemplo,
• Capital humano que incluye indicadores tales como alta educación, número de
universidades, movilidad estudiantil, museos, galerías y gastos en eventos de
recreación, entre otros.
• Cohesión social. agrupa aspectos tales como relación decesos por número de
habitantes, indicadores de criminalidad e inseguridad, violencia, paz social,
aspectos de salud, condiciones sociales, indicadores de precios de inmuebles,
entre otros.
• Economía: integra algunos indicadores como índice de precios, número de
empresas, empleos, salario mínimo, generación de producto interno bruto (PIB),
tiempo para iniciar un negocio, tiempo para consolidar un negocio, porcentaje de
empresarios y emprendedores comparado con la población, condiciones
industriales y comerciales, entre otros.
274
• Administración pública relaciona aspectos como tazas de impuestos, , reservas

totales, reservas per cápita, embajadas, puertos, personajes como activistas,
líderes, hombres de negocios, entre otros.
• Gobernanza. Es un término utilizado para medir la eficiencia en procesos
administrativos gubernamentales tales como fortalea en las leyes, indicadores
de corrupción, eficiencia, porcentajes de sitios WEB para eficiencia en procesos,
indicadores de calidad en el servicio al público, datos abiertos, entre otros.
• Calidad del medio ambiente que reflejas aspectos principalmente de
contaminación tales como emisiones de contaminantes e indicadores de
contaminación, limpieza agua, metales, generación de energías, entre otros.
• Movilidad y transporte tiene que ver con indicadores de tráfico, calidad en los
servicios de rutas urbanas, conectividad de aeropuertos, puertos, centrales de
autobuses, medios de trasportes, indicadores de accidentes, flujos vehiculares,
entre otros.
• Planeación urbana agrupa aspectos como saber y determinar proyectos de
crecimiento futuro de una ciudad que contenga aspectos de sustentabilidad y
calidad de vida en los ciudadanos.
• Indicadores excepcionales con reconocimiento internacional que denota
aspectos tales como el número de turistas, visitantes, pasajeros que arriban a la
ciudad, hoteles, tiendas de autoservicios, eventos relacionados con conferencias
de talla internacional, eventos turísticos, regionales, entre algunos otros.
• Aspectos y uso de tecnología que tiene que ver con indicadores de usuarios
WEB, con telefonía móvil, direcciones IP, anchos de banda, calidad en servicios
de internet, cantidad estantes de internet libre, cantidad de suscriptores en
servicios digitales (CABLE) entre otros. (Berrone & Enric, 2017).
La figura 11 muestra las primeras 10 ciudades inteligentes dentro de un

ranking a nivel mundial de entre 151 ciudades de acuerdo a Berrone & Enric (2017).
275
Figura 11. Ranking de Smart Citys (Berrone & Enric, 2017)
En Latinoamérica hay varios países como Argentina, Brasil, Chile, Colombia

y México entre otros, los cuales cuentan con ciudades inteligentes, enseguida se
muestra el ranking regional de ciudades en América Latina.
Algunas de las características que menciona en su artículo digital (Ospina,

s.f.) son que una ciudad inteligente tiene que ver con que tenga indicadores
relacionados con la sustentabilidad, la inclusión, el transporte, la generación de
economía y precisamente que su desarrollo esté pensado en la calidad de vida de
sus ciudadanos. (Ospina, s.f.).
Figura 12. Ranking de Smart Citys en América Latina
Generalmente las primeras ciudades en comenzar a implementar estas

tecnologías son las capitales de los Países sin importar lo grande o difícil que
parezca implementar estas tecnologías en las grandes urbes.
276
El hablar de ciudades inteligentes en este capítulo de Ciencia de los Datos

aplicados a las PyMES es que precisamente a las empresas se les debe impulsar
para que promuevan estrategias y proyectos relacionados con el adecuado uso de
los datos, de su organización y del exterior a través de lo que existe y provea la
ciudad en términos de datos; con ello puedan obtener un beneficio económico, es
decir aumentar utilidades a través de las ventas y la adecuada relación con sus
cliente; eficiencia en procesos internos y externos de su negocio.
277
La Ciencia de los Datos, Business Intelligence, Datos Masivos, Machine
Learning, entre otras tecnologías de hoy en día, han ayudado a muchas empresas
y negocios de diferentes partes del mundo incluido México, cada vez se utilizan más
y se hacen más populares.
Este documento debe despertar la curiosidad entre las PyMES de Durango

y poco a poco comenzar a implementar las tecnologías mencionadas para poder
tener ventajas competitivas pero sobre todo para ponerse al día por que en otros
lugares ya se están utilizando y esto los pone en desventaja
Los casos reales de los que se habló en este capítulo ofrecen un claro
ejemplo de los alcances que puede tener el implementar estas tecnologías en las
PyMES, además de las nuevas oportunidades de negocios que se generan, sin
dejar de lado los nuevos empleos que surgen a partir de estas tecnologías
La intención con este capítulo del libro es aportar un granito de arena en

materia tecnológica para con ello ayudar al desarrollo de las PyMES.
Al dar a conocer estas tecnologías a las PyMES, se pretende que conozcan

el impacto que pueden llegar a tener al aplicarlas y con ellos detonar el desarrollo
económico ya que en Durango hay 2 principales fuentes de empleo el Gobierno y
las PyMES, al darle crecimiento a las empresas ellas podrán generar más empleos
y mejor pagados.
También se espera que una vez que se apliquen estas áreas de conocimiento
por las PyMES, las grandes empresas puedan voltear a ver como una opción para
instalarse en el Estado al ver que se cuenta con todo lo que necesitan, además de
que hay mano de obra calificada con esto ayudar a que el Estado de Durango tenga
un desarrollo de todos los sentidos.
278
Referencias
Aldea, V. (19 de 01 de 2017). La factura simplificada y el ticket son lo mismo. Obtenido de La factura
simplificada y el ticket son lo mismo: https://anfix.com/blog/ticket-gastos-y-facturas-
simplificadas/
areatecnologia.com. (s.f. de s.f. de s.f.). TECNOLOGÍA. Obtenido de DATA WAREHOUSE:

https://www.areatecnologia.com/informatica/data-warehouse.html
BBVA. (27 de 06 de 2017). BIG DATA. Obtenido de Llega Commerce360, una herramienta de
tecnología ‘big data’, para ayudar al desarrollo de las pymes: https://www.bbva.com/es/bbva-
presenta-commerce360-herramienta-que-usa-tecnologia-big-data-para-ofrecer-a-los-
clientes-mayor-conocimiento-sobre-sus-negocios-y-les-ayuda-a-crecer/
BBVA. BIG DATA. (26 de 02 de 2017). BIG DATA. Las siete ‘V’ del Big Data. Obtenido de BIG DATA.
Las siete ‘V’ del Big Data: https://bbvaopen4u.com/es/actualidad/las-siete-v-del-big-data
Berrone, P., & Enric, R. J. (2017). IESE Cities in Motion. Navarra: IESE Business School. University
of Navarra.
CASANARE POSITIVO HEMP. (s.f. de s.f. de s.f.). Kroger, la cadena de supermercados más grande
de los EE. UU, está presionando sobre el cáñamo. Obtenido de Kroger, la cadena de
supermercados más grande de los EE. UU, está presionando sobre el cáñamo:
http://casanarepositivoparahemp.com/2020/02/12/kroger-la-cadena-de-supermercados-
mas-grande-de-los-ee-uu-esta-presionando-sobre-el-canamo/
cmigestión. (s.f. de s.f. de 2019). Cuadro de Mando Integral. Obtenido de Cuadro de Mando Integral:
https://cmigestion.es/cuadro-de-mando-integral/
Cohen, D., & Asín, E. (2004). Sistemas de Información para los Negocios un enfoque de toma de
decisiones. México: McGraw-Hill.
CONFECTIONARY HOLDING. (s.f. de s.f. de s.f.). Confectionary Holding. Obtenido de Las webs de
nuestras marcas:
http://www.confectionaryholding.com/index.php/es/?option=com_content&view=article&id=
67
datahack. (27 de 01 de 2020). datahack. BIG DATA FAMILY. Obtenido de LAS 10 V’S DEL BIG
DATA: https://www.datahack.es/10-vs-del-big-data/
Díaz, F. J., Osorio, M. A., Amadeo, A. P., & Romero, D. L. (2013). Aplicando estrategias y tecnologías
de Inteligencia de Negocio en sistemas de gestión académica. Paraná, Entre Rios: XV
WORKSHOP DE INVESTIGADORES EN CIENCIAS DE LA COMPUTACIÓN.
279
Diebold, F. (2003). “Big data” dynamic factor models for macroeconomic measurement and
forecasting. Cambridge: Cambridge University Press, 115-122.
DURANGO AL DIA. (08 de 02 de 2018). DURANGO AL DIA. La fuerza de la verdad. Obtenido de

Necesita Durango más investigadores: http://www.durangoaldia.com/necesita-durango-
mas-investigadores/2018/02/
EL COMERCIO. (17 de 05 de 2018). Zona Ejecutiva Tendencias. Obtenido de Business Intelligence:

10 temas que serán tendencia este 2018: https://archivo.elcomercio.pe/especial/zona-
ejecutiva/tendencias/business-intelligence-10-temas-que-seran-tendencia-este-2018-
noticia-1993317
freepick. (s.f. de s.f. de s.f.). freepick. Obtenido de freepick: https://www.freepik.es/vector-

premium/machine-learning-banner-web-icon-set-mineria-datos-algoritmo-red-
neuronal_2436829.htm
Gil, E. (2016). Big data, privacidad y protección de datos. Madrid: Publisher: Agencia Española de
Protección de Datos y Boletín Oficial del Estado ISBN: 9788434023093.
Guevara Vega, C. P. (12 de 08 de 2016). Evaluando Software.com. Obtenido de Qué es un EIS:

sistema de Información Ejecutiva: https://www.evaluandosoftware.com/eis-sistema-
informacion-ejecutiva/
Gutiérrez Puebla, J. (2018). Big Data y nuevas geografías: la huella digital de las actividades
humanas. Documents d’Anàlisi Geogràfica. eISSN: 2014-4512, 195-217.
iic. Intituto de Tecnología del Conocimiento. (10 de 11 de 2017). Seminario: Data Science en el
Sector Retail. Obtenido de Seminario: Data Science en el Sector Retail:
https://www.iic.uam.es/noticias/data-science-sector-retail-seminario/
incubicÓn By Structuralia. (23 de 07 de 2019). Incubicon. Obtenido de Del volumen a la visualización,

descubre las 7 V´s del Big Data: https://blog.incubicon.com/del-volumen-a-la-visualizacion-
descubre-las-7-v-del-big-data
INEGI. Censos Económicos. (16 de 07 de 2019). INEGI. Obtenido de Censos económicos 2019:
https://www.inegi.org.mx/programas/ce/2019/
infogoal.com Goal oriented solutions. (s.f. de s.f. de s.f.). GOAL DIRECTED LEARNING. Obtenido
de Big Data Tutorial: http://infogoal.com/datawarehousing/big_data_tutorial.htm
280
Ospina, J. P. (s.f. de s.f. de s.f.). Ciudades Intelgentes en Amética Latina. Obtenido de Ciudades
Intelgentes en Amética Latina: http://conexionintal.iadb.org/2018/11/27/267_e_ideas6/
Samaniego, A. (13 de 12 de 2017). Hablemos de Empresas. Obtenido de Cuando Big Data es igual
a ‘real money’: tres casos de éxito de Big Data orientado a negocio:
https://hablemosdeempresas.com/grandes-empresas/casos-de-exito-big-data-orientado-a-
negocio/
Sánchez Carrillo, J. A., & Patnoll Gonzales, L. J. (2019). Desarrollo de un DataMart para el Soporte
de la Toma de Decisiones en el áea de ventas de la empresa. Tesis. PRESENTADA PARA
OPTAR EL TÍTULO PROFESIONAL DE INGENIERO DE SISTEMAS. Chiclayo , Chiclayo ,
Perú: Universidad de Lambayeque. Facultad de Ciencias de Ingeniería.
Sánchez Villaseñor, O. (01 de 04 de 2019). HERRAMIENTAS, RETOS, OPORTUNIDADES,

SEGURIDAD Y TENDENCIAS DEL BIG DATA. Tesina para obtener el título de INGENIERO
EN COMPUTACIÓN. Toluca , Estadode México, México: UNIVERSIDAD AUTÓNOMA DEL
ESTADO DE MÉXICO. FACULTAD DE INGENIERÍA.
Silva Solano, L. (2017). Business Intelligence: un balance para su implementación. InnovaG, 27-36.
Sinergia e Inteligencia de Negocio S.L. (s.f. de s.f. de s.f.). Business Intelligence. Obtenido de ¿Qué
es Business Intelligence?: https://www.sinnexus.com/business_intelligence/
Softwarecamp. Capacitación para el futuro. . (12 de 07 de 2016). BigData y el caso de éxito con
efectividad del 70%. Obtenido de Ventas inteligentes con BigData:
https://softwarecamp.mx/articulos/big-data-y-el-caso-del-mailing-con-efectividad-del-70/
281
Capítulo 7
Ciencia de los Datos con R como herramienta aplicada a la

productividad
Beatriz Eneida Chávez Atayde

[email protected]

[email protected]
7.1. Introducción
La segunda década del siglo XXI ha mostrado avances exponenciales en
cuanto a tecnología se refiere, hoy a diferencia de otras épocas, es posible extraer
la inmensa cantidad de información que se produce en todos ámbitos, se puede
analizar con herramientas computacionales y con el uso de lenguajes de
programación (Alcalde San Miguel, 2009, p. 245).
Este documento trata sobre una propuesta de aplicar aspectos de Ciencia de

los Datos en procesos de calidad y producción en las empresas de arneses. Los
procesos de producción abarcan no solamente el aspecto tecnológico, sino que
también están inmersas las relaciones humanas y los datos dentro de su
composición, representando una verdadera área de oportunidad la implementación
282
de análisis detallados que fusionen por un lado las filosofías de la calidad, las
iniciativas de mejora continua y el análisis de datos.
El capítulo relaciona las disciplinas de Ingeniería en Sistemas y la Ingeniería

Industrial. De manera general en las empresas cada una de estas áreas de estudio
mantiene una relación alejada, sin embargo, pueden ser complementarias y
aumentar su simbiosis, la productividad empresarial con un enfoque en la calidad.
Todo esto mediante análisis de datos utilizando lenguaje de programación R.
La Ciencia de Datos contempla conocimientos de una o más disciplinas:

finanzas, medicina, geología, matemáticas, computación, estadística, ingeniería,
entre otros. Considera aspectos de investigación tales como prueba, hipótesis y la
variación de los resultados. Los resultados obtenidos deben ser confiables e
involucrar más aspectos analíticos que los enfoques anteriores, sin olvidar que debe
poseer un lenguaje automatizado (García Nocetti, 2017).
La Ciencia de Datos surge ante la necesidad del análisis de grandes

volúmenes de información. Dicha disciplina impacta en el grado de fundamentación
de las decisiones que se toman en las organizaciones a partir de la información
brindada por los sistemas de información utilizados (Rodríguez, 2015).
Una importante justificación para este trabajo académico es que existe la

necesidad de fusionar los conocimientos de mejora continua desde una óptica más
analítica considerando el crecimiento exponencial en la información recopilada por
el sector automotriz que envuelve a todas las esferas de su competencia, tales como
recursos humanos, producción, ingeniería de métodos, entre otros.
Como todo sistema, existen deficiencias en los procesos; de acuerdo a la

experiencia en el ámbito, se tienen antecedentes y se han observado, fallas en el
sistema actual, lo cual ha llevado a que se tengan que tomar medidas adicionales
para la validación y verificación de la información que el sistema actual arroja,
desembocando es disminución del aprovechamiento de las capacidades de un
sistema de planificación de los materiales (MRP controller), hecho por el cual se
invierte tiempo en hacer verificaciones manuales, lo cual dificulta el desarrollo del
283
resto de las actividades, pues el tener que contar un inventario de un solo

componente manualmente sin tener confianza en los datos que arroja el sistema,
por el precedente de las inconsistencias en los resultados.
El lenguaje R es una herramienta esencial en la Ciencia de los Datos, y su

enfoque es estadístico, al utilizar R, permitiría desarrollar una metodología más
robusta en cuanto al análisis de datos que sea acorde con las necesidades y las
habilidades de un MRP controller independientemente de su área de
especialización y sea a la par funcional como área de oportunidad para la empresa
APTIV.
Como objetivo general se pretende presentar una propuesta de

implementación del uso del lenguaje de programación R, como herramienta para el
análisis de datos de un MRP Controller en la empresa APTIV.
• Presentar un marco de referencia de las herramientas de calidad

• Identificar las técnicas de análisis de datos relacionadas con la filosofía Six
Sigma.
• Identificar el lenguaje de programación R y su entorno R Studio como
propuesta en el ámbito de la Ciencia de los Datos.
• Relacionar los conceptos de las herramientas estadísticas de calidad con el
lenguaje R para análisis de datos.
• Generar una propuesta de implementación para un MRP Controller
Como propósito se tiene que, mediante la adecuada implantación de la

propuesta, se pueda establecer un mejor control de calidad y productividad en las
actividades, garantizando cumplir con las exigencias de los procesos mediante
análisis de datos utilizando lenguaje de programación R y R Studio.
El documento cuenta con ejemplos prácticos para implementar análisis de

datos relacionados con el enfoque de las herramientas de calidad.
284

Las herramientas de la Calidad fueron establecidas en 1968 por el Ingeniero
japonés Kaoru Ishikawa. Constituyen por si mismas un conjunto de técnicas
estadísticas que no demandan de un conocimiento experto para implementarse en
los procesos de equipo. Con ellas es posible resolver aproximadamente el 95% de
los problemas que presenta una organización; sobre todo en las áreas de calidad y
productividad.
Estas herramientas con el transcurso del tiempo se conocieron como “las

siete herramientas básicas de la calidad” y pueden ser definidas generalmente como
métodos para la mejora continua y la solución de problemas.
Enumerando las siete herramientas básicas de la calidad:
i. Diagrama Causa – Efecto (Diagrama de Ishikawa)

ii. Diagrama de flujo
iii. Hoja de Comprobación (Hojas de Verificación).
iv. Gráficos de Control.
v. Histograma.
vi. Diagrama de Pareto.
vii. Diagrama de Dispersión.
El éxito de estas técnicas puede explicarse debido a la capacidad que han

demostrado para implementarse dentro de un amplio rango de problemas, desde el
control de calidad hasta las áreas de producción, marketing y administración entre
otras. Las organizaciones de servicios públicos representan excelentes campos
para su aplicación independientemente que su origen sea el área industrial.
Una de las ventajas generales de dichas herramientas es su funcionalidad

gráfica en mandos medios y altos de la organización, facilitan la planificación, el
establecimiento de objetivos y la solución de problemas.
Las herramientas permiten analizar y organizar la relación entre datos

cualitativos, clarificar interrelaciones, establecer prioridades y planificar tareas
complejas para alcanzar una meta. Son de suma importancia para mejorar
285
procesos, productos y sistemas. En datos cuya naturaleza es la cualitativa, puede

decirse que ayuda a la resolución de problemas y a la gestión de ideas innovadoras.
El hecho de contar con una alternativa de análisis robusto como R y R Studio

para la elaboración de diagnósticos y reportes puede fortalecer por un lado el
estatus laboral del interesado y por otro las opciones de implementación en
metodologías de mejora continua abarcarían no sólo a los egresados de ingenierías
afines a los temas de calidad, sino que también podrían contemplar con mayor
facilidad a los egresados de ingenierías en sistemas e ingenieros informáticos.
7.2.1. Herramientas de calidad y estadísticas

Se presentan algunas herramientas útiles para el monitoreo de calidad y
relacionadas con las siete herramientas de calidad.
7.2.1.1. Diagrama de Ishikawa

El diagrama de Ishikawa o diagrama de causa-efecto consiste en una
representación gráfica sencilla en la que puede verse de manera relacional una
especie de espina central, que es una línea en el plano horizontal, representando el
problema a analizar, que se escribe a su derecha (Garza, 2003, p. 72).
Esta herramienta creada a lo largo del siglo XX en el contexto industrial y

posteriormente en el de los servicios, permite facilitar el análisis de problemas y sus
soluciones en esferas como lo pueden ser; calidad de los procesos, los productos y
servicios. En la figura 1 se muestra un ejemplo del diagrama causa efecto
Figura 1 Diagrama de Ishikawa (Iean, 2016)
286
7.2.1.2. Diagrama de Flujo

Un diagrama de flujo es una imagen gráfica de los pasos que se tienen que
dar para realizar un proceso; iniciando con un símbolo de entrada, después por
medio de otros símbolos representar una serie de acciones y procesos, finalizando
con un símbolo de salida o terminación. Representa el orden en que las tareas se
llevan a cabo en la organización, también denota la relación lógica entre todas las
tareas que componen el diagrama. (Fernández y Fernández & Quintanar Morales,
2015).
Algunas características del diagrama de flujo es que presenta claridad en la

información; está formado por símbolos que representan inicio, proceso o acciones,
decisiones y finalización; cada símbolo representa una acción específica y las
flechas entre los símbolos representan el orden de realización de las acciones.
(Fernández y Fernández & Quintanar Morales, 2015).
7.2.1.3. Hoja de comprobación

Las hojas de comprobación son igualmente nombradas hojas de control o de
verificación o chequeo, son formatos estructurados en forma de tabla cuya finalidad
es registrar la ocurrencia o frecuencia de ciertos sucesos, mediante un método
sencillo.
Son formatos utilizados para realizar actividades repetitivas, ayudan a

controlar que se cumplan una lista de requisitos y recopilar datos de manera
ordenada de forma sistemática. Se emplean para hacer comprobaciones de
cumplimiento de actividades o productos (Gómez, 2017). La figura 2, muestra un
ejemplo genérico de una hoja de verificación de avisos de incidencia en la vía
pública:
287
Figura 2. Hoja de comprobación. (Aiteco Consultores, Aiteco Consultores S.L., s.f)
7.2.1.4. Gráfico de control

Los gráficos de control se usan para controlar las incidencias sobre los
procesos, bajo un enfoque de identificar posibles anomalías e inconsistencias en la
ejecución del proceso.
Se pretende que un gráfico de control identifique visualmente, el correcto

funcionamiento de los procesos. La gráfica es una serie de punto unidos que deben
estar dentro de los límites, de tal forma que si así se encuentran el proceso está
controlado, los picos hacia arriba y hacia abajo significa anomalías o cosas que se
salen de control (González González & Jimeno Bernal, 2012).
La figura 3, muestra un ejemplo genérico de gráfico de control con un pico en

el número de muestra 16:
Figura 3. Diagrama de control. (González González & Jimeno Bernal, 2012)
288
7.2.1.5. Histograma de Frecuencias

Es una representación gráfica para datos cuantitativos, se elabora con datos
anticipadamente resumidos con una distribución de frecuencia absoluta, relativa o
porcentual. Se construye colocando la variable de interés en el eje horizontal y la
frecuencia en el eje vertical. El valor de cada clase se indica dibujando una barra o
rectángulo desde la base con valor de cero a una altura igual a la frecuencia
correspondiente (Anderson, Sweeney & Williams, 2008).
Se puede evidenciar comportamientos, observar el grado de homogeneidad,

acuerdo o concisión entre los valores de todas las partes que componen la
población o la muestra, o, en contraposición, poder observar el grado de
variabilidad, y por ende, la dispersión de todos los valores que toman las partes,
también es posible no evidenciar ninguna tendencia y obtener que cada miembro
de la población toma por su lado y adquiere un valor de la característica
aleatoriamente sin mostrar ninguna preferencia o tendencia (Garza, 2003, p. 155).
7.2.1.6. Diagrama de Pareto

El diagrama de Pareto se parece a un histograma en el que se ordenan cada
una de las clases o columnas por orden de mayor a menor frecuencia. Algunas
ocasiones sobre este diagrama se incorpora un diagrama de frecuencias
acumuladas.
El beneficio de utilizar el diagrama es para poder establecer un orden de

prioridades en la toma de decisiones dentro de una organización. (Garza, 2003, p.
160).
En la figura 4, obtenida de Lind, Marchal, & Wathen (2015) es una

representación del consumo de agua de manera genérica, al ver la imagen las
actividades de riego, baño personal y albercas representan 82.1% del consumo de
agua; se puede pensar en optimizar el consumo de agua en estas tres áreas.
289
Figura 4. Diagrama de Pareto. (Lind, Marchal, & Wathen, 2015)
7.2.1.7. Diagrama de dispersión

Una herramienta gráfica que permite mostrar la relación entre variables es el
diagrama de dispersión. Para realizar un diagrama de dispersión se necesitan dos
variables, una variable independiente X y una dependiente Y. Una de las variables
se escala sobre el eje horizontal (eje X) de una gráfica y la otra variable, a lo largo
del eje vertical (eje Y). Por lo general, una de las variables depende hasta cierto
grado de la otra (Lind, Marchal, & Wathen, 2015).
En la figura 5, se muestra una imagen genérica de un diagrama de dispersión

en donde en el eje de las X está la variable edad y en el eje de las Y está la ganancia,
la imagen representa que a mayor edad la gente tiene más dinero para comprar
vehículos más caros de tal forma que la ganancia para el vendedor es mayor.
Figura 5. Diagrama de dispersión. (Lind, Marchal, & Wathen, 2015)
Existen otras herramientas que ayudan a procesos de calidad y que de igual

forma están dentro de la disciplina de la estadística. Se citan algunas de estas
290
herramientas: análisis de varianza, correlación lineal, regresión, diagrama de

árboles, entre otros.
7.2.1.8. Análisis de varianza

En estadística, el ANOVA ó Análisis de la Varianza, es una colección de
modelos estadísticos. Esta sirve como la distribución del estadístico de prueba en
varias situaciones; con ella se pone a prueba si dos muestras provienen de
poblaciones que tienen varianzas iguales, y también se aplica cuando se desea
comparar varias medias poblacionales en forma simultánea (Lind, Marchal, &
Wathen, 2015).
En ambas situaciones, las poblaciones deben seguir una distribución normal,

y los datos deben ser al menos de escala de intervalos (Spiegel, Schiller, &
Srinivasan, 2007, p. 336).
7.2.1.9. Correlación lineal

En probabilidad y estadística, la correlación indica la fuerza y la dirección de
una relación lineal y proporcionalidad entre dos atributos estadísticos. Se determina
que las dos variables están correlacionadas cuando los valores de alguna de ellas,
se comporta de manera homogénea y sistemáticamente igual con respecto a los
valores de la otra, existe correlación entre ellas si al disminuir los valores de una lo
hacen también los de la otra variable y viceversa.
La correlación como un complemento a la interpretación del diagrama de

dispersión identifica un coeficiente de relación, la cual es un estadístico cuantitativo
de la fuerza de la relación entre dos variables en escala de intervalo o de razón
(Lind, Marchal, & Wathen, 2015).
7.2.1.10. Regresión lineal

La regresión lineal simple se basa en analizar como los cambios en una
variable no aleatoria, inciden sobre otra variable aleatoria, en el caso de existir una
relación funcional entre ambas variables que puede ser establecida por una
expresión lineal representada por una línea recta se obtiene una regresión lineal
simple (Alicia Vila, 2018).
291
La regresión permite y se utiliza para establecer predicciones, estimaciones

y pronósticos con la historia de los datos; a la variable que se va a predecir se le
llama variable dependiente y a la variable o variables que se usan para predecir el
valor de la variable dependiente se les llama variables independientes o predictoras.
(Mendenhall, Beaver, & Beaver, 2010).
7.2.2. La empresa Aptiv

Se menciona la empresa Aptiv dado que la propuesta se encamina a
promover eficiencia en los procesos que tiene que ver con un MRP Controller que
ahí se utiliza.
La Empresa: Aptiv Services SA de CV es una organización del giro de

Maquiladora Automotriz (Export) y su actividad principal es el desarrollo y
manufactura de autopartes, es decir, para el sector automotriz. Es una empresa de
alta tecnología que integra soluciones más seguras, más verdes y más conectadas
para el sector de la automoción.
Aptiv Services (antes Delphi) es una empresa como lo menciona Deplhi

(2018) tiene la capacidad para asegurar una nueva y exitosa empresa para todos
está fundamentada en la probada trayectoria de constante innovación además de
tener un compromiso con el planeta, con la responsabilidad de fomentar un negocio
fuerte y sostenible que haga del mundo un lugar mejor (Delphi, 2018).
7.2.3. Metodologia Six Sigma

Six Sigma (6σ) es un conjunto modelo de calidad que apoya a los procesos
en la búsqueda de los cero defectos.
Six Sigma es una filosofía con base estadística compuesta por varias etapas:
definir, medir, analizar, mejorar y controlar. Identifica el número el número de
desviaciones estándar determinadas al resultado de un proceso. Su objetivo es
promover la calidad en los mismos (Navarro Albert, 2017).
292
En los procesos industriales se presenta el costo de baja calidad, ocasionado

por: fallas internas, de los productos defectuosos; retrabajo y problemas en el
control de materiales; fallas externas, de productos regresados; garantías y
penalizaciones; evaluaciones del producto, debido a inspección del proceso y
producto; utilización, mantenimiento y calibración de equipos de medición de los
procesos y productos; auditorias de calidad y soporte de laboratorios; y prevención
de fallas, debido al diseño del producto, pruebas de campo, capacitación a
trabajadores y mejora de la calidad.
La aplicación del análisis Six Sigma en los procesos industriales permite que
se puedan detectar problemas en el proceso de producción tales como: cuellos de
botella, productos con algún defecto, pérdidas de tiempo, etapas críticas, entre
otras.
La metodología Six Sigma, utiliza herramientas estadísticas que se citaron

en puntos anteriores: diagrama de flujo o de procesos, diagrama de causa-efecto,
diagrama de Pareto, histograma, gráfica de corrida, gráfica de control, diagrama de
dispersión y el modelo de regresión, entre otros.
7.2.4. Lenguaje de programación R

Es un freeware (software de libre licencia), es un lenguaje y entorno para
computación estadística y gráficos, es un proyecto GNU (R-project.org, 2019).
R proporciona una amplia variedad de técnicas estadísticas (modelos

lineales y no lineales, pruebas estadísticas clásicas, análisis de series temporales,
clasificación, agrupamiento, ente otros) además de potente para la generación y
visualización de gráficas y altamente extensible (R-project.org, 2019).
Una de las fortalezas de R es la facilidad con la que se pueden producir y

visualizar análisis de datos bien diseñados con calidad de publicación, incluidos
símbolos y fórmulas matemáticas (R-project.org, 2019).
Algunas características genéricas de R son: freeware, liviano, manipulación

de datos, automatización de código, cálculos potentes, y precisos, versatilidad,
organización de proyectos, tratamiento de grandes volúmenes de datos,
293
replicabilidad, detección y corrección de errores, estadística en su máximo nivel,

despliegue de gráficos y multiplataforma, entre otros.
7.2.5. R Studio
RStudio es un entorno de desarrollo integrado (IDE) para R. Incluye una
consola, editor de resaltado de sintaxis que admite la ejecución directa de código,
así como herramientas para el trazado, el historial, la depuración y la gestión del
espacio de trabajo (Studio, 2019).
R Studio tiene características que es importante resaltar: integración,

ejecución de código, resaltado de la sintaxis, ayuda, completado de comandos,
atajos de teclado, navegador de objetos, gestión del historial de comandos,
navegación del código, visualización e importación de datos, integración de gráficos,
gestor de proyectos, control de versiones, generación de documentos, entre otros.

A diario en el mundo se generan una gran cantidad de datos e información,
su fuente es muy diversa: sitios WEB, sensores que reciben información climática y
de otro tipo, de las redes sociales, imágenes y vídeos digitales, registros de compra
y transacciones y señales de GPS de los móviles, entre otros. Toda esto se integra
en el paradigma Big Data y es en donde se produce el inminente nacimiento de la
disciplina que conozca y trate con esta información, la Ciencia de los Datos.
Debido a las grandes cantidades de información, la Ciencia de los Datos

requiere de programas robustos para el manejo y procesamiento de datos, además
de la capacidad analítica y visionaria de quien estructura la información para facilitar
la toma las decisiones.
El reto actual consiste en la posibilidad de analizar científicamente toda esta

información, empleando los conocimientos y herramientas existentes en los campos
de la estadística, inteligencia artificial, matemáticas, bases de datos y programación,
negocios y comunicación, entre otros.
En el presente trabajo se expone cómo el empleo de la Ciencia de los Datos,

con R y R Studio como herramienta como propuesta de trabajo en la empresa Aptiv.
294
7.3. Desarrollo
Se presenta una propuesta del uso de R aplicado a datos relacionados con
el trabajo de un MRP Controller.
7.3.1. MRP Controller

Un MRP Controller y quien lo maneja, es un sistema que requiere un análisis
detallado que permita determinar acciones preventivas y/o correctivas en los
procesos, además de identificar situaciones que influyan de forma determinante en
el esquema de trabajo que el puesto requiere.
Las funciones de un MRP Controller están relacionadas con la administración

de los recursos de transportación; validar requerimientos semanales para soportar
necesidades del cliente; identificación y manejo de riesgos de impacto a líneas;
control de excesos y obsoletos; cumplir y controlar niveles de inventario de materia
prima; apoyo al cumplimiento para clarificar el camino (glade path), cumplimiento
del objetivo; control interno.
Algunas habilidades requeridas para el puesto de MRP Controller:

habilidades de comunicación hablada y escrita, de negociación, matemáticas y
habilidad para manejo de grandes cantidades de datos, actitud de servicio,
administración del tiempo o disponibilidad de horario, administración de recursos,
toma de decisiones, trabajo bajo presión y proactivo, entre otras.
7.3.2. La propuesta
Toda vez identificada la importancia de que un MRP Controller utiliza gran
cantidad de datos y variables, se propone que mediante el entorno R Studio y el
lenguaje de programación R, se pueden manipular y utilizar las herramientas de
calidad.
Las herramientas de calidad para un MRP Controller, permiten analizar datos

como resultado de la ejecución de procesos normales y procesos que presentan
mayor conflicto, facilitan la visión global de oportunidades y problemas.
295
Algunos de los análisis que un MRP Controller pudiera realizar con las
herramientas mencionadas y a través de R y R Studio, serían las que se enlistan a
continuación:
• Aplicación del análisis de Pareto en la variable Defecto. A través de este

análisis se podrá identificar el veinte por ciento de los elementos que generan el
ochenta por ciento de los números de partes defectuosas, y/o con problemas de
inventarios (excesos o cortos), para de esta forma identificarlos y tener
retroalimentación con los proveedores para evitar material que impacte
negativamente en la construcción de arneses.
• Análisis de varianza en las variables MRP y StdPack. Con la herramienta
mencionada es posible conocer si existen variaciones significativas entre la
cantidad de componentes destinados y el lugar de origen de los mismos. El
parámetro F de Fisher-Snedecor determinará a través de funciones como la
cantidad de grados de libertad y la significatividad asintótica si debe rechazarse
o aceptarse la hipótesis nula de no variación en los promedios.
• Análisis de regresión y correlación. Permite estimar si la cantidad de
inventario disponible al día actual coincide con el inventario existente en
almacén. La pendiente de la ecuación de regresión estimará el crecimiento o
decrecimiento de la variable independiente sobre la dependiente y el coeficiente
de determinación mostrará el nivel de asociación entre ambas variables.
• Histograma. Permite estratificar la cantidad de material perdido en almacén
considerando elementos tales como la regla de Sturges para determinar la
cantidad de intervalos del histograma.
• Diagrama de Ishikawa en variables Defectos. ¿Cuáles son las características
que determinan los defectos en los componentes analizados? ¿material? ¿mano
de obra? ¿el método de ensamble, no es el adecuado? Con esta herramienta se
podrá desglosar a detalle las características que incidan en las fallas.
Esta propuesta establece que R como herramienta de análisis estadístico es

conveniente dado que se adapta para ofrecer una solución óptima, así la propuesta
ofrece flexibilidad de que los códigos generados en R son adaptables a otros
296
procesos y dependerá de las necesidades específicas de cada MRP Controller y los

procesos que este desee mejorar con esta propuesta.
Es importante puntualizar que cada MRP Controller maneja materiales,

proveedores (locales, nacionales, internacionales continentales e internacionales
intercontinentales) clientes, procesos, stock, días de inventario, procesos de
calidad, muy diferentes entre sí, a su vez que todas y cada una de las necesidades
y adaptaciones de cada MRP Controller serán de utilidad para el MRP Manager o
Procurement Supervisor.
Un Procurement Supervisor es el encargado de presentar un concentrado

cada determinado tiempo de la situación del departamento de Ordering y cuando
se requiere una escalación para la resolución de algún inconveniente que está fuera
del nivel del MRP Controller, de lo anterior, por mencionar algún ejemplo, hay un
MRP que maneja exclusivamente cable, otro que maneja proveedores
Internacionales americanos, uno más encargado de aquellos proveedores que son
europeos y el traslado de la materia prima es marítimo así como uno que maneja
proveedores mexicanos únicamente.
Esto es la razón por la cual, un proceso estándar para el manejo de todas las
hojas de trabajo de cada MRP Controller no ofrece solución a las necesidades
específicas de cada proveedor, pues no es igual el stock que hay que tener para un
proveedor cuyo tránsito es de 4 semanas , al que se debe tener con un proveedor
que tiene un tiempo de tránsito de 15 minutos, las variables y las variantes son
muchas y ello desemboca en la necesidad de crear una propuesta que optimice y
se adapte a las necesidades individuales de la Hoja de trabajo.
Se presentan en la propuesta, algunos códigos en lenguaje R para ciertas

herramientas citadas con datos extraídos de la literatura relacionada con R y
estadística. Se presentan todos excepto el histograma dada la facilidad de generar
el mismo con la instrucción hist() de R.
Los ejemplos que se muestran en los siguientes puntos, son prácticas

desarrolladas de forma R NoteBook y MarkDown con datos diferentes a los
297
procesos de producción de la empresa citada, sin embargo, pueden servir de

referencia, con lo cual, perfectamente se puede recrear en el lenguaje de
programación R y su entorno R Studio.
Los documentos NoteBook y Markdown son archivos que contienen

combinaciones de código y resultados de datos de manera tabular y gráfica; para
los siguientes ejemplos los archivos NoteBook y Markdown contienen instrucciones
R y su ejecución.
Primero se muestra un ejemplo de análisis de Pareto de productos

elaborados con algunos defectos; segundo, se presenta el ejemplo de análisis
ANOVA de una variable “one way” con el caso de personas sin y con el consumo
de alcohol y el grado de atracción o selectividad hacia otra persona; tercero, se
presenta un ejemplo en R de análisis de regresión con el caso de auto-mpg.csv;
cuarto se presenta caso de diagrama de Ishikawa con datos de causa y efecto.
En las prácticas que se presentan en formato NoteBook, se sigue una

secuencia, los códigos se muestran sombreados, se muestran las gráficas
realizadas en R propias del código y los resultados se observan tal y como se
generan en R Studio.
7.3.2.1. Análisis de Pareto

Se cita el ejemplo desarrollado en markdown del siguiente enlace:
https://rpubs.com/rpizarro/624226, se muestra su desarrollo a manera de referencia
en el siguiente R Notebook:
R Notebook
7.3.2.1.1. Las librerías
Se utiliza la librería qcc para diagramas de pareto.
library(knitr) # Para ver tablas más amigables en formato html markdown)

library(qcc) # Para diagrama de Pareto
La siguiente práctica en R Booknote genera dos diagramas de Pareto con

dos conjuntos de datos diferentes. Datos y datos2.
298
7.3.2.1.2. Los datos

Simulando un conjunto de desperfectos de una línea de producción de
costura.
• Se simula que se tienen datos resumidos de defecto de una línea de producción.

• Se generan dos vectores defectos y cantidades
• Se integra en un data frame a partir de los dos vectores.
defectos <- c("Piel Arrugada", "Costura con fallas ", "Reventado de piel"
, "Mal montada")
cantidades <-c( 99, 135, 369, 135 )
datos <- data.frame(defectos, cantidades)
kable(datos)
defectos cantidades
Piel Arrugada 99
Costura con fallas 135
Reventado de 369
piel
Mal montada 135
7.3.2.1.3. Generando el diagrama de Pareto

A partir de la variable cantidades del conjunto de datos. Se muestran en las
figuras 6 y 7 los diagramas de pareto.
pareto.chart(datos$cantidades)
Figura 6. Diagrama de Pareto frecuencia cantidades. (Pizarro, Diagrama de Pareto, 2020)
299
##
## Pareto chart analysis for datos$cantidades
## Frequency Cum.Freq. Percentage Cum.Percent.
## C 369.00000 369.00000 50.00000 50.00000
## B 135.00000 504.00000 18.29268 68.29268
## D 135.00000 639.00000 18.29268 86.58537
## A 99.00000 738.00000 13.41463 100.00000
7.3.2.1.4. Generando datos aleatorios

De un conjunto de 100 datos simulados llamados muestras generados de
manera aleatoria, se simula que hay una cantidad de defectos 1, 2 o 3 defectos por
cada muestra.
Se visualizan los primeros y últimos seis registros de los 100 registros
muestras <- 1:100

cant.defectos <- sample(1:3, 100, replace = TRUE)
datos2 <- data.frame(muestras, cant.defectos)
kable(head(datos2))
muestras cant.defectos
1 1
2 2
3 2
4 1
5 2
6 3
kable(tail(datos2))
muestras cant.defectos
95 95 3
96 96 1
97 97 3
98 98 1
99 99 3
100 100 2
300
7.3.2.1.5. Generar frecuencia de los datos

tabla.defectos <- table(datos2$cant.defectos)
tabla.defectos
##
## 1 2 3
## 34 31 35
7.3.2.1.6. Generar diagrama de Pareto para datos

pareto.chart(tabla.defectos)
Figura 7. Diagrama de Pareto frecuencia defectos. (Pizarro, Diagrama de Pareto, 2020)
##
## Pareto chart analysis for tabla.defectos
## Frequency Cum.Freq. Percentage Cum.Percent.
## 3 35 35 35 35
## 1 34 69 34 69
## 2 31 100 31 100
7.3.2.2. Análisis de varianza (one way)

Se cita el ejemplo desarrollado en markdown del siguiente enlace:
https://rpubs.com/rpizarro/624230, se muestra su desarrollo a manera de referencia
en el siguiente R Notebook:
301
R Notebook
Aplicar ANOVA de una vía sobre un conjunto de datos relacionados con la
atracción que tienen las personas hacia otras personas cuando SI consumen
alcohol o NO consumen.

La librería WRS2 permite tener acceso a los datos (data(goggles)) que se
utilizan en la práctica.
# install.packages("WRS2")
# install.packages("psych")
# install.packages("car")
library(WRS2) # Para disponer de los datos goggles; data(goggles)
library(psych) # Para variables descriptivas
library(car) # Para prueba de normalidad y homocestacidad

• Los datos corresponden a 48 participantes (24 hombres y 24 mujeres) que se
han dividido en 3 grupos de 8 participantes cada uno.
• Cada grupo asistió a un club nocturno, a un grupo no se le dio alcohol, otro tomó
2 bebidas y el último 4 bebidas de alcohol.
• Al final de la noche el investigador tomó una fotografía a la pareja elegida por el
participante y un grupo de jueces independientes evaluó el poder de atracción
de dicha persona.
• La función data(goggles) accede directamente a los datos.
• Se muestran los primeros seis y últimos seis datos con la función head() y tail()
respectivamente.
• Se muestran también 10 registros aleatorios con reemplazo utilizando la función
sample().
data(goggles)
datos <- goggles
head(datos)
## gender alcohol attractiveness

## 1 Female None 65
## 2 Female None 70
## 3 Female None 60
## 4 Female None 60
302
## 5 Female None 60
## 6 Female None 55
tail(datos)

## 43 Male 4 Pints 30
datos[sample(1:nrow(datos), 10, replace = TRUE),]

## 14 Female 2 Pints 60
## 27 Male None 80
## 6 Female None 55
## 2 Female None 70
## 30 Male None 75
## 25 Male None 50
La base de datos tiene 3 variables:
• el sexo (variable gender: hombre o mujer),

• el alcohol consumido (variable alcohol: nada, 2 bebidas o 4 bebidas), Para los
datos la variable viene con valor de Pintas que significa que equivale a una
bebida de, aproximadamente, 568 mililitros para los Ingleses. La pinta americana
equivale a unos 473 mililitros. A su vez, también se denominan pintas a los vasos
que se utilizan para beber este tipo de cervezas.
• el nivel de atracción física de la pareja encontrada (variable attractiveness:
puntaje de 0 a 100 dado por los jueces).
7.3.2.2.3. Explorando datos

• Hay 48 observaciones y 3 variables.
• gender es el género y es de tipo factor con etiquetas de ‘Female’ de Femenino
y ‘Male’ de Masculino.
303
• alcohol de tipo factor, ‘None’ no consumió alcohol, ‘2 Pints’ consumió 2 bebidas

y ‘4 Pints’ consumió 4 bebidas
• attractiveness de tipo numérico entero con valores entre 0 y 100 significando el
puntaje dado por los jueces.
str(datos)
## 'data.frame': 48 obs. of 3 variables:

## $ gender : Factor w/ 2 levels "Female","Male": 1 1 1 1 1 1 1 1
1 1 ...
## $ alcohol : Factor w/ 3 levels "None","2 Pints",..: 1 1 1 1 1 1
1 1 2 2 ...
## $ attractiveness: int 65 70 60 60 60 55 60 55 70 65 ...
summary(datos)

## Female:24 None :16 Min. :20.00
## Male :24 2 Pints:16 1st Qu.:53.75
## 4 Pints:16 Median :60.00
## Mean :58.33
## 3rd Qu.:66.25
## Max. :85.00
7.3.2.2.4. Estadísticos descriptivos por grupo utilizando describeBy()

Se calcula los estadísticos descriptivos por grupo utilizando la función
describeBy() de la librería psych. Los principales estadísticos que genera la función
describeBy() son los siguientes:
• item name. Nombre del grupo, X1, X2, X3…

• item number. Número de variables del grupo, la salida es 1
• number of valid cases. Número de casos válidos, número de observaciones ‘n’
del grupo
• mean. La media del grupo
• standard deviation. La desviación estándar
• median. La mediana
• mad: median absolute deviation (from the median). La desviación media
absoluta de la mediana
• minimum. El valor mínimo
• maximum. El valor máximo
304
• skew. La curtosis
• standard error. El error estándar
describeBy(datos$attractiveness, datos$alcohol)
##
## Descriptive statistics by group
## group: None
## vars n mean sd median trimmed mad min max range skew kurtosis
se
## X1 1 16 63.75 8.47 62.5 63.57 11.12 50 80 30 0.29 -1.07
2.12
## ------------------------------------------------------------
## group: 2 Pints
## vars n mean sd median trimmed mad min max range skew kurtosis
se
## X1 1 16 64.69 9.91 65 64.64 7.41 45 85 40 0.08 -0.23
2.48
## ------------------------------------------------------------
## group: 4 Pints
## vars n mean sd median trimmed mad min max range skew kurtos
is se
## X1 1 16 46.56 14.34 50 46.79 14.83 20 70 50 -0.22 -1.
21 3.59
Utilizando summary(por grupo)
Para cada grupo se puedo haber utilizado summary(), con resultados iguales
pero con menores estadísticos que la función describeBy()
summary (datos[datos$alcohol=="None",])

## Female:8 None :16 Min. :50.00
## Male :8 2 Pints: 0 1st Qu.:58.75
## 4 Pints: 0 Median :62.50
## Mean :63.75
## 3rd Qu.:70.00
## Max. :80.00
summary (datos[datos$alcohol=="2 Pints",])

## Female:8 None : 0 Min. :45.00
## Male :8 2 Pints:16 1st Qu.:60.00
## 4 Pints: 0 Median :65.00
## Mean :64.69
305
## 3rd Qu.:70.00
## Max. :85.00
summary (datos[datos$alcohol=="4 Pints",])

## Female:8 None : 0 Min. :20.00
## Male :8 2 Pints: 0 1st Qu.:33.75
## 4 Pints:16 Median :50.00
## Mean :46.56
## 3rd Qu.:55.00
## Max. :70.00
Los dos primeros grupos presentaron valores similares en el atractivo de las

parejas que encontraron, sin embargo, estos valores disminuyeron en el grupo que
consumió más alcohol:
• No consume alcohol, 63.75±8.47

• 2 bebidas de alcohol, 64.69±9.91
• 4 bebidas de alcohol, 46.56±14.34
Los valores se presentan como media±sd (desviación estándar).
7.3.2.2.5. Visualizando datos con boxplot()

La función boxplot() permite visualizar e identificar datos atípicos, para este
ejemplo no existe datos extraños. El caracter tilde o virulilla ´~´ significa en esta
función que se generan los diagramas de cajas de la variable numérica
attractiveness en función de la variable factor llamada alcohol que significa cada
grupo. La figura 8 muestra el diagrama de caja.
boxplot(datos$attractiveness~datos$alcohol, xlab = "Consumo", ylab = "Sel

ectividad")
306
Figura 8. Gráfica de cajas consumo de alcohol. (Pizarro, ANOVA una via. Caso consumo alcohol,
2020).
7.3.2.2.6. Prueba de Normalidad

Para este conjunto de datos, hay dos tipos de variables: variables
independientes: Gender y alcohol y variable dependiente: attractiveness
Se utiliza la prueba de normalidad de Shapiro-Wilks que funciona bien para

conjuntos de datos pequeños.
Para esta prueba la hipótesis nula implica que los datos siguen una
distribución normal, y la hipótesis alternativa indica lo contrario.
Por tanto, si el p-valor de la prueba es inferior a 0.05 (el nivel alfa de

significación que se toma por defecto) se rechaza la hipótesis nulas y se dice que la
respuesta no sigue una distribución normal en cada grupo de estudio.
En caso contrario, si el p-valor es mayor a 0.05, no se estaría incumpliendo

el supuesto de normalidad.
by(datos$attractiveness, datos$alcohol, shapiro.test)
## datos$alcohol: None
##
## Shapiro-Wilk normality test
##
## data: dd[x, ]
## W = 0.95498, p-value = 0.5725
##
307
## ------------------------------------------------------------
## datos$alcohol: 2 Pints
##
##
## data: dd[x, ]
## W = 0.94489, p-value = 0.4132
##
## ------------------------------------------------------------
## datos$alcohol: 4 Pints
##
##
## data: dd[x, ]
## W = 0.952, p-value = 0.522
De lo anterior, en los 3 grupos la variable attractiveness tiene distribución

normal, aclarando que ¡solo se tienen 16 observaciones por grupo!
• Primer grupo: p-value = 0.5725

• Segundo grupo 2 bebidad: p-value = 0.4132
• Gercer grupo 4 bebidas: p-value = 0.522
7.3.2.2.7. Homogeneidad de varianza

Se utilizan distintos tipos de pruebas para evaluar la homocedasticidad
(homogeneidad de varianza), es decir, para contrastar si varios grupos o muestras
de la misma población son homocedásticas (tiene la misma varianza).
Las diferencias entre las pruebas se deben a su sensibilidad al supuesto de

normalidad visto anteriormente.
Para esta prueba la hipótesis nula implica que los datos presentan
homogeneidad de varianza entre los grupos, por lo cual si el p-valor es inferior a
0.05 se estaría incumpliendo este supuesto.
Si p-valor es mayor a 0.05 existe homogeneidad de
• Prueba de Bartlett: p-value = 0.1092
bartlett.test(datos$attractiveness, datos$alcohol)
##
## Bartlett test of homogeneity of variances
308
##
## data: datos$attractiveness and datos$alcohol
## Bartlett's K-squared = 4.4295, df = 2, p-value = 0.1092
• Prueba de Levene: Pr(>F) = 0.1095
leveneTest(datos$attractiveness, datos$alcohol)
## Levene's Test for Homogeneity of Variance (center = median)

## Df F value Pr(>F)
## group 2 2.3238 0.1095
## 45
• Prueba de Flinger: p-value = 0.1115
fligner.test(datos$attractiveness, datos$alcohol)
##
## Fligner-Killeen test of homogeneity of variances
##
## data: datos$attractiveness and datos$alcohol
## Fligner-Killeen:med chi-squared = 4.3876, df = 2, p-value = 0.1115
De lo anterior, en todos los casos se obtiene p>0.05, es decir, no se

encuentran problemas de heterocedasticidad (falta de homogeneidad de varianza).
Las pruebas de normalidad y homogeneidad de varianza no indican

problemas con los supuestos estadísticos clásicos.
7.3.2.2.8. Prueba ANOVA

El procedimiento ANOVA de un factor genera un análisis de varianza de un
factor para una variable dependiente cuantitativa respecto a una única variable de
factor (la variable independiente). El análisis de varianza se utiliza para contrastar
la hipótesis de que varias medias son iguales.
ANOVA es una prueba estadística para analizar si más de dos grupos difieren
entre sí de manera significativa en sus medias y varianzas (Hernández, Fernández,
& Baptista, 2014).
¿Existen diferencias entre los grupos de personas conforme y de acuerdo a

la variable consumo de alcohol y el nivel de selectividad en cuanto a la atracción
hacia otras personas valorado en la variable attractiveness?
309
¿al consumir alcohol los sujetos se vuelven menos selectivos a la hora de

elegir pareja?
¿en qué momento se vuelven más selectivos?
¿con 2 bebidas o con 4 bebidas de alcohol?
Para el caso del ANOVA de un factor entre grupos, las hipótesis que
corresponden son:
• H0: Para los grupos de personas que no consumen alcohol, para el grupo que
consume 2 bebidas y para el grupo que consume 4 bebidas; el atractivo físico
de las parejas de sujetos con distinto consumo de alcohol es similar (los sujetos,
independientemente del nivel de consumo de alcohol que tengan encima, son
igual de selectivos a la hora de encontrar pareja).
• H1: alguno es distinto (existen diferencias entre al menos alguno de los 3 grupos
de consumo de alcohol, alguno de ellos es más selectivo pero no se indica cuál,
hasta las pruebas post hoc)
• Se utiliza el caracter virulilla o tilde ‘~’ para indicar que se hace la prueba ANOVA
de la variable attractiveness en función de la variable alcohol (representado
como fórmula en R attractiveness ~ alcohol).
• Se utiliza la variable llamada análisis (analisis sin acento) para determinar los
resultados de la prueba.
analisis <- aov(data = datos, attractiveness ~ alcohol)
summary(analisis)
## Df Sum Sq Mean Sq F value Pr(>F)

## alcohol 2 3332 1666.1 13.31 2.88e-05 ***
## Residuals 45 5634 125.2
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Existen diferencias estadísticamente significativas entre los grupos de consumo de

alcohol (F(2,45)=13.31, p<0.05). Pr > F = 2.88e-05 (tiene tres asteriscos)
310
7.3.2.2.9. Pruebas post hoc

Como se ha detectado diferencias entre los grupos, la pregunta específica es
¿en qué grupos son significativamente distintos?
Para ello se utiliza la prueba de comparación múltiple post hoc de Tukey

(también llamada prueba HSD).
La prueba de Tukey es una prueba estadística para comparaciones

posteriores (post hoc) en el ANOVA unidireccional o de un factor. (Hernández,
Fernández, & Baptista, 2014)
TukeyHSD(analisis)
## Tukey multiple comparisons of means

## 95% family-wise confidence level
##
## Fit: aov(formula = attractiveness ~ alcohol, data = datos)
##
## $alcohol
## diff lwr upr p adj
## 2 Pints-None 0.9375 -8.650654 10.525654 0.9695381
## 4 Pints-None -17.1875 -26.775654 -7.599346 0.0002283
## 4 Pints-2 Pints -18.1250 -27.713154 -8.536846 0.0001067
Se identifica que existen diferencias entre 4 Pints-None y 4 Pints-2 Pints

(p<0.001), pero no entre 2 Pints-None.
Observando los gráficos y estadísticos descriptivos que han calculado

anteriormente, se puede afirmar que solo para 4 bebidas (pintas) de alcohol
disminuye estadística y significativamente el nivel de atracción (selección) de las
parejas.
Dicho de otro modo, se detectan diferencias significativas en el atractivo de

las parejas de sujetos con distinto consumo de alcohol, en particular se observa que
los sujetos se volvieron menos selectivos en la búsqueda de pareja a partir de 4
bebidas de alcohol.
Moraleja, un poco de alcohol nos hace menos selectivos en la búsqueda de

pareja pero ¿si se abusa del alcohol? … … …
311
7.3.2.3. Análisis de regresión y correlación

Se presenta el caso de correlación y regresión lineal de los datos de autos
que se encuentra en el archivo markdown del servicio rpubs del enlace siguiente:
https://rpubs.com/rpizarro/578026. El ejemplo es un caso que se trata en temas de
aprendizaje automático pero que queda muy adecuado para justificar el concepto
de correlación y regresión lineal como herramienta predictora.
Regresión lineal múltiple de autos

library(readr)
# install.packages("corrplot") # Nuevo
library(corrplot) # Para correlación
library(caret) # Para dividir conjunto de datos
# install.packages("MASS") # NUEVO
library(MASS)

datos <- read.csv("https://raw.githubusercontent.com/rpizarrog/Curso-Titu
lacion-Data-Science-/master/2020/datos/auto-mpg.csv")
head(datos) # Los primeros seis
## No mpg cylinders displacement horsepower weight acceleration model_y

ear
## 1 1 28 4 140 90 2264 15.5
71
## 2 2 19 3 70 97 2330 13.5
72
## 3 3 36 4 107 75 2205 14.5
82
## 4 4 28 4 97 92 2288 17.0
72
## 5 5 21 6 199 90 2648 15.0
70
## 6 6 23 4 115 95 2694 15.0
75
## car_name
## 1 chevrolet vega 2300
## 2 mazda rx2 coupe
## 3 honda accord
## 4 datsun 510 (sw)
## 5 amc gremlin
## 6 audi 100ls
312
tail(datos) # Los últimos seis
## No mpg cylinders displacement horsepower weight acceleration mod

el_year
## 393 393 13.0 8 350 155 4502 13.5
72
## 394 394 16.5 6 168 120 3820 16.7
76
## 395 395 34.5 4 105 70 2150 14.9
79
## 396 396 38.1 4 89 60 1968 18.8
80
## 397 397 30.5 4 98 63 2051 17.0
77
## 398 398 19.0 6 232 100 2634 13.0
71
## car_name
## 393 buick lesabre custom
## 394 mercedes-benz 280s
## 395 plymouth horizon tc3
## 396 toyota corolla tercel
## 397 chevrolet chevette
## 398 amc gremlin
summary(datos) # Antes de categorizar o factor
## No mpg cylinders displacement

## Min. : 1.0 Min. : 9.00 Min. :3.000 Min. : 68.0
## 1st Qu.:100.2 1st Qu.:17.50 1st Qu.:4.000 1st Qu.:104.2
## Median :199.5 Median :23.00 Median :4.000 Median :148.5
## Mean :199.5 Mean :23.51 Mean :5.455 Mean :193.4
## 3rd Qu.:298.8 3rd Qu.:29.00 3rd Qu.:8.000 3rd Qu.:262.0
## Max. :398.0 Max. :46.60 Max. :8.000 Max. :455.0
##
## horsepower weight acceleration model_year
## Min. : 46.0 Min. :1613 Min. : 8.00 Min. :70.00
## 1st Qu.: 76.0 1st Qu.:2224 1st Qu.:13.82 1st Qu.:73.00
## Median : 92.0 Median :2804 Median :15.50 Median :76.00
## Mean :104.1 Mean :2970 Mean :15.57 Mean :76.01
## 3rd Qu.:125.0 3rd Qu.:3608 3rd Qu.:17.18 3rd Qu.:79.00
## Max. :230.0 Max. :5140 Max. :24.80 Max. :82.00
##
## car_name
## ford pinto : 6
## amc matador : 5
## ford maverick : 5
## toyota corolla: 5
## amc gremlin : 4
## amc hornet : 4
## (Other) :369
313
7.3.2.3.3. Convertir la variable categórica de Cilindros a factor

Para conocer su frecuencia con summary()
datos$cylinders <- factor(datos$cylinders, levels = c(3,4,5,6,8),labels =

c('3c', '4c','5c','6c','8c'))
summary(datos) # Después de categorizar o factor
## No mpg cylinders displacement horsepowe

r
## Min. : 1.0 Min. : 9.00 3c: 4 Min. : 68.0 Min. : 46
.0
## 1st Qu.:100.2 1st Qu.:17.50 4c:204 1st Qu.:104.2 1st Qu.: 76
.0
## Median :199.5 Median :23.00 5c: 3 Median :148.5 Median : 92
.0
## Mean :199.5 Mean :23.51 6c: 84 Mean :193.4 Mean :104
.1
## 3rd Qu.:298.8 3rd Qu.:29.00 8c:103 3rd Qu.:262.0 3rd Qu.:125
.0
## Max. :398.0 Max. :46.60 Max. :455.0 Max. :230
.0
##
## weight acceleration model_year car_name
## Min. :1613 Min. : 8.00 Min. :70.00 ford pinto : 6
## 1st Qu.:2224 1st Qu.:13.82 1st Qu.:73.00 amc matador : 5
## Median :2804 Median :15.50 Median :76.00 ford maverick : 5
## Mean :2970 Mean :15.57 Mean :76.01 toyota corolla: 5
## 3rd Qu.:3608 3rd Qu.:17.18 3rd Qu.:79.00 amc gremlin : 4
## Max. :5140 Max. :24.80 Max. :82.00 amc hornet : 4
## (Other) :369
7.3.2.3.4. Tabla de correlación

Es una prueba estadística para analizar la relación entre dos variables
medidas en un nivel por intervalos. (Hernández, Fernández, & Baptista, 2014).
• Hipótesis a probar: correlacional, del tipo de “a mayor X, mayor Y”, “a menor X,

menor Y”, “altos valores en X están asociados con altos valores en Y”, “bajos
valores en X se asocian con bajos valores de Y ”. La hipótesis de investigación
señala que la correlación es significativa.
• Variables: dos, la prueba en sí no considera a una como independiente y a otra
como dependiente, ya que no evalúa la causalidad. La noción de causa-efecto
314
(independiente-dependiente) es posible establecerla teóricamente, pero la

prueba no asume dicha causalidad.
• El significado de las correlaciones son las siguientes:
o −0.90 = Correlación negativa muy fuerte.
o −0.75 = Correlación negativa considerable.
o −0.50 = Correlación negativa media.
o −0.25 = Correlación negativa débil.
o −0.10 = Correlación negativa muy débil.
o = No existe correlación alguna entre las variables.
o +0.10 = Correlación positiva muy débil.
o +0.25 = Correlación positiva débil.
o +0.50 = Correlación positiva media.
o +0.75 = Correlación positiva considerable.
o +0.90 = Correlación positiva muy fuerte.
o +1.00 = Correlación positiva perfecta (“A mayor X, mayor Y” o “a menor X,
menor Y”, de manera proporcional. Cada vez que X aumenta, Y aumenta
siempre una cantidad constante).
o El signo indica la dirección de la correlación (positiva o negativa); y el valor
numérico, la magnitud de la correlación. (Hernández, Fernández, & Baptista,
2014).
cor(x=datos[,-c(1,3, 8,9)], method = "pearson")
## mpg displacement horsepower weight acceleratio

n
## mpg 1.0000000 -0.8042028 -0.7756163 -0.8317409 0.420288
9
## displacement -0.8042028 1.0000000 0.8975294 0.9328241 -0.543684
1
## horsepower -0.7756163 0.8975294 1.0000000 0.8636062 -0.688055
0
## weight -0.8317409 0.9328241 0.8636062 1.0000000 -0.417457
3
## acceleration 0.4202889 -0.5436841 -0.6880550 -0.4174573 1.000000
0
315
7.3.2.3.5. Mostrando correlaciones con pairs()

pairs(x=datos[,-c(1,3,8,9)], lower.panel = NULL)
La figura 9 muestra las correlaciones generadas por pairs() y la figura 10 la

misma correlación pero con la función corroplot(). Se muestran las figuras 11 y 12
como complementos del modelo de regresión.
Figura 9. Correlaciones entre variables de los datos usando pairs() (Pizarro, Regresion lineal de
autos, 2020).
7.3.2.3.6. Correlación con corrplot()

corrplot(corr = cor(x=datos[,-c(1,3,8,9)], method = "pearson"), method =
"number")
Figura 10. Correlaciones entre variables de los datos usando pairs() (Pizarro, Regresion lineal de
autos, 2020).
316
7.3.2.3.7. Dividir conjunto de entrenamiento y datos de validación o prueba

set.seed(2018)
entrena <- createDataPartition(datos$mpg, p=0.7, list = FALSE)
# entrena
nrow(entrena) # Cuantos datos de entrenamiento
## [1] 280
7.3.2.3.8. Generando el modelo lineal con los datos de entrenamiento

• Los datos de entrenamiento son los registros de datos que están en esas
posiciones que fueron generados por createDataPartition
• Los datos de validación son los que no son del entrenamiento
• No interesan las columnas 1, 8 y 9 de los datos, no resultan significativas para
la regresión.
datosentrenamiento <- datos[entrena, -c(1,8,9)]
datosvalidacion <- datos[-entrena, -c(1,8,9)]
# Se observa los datos, datos de entrenamiento y datos de validación

head(datos)
## No mpg cylinders displacement horsepower weight acceleration model_y

ear
## 1 1 28 4c 140 90 2264 15.5
71
## 2 2 19 3c 70 97 2330 13.5
72
## 3 3 36 4c 107 75 2205 14.5
82
## 4 4 28 4c 97 92 2288 17.0
72
## 5 5 21 6c 199 90 2648 15.0
70
## 6 6 23 4c 115 95 2694 15.0
75
## car_name
## 1 chevrolet vega 2300
## 2 mazda rx2 coupe
## 3 honda accord
## 4 datsun 510 (sw)
## 5 amc gremlin
## 6 audi 100ls
head(datosentrenamiento)
317
## mpg cylinders displacement horsepower weight acceleration

## 3 36.0 4c 107 75 2205 14.5
## 4 28.0 4c 97 92 2288 17.0
## 5 21.0 6c 199 90 2648 15.0
## 6 23.0 4c 115 95 2694 15.0
## 7 15.5 8c 304 120 3962 13.9
## 8 32.9 4c 119 100 2615 14.8
head(datosvalidacion)
## mpg cylinders displacement horsepower weight acceleration

## 1 28.0 4c 140 90 2264 15.5
## 2 19.0 3c 70 97 2330 13.5
## 11 12.0 8c 429 198 4952 11.5
## 13 13.0 8c 302 130 3870 15.0
## 14 27.9 4c 156 105 2800 14.4
## 18 14.0 8c 400 175 4385 12.0
modelo <- lm(mpg ~ ., data = datosentrenamiento)
modelo
##
## Call:
## lm(formula = mpg ~ ., data = datosentrenamiento)
##
## Coefficients:
## (Intercept) cylinders4c cylinders5c cylinders6c cylinders8c
## 37.284202 6.231475 8.248195 2.131026 4.568171
## displacement horsepower weight acceleration
## 0.002245 -0.057543 -0.004665 0.050745
• Prediccion de mpg está dada por la fórmula:

• mpg = 37.284202 + 6.231475 * 4c + 8.248195 * 5c + 2.131026 * 6c + 4.568171
* 8c + 0.002245 * displacement - 0.057543 * horsepower -0.004665 * weight +
0.050745 * acceleration
7.3.2.3.9. Summary(modelo)
• La pregunta es: ¿Éste modelo predice bien o predice mal?
• No todas las variables son importantes, hay algunas que tienen mayor presencia
que el resto.
• summary(), para ver otras variables
summary(modelo)
318
##
## Call:
## lm(formula = mpg ~ ., data = datosentrenamiento)
##
## Residuals:
## Min 1Q Median 3Q Max
## -10.0606 -2.4686 -0.4435 1.9821 16.0907
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 37.2842024 3.6497412 10.216 < 2e-16 ***
## cylinders4c 6.2314753 2.4926855 2.500 0.01301 *
## cylinders5c 8.2481946 3.8091396 2.165 0.03123 *
## cylinders6c 2.1310256 2.7759570 0.768 0.44335
## cylinders8c 4.5681710 3.2054454 1.425 0.15527
## displacement 0.0022449 0.0108924 0.206 0.83687
## horsepower -0.0575428 0.0202773 -2.838 0.00489 **
## weight -0.0046652 0.0009999 -4.665 4.84e-06 ***
## acceleration 0.0507454 0.1443575 0.352 0.72547
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 4.092 on 271 degrees of freedom
## Multiple R-squared: 0.7304, Adjusted R-squared: 0.7224
## F-statistic: 91.75 on 8 and 271 DF, p-value: < 2.2e-16
• Los asteriscos significan que las variables aportan mayor significación a la

variable independiente “mpg”
• El valor de residuos es como se distribuyen los errores en la estimación
• Los errores que se cometen en la regresión se identifican con el boxplot
(diagrama de caja), identifican que tanto los datos están cerca de la mediana
boxplot(modelo$residuals)
Figura 11. Diagrama de caja boxplot del caso autos. (Pizarro, Regresion lineal de autos, 2020)
319
7.3.2.3.10. Error cuadrático medio del modelo en los datos de entrenamiento

sqrt(mean((modelo$fitted.values - datosentrenamiento$mpg) ^ 2))
## [1] 4.026021
Evaluar con los datos de validación que no serán los de entrenamiento

mpg_prediccion <- predict(modelo, datosvalidacion)
Error cuadrático medio del modelo en los datos de validación

sqrt(mean((mpg_prediccion - datosvalidacion$mpg) ^ 2))
## [1] 3.894627
7.3.2.3.11. Predecir dos nuevos autos con ciertas características

• 4c y 5c
• dsplacement = 80 y 100
• horsepow = 70, 90
• weight 2000, 2100
• acelera = 14, 16
cyl = c(4,5)
dis = c(80,100)
hp = c(70,90)
wei = c(2000, 2100)
ace = c(14, 16)
nuevosdatos <- data.frame(cylinders=cyl, displacement=dis,horsepower=hp,

weight=wei, acceleration = ace)
nuevosdatos
## cylinders displacement horsepower weight acceleration

## 1 4 80 70 2000 14
## 2 5 100 90 2100 16
7.3.2.3.12. Predecir por la Fórmula

• Se toma solo un coeficiente de cilindraje porque o es
• de 4 columna 2
• de 5 columna 3
• de 6 columna 4
• de 8 columna 6
• modelo$coefficients
320
• 38.607311983 + 7.212652193 + 0.006877506 * 80 + -0.072208661 70 + -

0.005155968 2000 + 0.024851517 * 14
# Directo
38.607311983 + 7.212652193 + 0.006877506 * 80 + -0.072208661 *70 + -0.005
155968 * 2000 + 0.024851517 * 14
## [1] 31.35154
# Predecir para cuatro cylndros

modelo$coefficients
## (Intercept) cylinders4c cylinders5c cylinders6c cylinders8c displ

acement
## 37.284202446 6.231475322 8.248194569 2.131025643 4.568170956 0.00
2244864
## horsepower weight acceleration
## -0.057542812 -0.004665209 0.050745431
mpg.predict4 = modelo$coefficients[1] +
modelo$coefficients[2] * 1 +
modelo$coefficients[6] * dis[1] +
modelo$coefficients[7] * hp[1] +
modelo$coefficients[8] * wei[1] +
modelo$coefficients[9] * ace[1]
mpg.predict4
## (Intercept)
## 31.04729
# Predecir para cinco cilindros

modelo$coefficients
## (Intercept) cylinders4c cylinders5c cylinders6c cylinders8c displ

acement
## 37.284202446 6.231475322 8.248194569 2.131025643 4.568170956 0.00
2244864
## horsepower weight acceleration
## -0.057542812 -0.004665209 0.050745431
mpg.predict5 = modelo$coefficients[1] +
modelo$coefficients[3] * 1 +
modelo$coefficients[6] * dis[2] +
modelo$coefficients[7] * hp[2] +
modelo$coefficients[8] * wei[2] +
modelo$coefficients[9] * ace[2]
mpg.predict5
## (Intercept)
## 31.59302
321
Predecir por la función predict()

# .....
nuevosdatos$cylinders <- factor(nuevosdatos$cylinders, levels = c(4,5),la
bels = c('4c','5c'))
mpg.predict <- predict(modelo, nuevosdatos)
mpg.predict
## 1 2
## 31.04729 31.59302
Gráficas varias del modelo

par(mfrow=c(2,2))
plot(modelo)
Figura 12. Varias gráficas del modelo de regresión. (Pizarro, Regresion lineal de autos, 2020)
7.3.2.4. Diagrama de Ishikawa

Se presenta un ejemplo de diagrama de Ishikawa que se obtienen del enlace
siguiente: https://rpubs.com/ctellez_gdl/58735. El diagrama de Ishikawa se presenta
en el siguiente NoteBook de R y R Studio
R Notebook
# Se instala la librería qcc
#install.packages("qcc")
# Se activa librería qcc
library(qcc)
322

Se crea una lista con varias columnas llamada causas, se visualiza la lista
causas <- list(Measurements=c("Micrometers", "Microscopes","Inspectors"),

Materials=c("Alloys", "Lubricants", "Suppliers"),
Personnel=c("Shofts", "Supervisors", "Training","Operators
"),
Environment=c("Condensation", "Moisture"), Methods=c("Brak
e", "Engager", "Angle"),
Machines=c("Speed", "Lathes", "Bits", "Sockets"),
effect="Surface Flaws")
causas
## $Measurements
## [1] "Micrometers" "Microscopes" "Inspectors"
##
## $Materials
## [1] "Alloys" "Lubricants" "Suppliers"
##
## $Personnel
## [1] "Shofts" "Supervisors" "Training" "Operators"
##
## $Environment
## [1] "Condensation" "Moisture"
##
## $Methods
## [1] "Brake" "Engager" "Angle"
##
## $Machines
## [1] "Speed" "Lathes" "Bits" "Sockets"
##
## $effect
## [1] "Surface Flaws"
7.3.2.4.3. Diagrama causa y efecto

Se utiliza la función cause.and.effect de la librería qcc
cause.and.effect(causas, effect="Surface Flaws")
Se muestra en la figura 13 y 14 ejemplo de este código del diagrama causa

efecto.
323
Figura 13. Diagrama de Ishikawa. (Telles Martínez, 2017)
7.3.2.5. Diagrama Sixsigma causa y efecto

Se construyen los datos
# Se elabora el diagrama
effect <- "Flight Time"
causes.gr <- c("Operator", "Environment", "Tools", "Design",
"Raw.Material", "Measure.Tool")
causes <- vector(mode = "list", length = length(causes.gr))
causes[1] <- list(c("operator #1", "operator #2", "operator #3"))
causes[2] <- list(c("height", "cleaning"))
causes[3] <- list(c("scissors", "tape"))
causes[4] <- list(c("rotor.length", "rotor.width2", "paperclip"))
causes[5] <- list(c("thickness", "marks"))
causes[6] <- list(c("calibrate", "model"))
Se utiliza la función ss.ceDiag() de la librería sixsigma.
ss.ceDiag(effect, causes.gr, causes, sub = "Paper Helicopter Project")
Figura 14. Diagrama de Ishikawa. (Telles Martínez, 2017)
324
Conclusiones
En este capítulo se explica la importancia de seguir y conservar los modelos
de trabajo que han sido pilar de la industria desde sus inicios hasta el presente, al
mismo tiempo se destaca que las bases históricas y aquellos modelos que son base
para procesos industriales y de producción, ahora van de la mano con la tecnología.
La propuesta implica combinar herramientas y técnicas para la Ingeniería

Industrial mediante programación R; dicha propuesta de implementación se
pretende que sea posible, pues se tienen ventajas considerables por encima de las
opciones actuales y las anteriormente utilizadas para un MRP Controller.
El planteamiento presenta una oportunidad de dar a conocer, R y R Studio,

como herramientas para empezar a divulgar el tema de Ciencia de los Datos y a
los Científicos de Datos en empresas del estado de Durango como una necesidad
más que como una inversión, si bien el beneficio será principalmente a nivel
personal y laboral, de llegar a ser posible esta implementación se estará
atravesando una barrera cultural y educativa en la cual muchos estados ya están
adelantados, pues el empezar a crear una necesidad y “plantar la semilla” de tal
modo que se da a conocer que en el Instituto Tecnológico de Durango se está
optando y apostando por generar tener egresados con capacitación a la par de
cualquier cuidad y con el nivel de instituciones privadas.
Esta opción de implementación, de ser aceptada, tendrá un impacto laboral

importante pues de acuerdo a los análisis realizados , representará una optimización
de tiempo en las actividades que se realizan, los datos que se obtengan serán más
exactos y por ende confiables, la cadena de beneficios obtenidos a partir de la
optimización del manejo de la hoja critica (hoja de trabajo) , tendrá un impacto
importante ya que el mantener y tener inventarios más sanos, es decir, control de
exceso, y de obsoletos, órdenes a proveedor en tiempo y cantidad más adecuada,
tiempos de tránsito mejor analizados a futuro.
La Ciencia de los Datos no es solamente un tema novedoso y relacionado a

colectar información, es un tema visionario y que requiere y exige una ejecución,
325
que puede ayudar a las empresas a desarrollar e implementar estrategias mucho

más robustas y personalizadas.
Se puede usar Ciencia de los Datos en distintas organizaciones desde

niveles altos hasta niveles más bajos llegando a todos los procesos.
Bibliografía
Aiteco Consultores, S. (s.f). Aiteco Consultores S.L. Obtenido de Hojas de Comprobación, de Control
o Verificación: Aiteco Consultores S.L.
Alcalde San Miguel, P. (2009). Calidad. (1a. Edición). En P. Alcalde San Miguel, Calidad. (1a.
Edición). Paraninfo.
Alicia Vila, M. S. (16 de agosto de 2018). Universidad Oberta de Catalunya. Obtenido de

www.uoc.edu: http://estudios.uoc.edu/es/buscador-
resultados?searchWords=correlacion+lineal
Anderson, D., Sweeney, D., & Williams, T. (2008). Estadística para administración y economía
Estadística para administración y economía. 10a. Edición. México, D.F: Cengage Learning
Editores,S.A. de C.V.
Delphi. (01 de 01 de 2018). Delphi Technologies. Obtenido de What is Delphi Technologies:

https://www.delphi.com/company
Fernández y Fernández, C. A., & Quintanar Morales, J. A. (2015). Reducciones temporales para
convertir la sintaxis abstracta del diagrama de flujo de tareas no estructurado al álgebra de
tareas. ReCIBE. Revista electrónica de Computación, Informática, Biomédica y Electrónica,
1-35.
García Nocetti, F. (01 de 05 de 2017). Ciencia de datos y big data. Obtenido de Nexos:
https://www.nexos.com.mx/?p=31892
Garza, E. G. (2003). Administracion de la Calidad Total. México: Pax.
Gómez, G. (01 de 12 de 2017). USO DE HERRAMIENTAS DE CALIDAD EN INDUSTRIA TEXTIL:

CASO CONFECCIONES WINTER S.A. TRABAJO FINAL DE GRADUACION. FACULTAD
DE CIENCIAS ECONOMICAS. Buenos Aires, Argentina, Argentina: UNIVERSIDAD
NACIONAL DEL CENTRO DE LA PROVINCIA DE BUENOS AIRES.
326
González González, R., & Jimeno Bernal, J. (01 de 01 de 2012). PDCA Home. Obtenido de
Diagramas de control: Gráficos para controlar procesos:
https://www.pdcahome.com/diagramas-de-control/
Hernández, R., Fernández, C., & Baptista, M. d. (2014). Metodología de la Investigación. México:
McGRAW-HILL / INTERAMERICANA EDITORES, S.A. DE C.V.
Iean, p. (16 de 09 de 2016). progressa lean. Obtenido de Diagrama Causa-Efecto (Diagrama

Ishikawa): https://www.progressalean.com/diagrama-causa-efecto-diagrama-ishikawa/
Lind, D. A., Marchal, W. G., & Wathen, S. A. (2015). Estadística aplicada a los Negocios y a la
Economía. México, D.F: McGrawn Hill Education. McGRAW-HILL/INTERAMERICANA
EDITORES, S.A. DE C.V.
Mendenhall, W., Beaver, R. J., & Beaver, B. M. (2010). Introducción a la probabilidad y estadística.
México, D.F.: Cengage Learning Editores, S.A. de C.V.
Navarro Albert, E. G. (2017). Metodología e implementación de Six Sigma. 3C Empresa:

investigación y pensamiento crítico. 3C Empresa (Edición Especial). Área de Innovación y
Desarrollo, S.L., 73-80.
Pizarro, R. (05 de 29 de 2020). ANOVA una via. Caso consumo alcohol. Obtenido de ANOVA una
via. Caso consumo alcohol: ANOVA una via. Caso consumo alcohol
Pizarro, R. (29 de 05 de 2020). Diagrama de Pareto. Obtenido de Diagrama de PAreto:

https://rpubs.com/rpizarro/624226
Pizarro, R. (24 de 02 de 2020). Regresion lineal de autos. Obtenido de Regresion lineal de autos:
https://rpubs.com/rpizarro/578026
Rodríguez, G. d. (2015). LA CIENCIA DE LOS DATOS Y SU IMPACTO. Revista Científica

ECOCIENCIA, 15.
R-project.org. (01 de 01 de 2019). R-project.org. Obtenido de R-project.org: https://www.r-project.org/
Spiegel, M., Schiller, J., & Srinivasan, R. A. (2007). Probabilidad y Estadística . Mexico D.F: McGraw-
Hill.
Studio, R. (01 de 01 de 2019). R Studio. Obtenido de R Studio: https://rstudio.com/products/rstudio/
Telles Martínez, C. (07 de 02 de 2017). Ishikawa.R. Obtenido de Ishikawa.R:

https://rpubs.com/ctellez_gdl/58735
327
Capítulo 8
Análisis de datos masivos en el campo de la salud
Teresita De Jesús Camacho Cepeda

[email protected]

[email protected]
8.1. Introducción
Este capítulo tiene la finalidad de identificar conceptos básicos sobre el
análisis de datos masivos en el campo de la salud, conocer técnicas y herramientas
para el análisis de estos datos además de conocer la aplicación de Big Data en el
mismo campo.
Se da a conocer el impacto y beneficio que tiene el uso del análisis masivo

en el campo de la salud, así como la importancia de su implementación.
En el marco contextual se mencionan los diferentes tipos de datos que

maneja Big Data al igual que sus características, se hace mención de las fuentes
de datos masivos y la descripción de cada una de estas fuentes.
Así mismo se informa sobre las herramientas Big Data más conocidas y se
da una breve descripción de cada una de ellas.
328
Se muestra la analítica predictiva que es la de objeto de interés para la

aplicación de la propuesta, describiendo algunos de los algoritmos genéricos y se
muestra una tabla con las características de algunos de estos algoritmos, con el
objetivo de identificar su aplicación en la propuesta del sistema de unificación de
contenidos generales del sector salud.
Se menciona la importancia y los beneficios de aplicar Big Data y la influencia

que tiene en el campo o sector salud. Se da a conocer la importación de Big Data
en el sector y los beneficios que brinda en diferentes áreas.
Se describen los beneficios más notorios en el ámbito de la salud y el impacto

de Big Data en la Biomedicina, con ello se enlistan algunos ejemplos.
Se menciona la gran responsabilidad que carga el análisis de datos masivos

y se tipifica un decálogo con puntos que se deben considerar para la protección de
datos sensibles en el campo de la salud.
Se plantea una propuesta para unificar contenidos generales del sector salud
con el objetivo de integrar todos los datos generados por diversas fuentes con la
finalidad de tener una sola base de datos para poder realizar consultas y tener a
disposición y poder realizar predicciones y prevención de enfermedades mejorando
el sector y la calidad de vida de las personas gracias a una atención médica
personalizada utilizando técnicas y herramientas para el análisis masivo de datos,
dando solución a muchas de las problemáticas que actualmente se presentan en
las instituciones de salud.
El presente trabajo académico se justifica dado que la enorme cantidad de

datos generados del sector salud va creciendo de manera exponencial a tal grado
que pareciera imposible acumular toda esa información, gracias a Big Data esta
tarea es posible y aplicado de manera correcta y eficiente se puede anticipar y
prevenir enfermedades.
En el sector salud existen resultados de laboratorio, radiografías, historiales

clínicos y muchos más que implican un gran volumen de estos datos que se generan
329
a gran velocidad y provienen de fuentes muy variadas. Esto justifica plenamente el

desarrollo de este producto académico.
Big Data es cada vez más útil en el sector salud sumado a la introducción de
avances tecnológicos como por ejemplo los relojes inteligentes donde toda esa
información recopilada puede ser utilizada para diagnosticar y tratar a un paciente,
es como tener un registro actualizado y a la mano que se puede estar alimentando
constantemente para que esa información sea utilizada por los profesionales de la
salud.
Big Data permite analizar detalladamente los datos de un lugar del mundo
para identificar tendencias específicas que permitirá predecir y prevenir
enfermedades.
Como objetivo general se pretende describir el análisis del manejo y

procesamiento de datos masivos con el fin de conocer su aplicación en áreas
concretas del campo de la salud mediante el uso de técnicas y herramientas Big
Data.
De manera específica se busca lo siguiente: identificar conceptos del

análisis de datos masivos; mencionar técnicas y herramientas; determinar
aplicaciones de Big Data en el campo de la salud y definir una propuesta de
implementación del análisis de datos en el campo de la salud.
Este documento tiene como propósito realizar una indagación sobre el

análisis de datos masivos en el campo de la salud y dar a conocer cuáles son las
técnicas y herramientas que se utilizan actualmente para el uso masivo de la
información, así como adopción e integración de Big Data en este sector, aunado a
conocer los beneficios que trae consigo el uso de esta tendencia en el sector.
El uso de datos en el ámbito de la salud puede dar mucha información

experiencias previas para tomar medidas y encontrar soluciones exitosas en
relación al bienestar del paciente (Martínez Velasco, 2019).
330

En primer lugar, es importante estar familiarizados con el significado de Big
Data, también conocido como Análisis de Datos Masivos.
8.2.1. Datos masivos y Big Data

El manejo de datos masivos actualmente es una tendencia tecnológica
conocida como Big Data que maneja grandes y complejos conjuntos de datos e
información difíciles de procesar utilizando herramientas convencionales, la
dificultad está en cómo acceder, distribuir y utilizar la gran cantidad de datos “No
Estructurados” para que ayuden a tomar mejores decisiones (Joyanes Aguilar,
2013).
La situación que presenta el sector salud es que los pacientes y hospitales

generan y almacenan grandes cantidades de datos en formatos de papel o
electrónicos que impiden utilizar la información de manera eficiente.
Big Data se convierte en una gran oportunidad de acceder a grandes

cantidades de información, es decir, obtener más información contextualizada,
diagnósticos concretos y correctos, y atención personalizada. El almacenamiento
de grandes cantidades de datos hace posible un avance significativo en la
prevención y diagnóstico con una constante conexión con diferentes sectores de
salud a nivel mundial facilitando un diagnóstico con parámetros más amplios a los
que estábamos acostumbrados antes de tener esta tecnología.
Dentro del análisis masivo de datos se encuentra la analítica predictiva que

no es más que el almacenamiento de grandes cantidades de información tanto del
sector público o privado en el sector salud para detectar patrones de enfermedades
y disminuir su afectación en los pacientes.
Varias prácticas de la medicina se ven favorecidas por la actual tecnología

ya que tiene gran impacto en la sociedad pues mejora el diagnóstico y tratamiento,
ayuda a que la intervención sea menos invasiva en la atención del paciente.
La atención médica del futuro será más eficaz si se logra aprovechar el

potencial de la gran cantidad de datos que se tendrán. Mucho se habla de la relación
331
de Big Data con la Medicina de las “4P”, personalizada, predictiva, preventiva y

participativa, la cual significa un cambio de paradigma en el modelo de atención
médica, que hace posible tratar al paciente en etapas iniciales de su enfermedad.
(Vidal Ledo, Morales Suárez, Menéndez Bravo, González Cárdena, & Portuondo
Sao, 2020)
● Personalizada: Gracias a Big Data y a los avances de la aplicación del genoma

humano en la medicina se podrá ofrecer al paciente la terapia más adecuada.
● Predictiva: El Big Data y el análisis de datos procedentes de sensores que miden
frecuencia cardiaca, frecuencia respiratoria, presión sanguínea, entre otros, en
conjunto con análisis clínico o radiografías se puede detectar alguna infección
antes de padecer síntomas.
● Preventiva: El impacto del Big Data en la medicina preventiva con gran
repercusión fue un ejemplo en el caso de la actriz Angelina Jolie ya que se realizó
una prueba de secuenciación de ADN y reveló que tenía una mutación en el gen
BRCA1 que aumentaba hasta en un 87% la probabilidad de cáncer de mama,
gracias al diagnóstico temprano y a la doble mastectomía se previno la
enfermedad.
● Participativa: Big Data aprovechará todos los datos de los wearables (vestimenta
dotada de sensores), como el pulso, glucosa, temperatura para mejorar la
atención de los pacientes y estén enterados de su salud actual.
Para poder utilizar el máximo de Big Data lo mejor sería capturar, almacenar
y analizar todo dato existente sobre análisis clínicos, historiales médicos,
secuenciación de ADN de pacientes, informaciones de redes sociales para
conformar una base de datos compartida entre el sector salud.
8.2.2. Big Data

El Big Data tiene que ver con la recopilación de datos, estos pueden ser de
fuentes tradicionales o de fuentes digitales tanto dentro como fuera de una empresa.
El concepto Big Data también hace referencia a un grupo de tecnologías y

herramientas que son capaces de capturar, almacenar y procesar enormes
cantidades de datos en poco tiempo y con un costo aceptable para una empresa.
332
Big Data se conoce como una nueva generación de tecnologías, arquitecturas y

estrategias diseñadas especialmente para la captura y el análisis de grandes
volúmenes de datos que son provenientes de diferentes fuentes a una muy alta
velocidad con la finalidad de obtener valor económico de ellos.
El Big Data se puede encontrar en datos digitales como por ejemplo el

comportamiento de la web o las interacciones de las redes sociales.
Es importante una vez que se menciona el significado Big Data conocer sus
Vs. En total son 7 Vs:
Figura 1. Las 7 Vs del Big Data. (Montealegre Gallo, 2017)

● Volumen: Esta es una característica que se refiere a las grandes cantidades
masivas de datos que tienen que ser procesadas y analizadas por la Tecnología
Big Data.
● Variedad: En esta característica tiene que ver con los diferentes tipos de fuentes
de datos que Big Data puede admitir y gestionar. Estos tipos de datos pueden
ser estructurados (es decir bien definidos o los datawarehouse) y también no
estructurados (como las radiografías o resonancias magnéticas). Este punto
significa que los datos son diferentes en función de sus características
dependiendo de su origen, forma, tipo, estructurados o no estructurados.
● Velocidad: Esta característica se refiere a datos en movimiento, es decir la
velocidad del flujo de datos, desde que se originan hasta que se presentan como
información útil para la toma de decisiones; para determinados propósitos en el
sector salud resulta crítico que la rapidez con la que se realizan estos procesos
sea la más cercana a la realidad ya que se podría salvar una vida.
333
● Veracidad: Esta característica se refiere a la fiabilidad de los datos, que la

información sea de calidad y sobre todo veraz, pero por mucho que se dedique
a la limpieza de los datos para obtener mejor calidad, en algunos casos no se
puede eliminar la imprevisibilidad ni la incertidumbre, aun así, estos datos
masivos deben tenerse en cuenta.
● Variabilidad: ¿El flujo de datos es regular, o varía? ¿Se puede contar con estos
datos incluso en condiciones impredecibles? Esta V se refiere a la necesidad de
obtener datos relevantes considerando todas las circunstancias posibles.
● Visualización: Es la posibilidad de identificar patrones y claves útiles, poder ser
visualizado de manera ágil, con herramientas dinámicas que permitan su
representación para la constante búsqueda de variables o tendencias que
ayuden a los procesos de negocio.
● Valor: Big Data es una combinación de las anteriores. Cada empresa podrá
adoptar esta tecnología bajo diferentes enfoques, pero con un objetivo común:
mejorar el rendimiento y la toma de decisiones. (Sánchez Villaseñor, 2019).
8.2.3. Tipos de Datos

Actualmente un hospital promedio arroja 665 Terabytes de datos al año, pero
en su mayoría no son útiles ya que por lo menos el 80% de estos datos son “No
estructurados”, lograr que toda esta información sea útil sería de gran ayuda en el
sector salud.
El manejo de Datos Masivos se distingue por manejar datos estructurados,

datos semiestructurados y datos no estructurados.
Datos Estructurados: Son los datos que ya tienen un esquema definido, que
pueden ser ingresados a un campo específico como fecha, numero o nombre y
almacenarlos en tablas.
Datos Semiestructurados: Son los datos que no tienen un esquema o campo

definido, pero tienen muchas etiquetas o marcadores para distinguir los diferentes
elementos del dato, por ejemplo, los datos clínicos.
334
Datos no estructurados: Son los datos que no tienen esquema o campo

determinado y no es posible almacenarlos en tablas, son tomados en cuenta como
objetos o documentos (Joyanes Aguilar, 2013).
La figura 2, identifica de otra manera el concepto de los tipos de datos.
Figura 2. Tipos de Datos Big Data. (Facultad de Estudios Estadísticos. , s.f.)
8.2.4. La fuente (Captura) de Datos Masivos

Existen cinco categorías de fuentes de datos, cada una de ellas comprende
diferente tipo de información, los que se mencionan se refieren al sector salud.
● Wen and Social Median: Obtiene datos de clicks, Twitter, Facebook, blogs y
contenidos web, Big Data puede recabar datos abundantes para el sector salud
por medio de redes sociales específicas para profesionales de la medicina.
● Machine- to- Machine (M2M): Es la tecnología que permite la conexión entre
dispositivos como los sensores que registran datos específicos como la
temperatura, humedad, velocidad, presión también pueden ser las lecturas de
medidores inteligentes, RFID, y señales GPS. En el caso del sector salud los
que recaban los datos pueden ser los datos y sensores en dispositivos
weareables, también de Smartphone con pacientes monitorizados.
● Big Transaction Data: Estos datos transaccionales pueden ser datos
estructurados o datos no estructurados, provenientes de telecomunicaciones o
registros de llamadas.
● Biometrics: Es toda información Biométrica como huellas digitales, el escaneo
de retina, el reconocimiento facial, en el caso del sector salud la genética
(ADN).
335
● Human Generated: Son datos que generan las personas, por ejemplo, los datos
que se guardan en los Call Center en las llamadas telefónicas, notas de voz,
documentos, correos electrónicos y en caso del sector salud estudios médicos,
registros electrónicos o recetas médicas.
Figura 3. Fuente de Datos Masivos Big Data. (Rayo, 2017)
8.2.5. Herramientas Big Data.

El manejo de Datos Masivos necesita utilizar herramientas que puedan
capturar datos de diferentes fuentes, la plataforma Apache Hadoop es la que se
ha utilizado desde los inicios en distintos proyectos Big Data; Oracle, IBM y
Microsoft aparecen como los principales proveedores de herramientas Big Data.
Con respecto a Hadoop, este tiene tres componentes fundamentales:
● Hadoop Distributed File System (HDFS): Son datos que están en el clúster de
Hadoop que se segmentan en partes pequeñas a las que se les llama bloques y
que estos a su vez se distribuyen por el clúster y así la función map y reduce son
ejecutadas en subconjuntos pequeños, procesan grandes volúmenes de datos.
● Hadoop MapReduce: Es el componente principal de Hadoop, MapReduce tiene
que ver con que Hadoop realice dos procesos por separado: map selecciona un
conjunto de datos y lo convierte en otro donde son divididos en tuplas (pares
clave/valor); reduce obtiene la salida de map como datos de entrada y mezcla
las tuplas en un conjunto más pequeño de las mismas.
● Hadoop Common: Son librerías que soporta Hadoop.
La tabla 1 identifica otros aspectos de Big Data relacionados con Hadoop.
Tabla 1
336
Herramientas Big Data
Plataforma Descripción
Hadoop Maneja grandes volúmenes de datos y distribuye cargas de

procesamiento, compuesto por Map Reduce y archivos distribuidos
PIG Lenguaje de alto nivel para flujo de datos, paraleliza grandes volúmenes
de tipo MapReduce que pueden ser interpretados por Hadoop
MAHAOUT Biblioteca escalable para hacer minería de datos y aprendizaje

automático, se integra con otras herramientas Hadoop, entorno de trabajo
similar R
Hbase Administrador de base de datos para ambiente distribuidos
Spark Motor de base de datos que usa Hadoop, con soporte para aprendizaje
automático. Compatible con Python R y SQL
Cassandra Gestor de Base de datos a gran escala para datos de misión crítica,
escalable, tolerante a fallas y alta replicación
8.2.6. Analítica Predictiva

La analítica predictiva existe desde hace décadas antes de que se diera a
conocer su gran importancia gracias a las opciones que ofrece Big Data como la
gran cantidad de datos que se capturan de personas como transacciones en línea
o redes sociales, sensores como dispositivos GPS, así como el poder de
procesamiento que se hizo costeable tanto en la nube como en Hadoop.
La analítica predictiva se refiere a una tecnología que aprende con base en

los datos (experiencia) para predecir un comportamiento para mejores decisiones.
La esencia de los datos masivos es que permite hacer predicciones, al aplicar
matemáticas a grandes cantidades de datos se puede hacer probabilidades.
Por ejemplo en el ámbito de la salud en términos predictivos y como lo

menciona Gutiérrez Martínez & Febles Estrada, (2019) “La medicina del futuro será
mucho más eficaz si se logra aprovechar mejor el potencial que representarán la
gran cantidad de datos que se tendrán” (Gutiérrez Martínez & Febles Estrada, 2019)
337
La analítica predictiva se materializa por la creación de modelos predictivos,

un modelo predictivo es como un mecanismo que va a predecir el comportamiento
de un individuo por ejemplo con un click o una compra, las características del
individuo se toman como datos entrantes y de salida genera una puntuación
predictiva, entre más sea su puntuación, las probabilidades son mayores de que el
individuo muestre un comportamiento predictivo.
En los modelos predictivos se aplican funciones matemáticas y algoritmos

para determinar una correlación entre un conjunto de datos de entrada, los
algoritmos son parte de los métodos y técnicas de la minería de datos.
Existe un grupo de algoritmos genéricos que apoyan a la analítica predictiva:
● Máquinas de vectores de soporte (SVM): Son algoritmos de aprendizaje

supervisado para dar solución a problemas de clasificación y regresión, este
construye hiperplanos en un espacio de dimensión mayor al encontrado
calculando al que proporcione mayor separación entre los dos subconjuntos será
el hiperplano óptimo, esto les dará etiqueta de clase y función de regresión que
otorga el valor predictivo.
● Redes Neuronales (NN): Aquí se presenta una estructura de aprendizaje
automatizado basado en el sistema nervioso de animales, está constituido por
un conjunto de nodos conectados entre sí, establece una correlación entre los
nodos de entrada y destino.
● Árboles de Decisión: Con base en un conjunto de datos se construye un
diagrama de construcción lógica, este modelo es más fácil de usar y entender,
se parece al sistema de predicción basado en reglas, sirve para presentar una
serie de condiciones sucesivas para solucionar un problema.
● De agregación o clustering: Es un conjunto de técnicas para clasificar un
conjunto de individuos en grupos homogéneos. De los más usados el algoritmo
k-means trata de obtener una partición de un conjunto con n observaciones en
k número de grupos, en donde cada observación es del grupo más cercano a la
media, estos elementos son los centroides, el conjunto inicial elige al azar al
338
centroide (partición), calcula la media a cada grupo y repite el proceso hasta que
el centroide es el mismo.
● Reglas de asociación: Esta aplica si la importancia está en las asociaciones de
los elementos de entrada tomando en cuenta que la variable destino no es
importante, un claro ejemplo es que hay de común en las personas que compran
leche y pañales y además cerveza, este es un análisis de cesta de compra
utilizado en decisiones de marketing.
8.2.7. Herramientas del Análisis Predictivo

Las organizaciones a nivel mundial están dándole mucho valor al análisis
predictivo. Así mismo, están poniendo mucho énfasis en adquirir herramientas que
les permitan hacer este tipo de análisis.
Algunos fabricantes de herramientas para análisis predictivo sería los

siguientes:
● IBM: Tiene un conjunto importante de prestaciones y pone la predicción en el

centro. Tiene una opción para cada organización que empieza un análisis
predictivo. Su software ofrece realizar modelos, análisis y aplicaciones
predictivas ya sea en la empresa físicamente como en la nube.
● SAS: Es una potencia en la analítica, ofrece casi toda característica de un
científico de datos. Se actualiza con base en las necesidades de usuarios. SAS
Visual Analytics ofrece solución “Todo- en- uno”, herramientas de visualización
y de análisis predictivo, estas soluciones se añaden a las de código abierto de
R, Python y Hadoop.
● Actores Fuertes (Strong Performers): Pertenece al grupo de Oracle, Dell,
Alpine Data Labs, Alteryx, RapidMiner entre otros, todos tienen atractivo en sus
productos lo cual los hacen buenas opciones para las empresas, los que tienen
mejor puntaje en la estrategia son Oracle, Alteryx y RapidMiner solo por
mencionar algunos.
● Microsoft y Predixion software: Son también de esta categoría, Microsoft se
centra en los servicios de la nube al igual que Predixion Software, pero este le
da capacidades de análisis predictivo a Excel.
339
● Código Abierto: El software de código abierto es un motor de análisis predictivo,

el lenguaje de programación de código abierto R para estadísticas y análisis
predictivo siempre ha estado presente y es de los más apoyados. Los
desarrolladores de aplicaciones cuentan con bibliotecas API así reparan datos y
construyen modelos predictivos utilizando Python, Java y Scala, en Python se
puede utilizar NumPy y Scipy para preparar datos y construir modelos
predictivos.
8.2.8. Big Data en Sector Salud

De acuerdo a la necesidad de los datos en el campo de la dalus y como lo
menciona Biedma Ferrer & Bourret, (2019) “en la próxima década la medicina
estará caracterizada por la utilización intensiva e inteligente de los datos” (Biedma
Ferrer & Bourret, 2019).
Big Data aporta un gran beneficio al sector salud tanto para la prevención,
detección y tratamiento de padecimientos, se enlistan algunos de los beneficios:
● Mejora el diagnóstico por parte de los médicos debido a que se les brinda
información ordenada como punto de referencia.
● Existe un mayor control con la asistencia y comunicación con los pacientes.
● Se puede predecir alguna enfermedad con base en el historial médico del
paciente.
● Se agilizan los sistemas de gestión y de pago a proveedores.
● Ayuda a los investigadores con búsqueda de tratamientos.
Cabe mencionar que para poder aprovechar todos estos beneficios y que
todo este desarrollo tecnológico tenga impacto en la calidad y eficiencia en el sector
salud o en cualquier otro, será de suma importancia crear una cultura tecnológica
que pueda garantizar un buen manejo de esta, ligado a la ética, valores y
responsabilidad del uso de la misma.
Para sacar el máximo de Big Data es necesario capturar, almacenar y

analizar todos los datos sobre ensayos clínicos, historiales médicos, secuenciación
de ADN, información de redes sociales, entre otros, con la finalidad de formar una
340
gran base de datos donde se involucre toda institución relacionada con el sector. La
figura 4, identifica un ecosistema de fuentes de datos que se pueden aprovechar en
el sector salud.
Figura 4. Integración de Fuentes Datos en el sector salud. (IDC Salud, 2013)
Las técnicas de Big Data se enfrentan a algunos retos ocasionados por el

avance de mecanismos de almacenamiento y gestión de datos, computación en
la nube y por los resultados que permiten obtener, almacenar y procesar datos de
todo tipo, se enlistan algunos:
● Necesidad de integrar la información.

● Documentar la información de manera digital sin mayor esfuerzo por los
profesionales de la salud.
● Analizar datos no estructurados.
● Si los de datos (stocks de información) cuya integración se tendrá que asimilar.
● La parte técnica y legal que brinde seguridad al compartir e intercambiar datos.
● Medios para asegurar la calidad.
8.2.8.1. Importancia de aplicar Big Data en el Sector Salud

A continuación, se tipifica la importancia de aplicar Big Data el el Sector
Salud:
● Costo vs Efectividad: Con la aplicación de Big Data se mejora el análisis de

costo vs efectividad de los tratamientos para poblaciones específicas.
Actualmente se sufre un cambio demográfico y epidemiológico constante en
341
todo el planeta aunado al avance tecnológico; todo el sector salud enfrenta

presión por el gasto, esto obliga a los gobiernos a determinar cuáles son los
tratamientos que no ponen en riesgo la sustentabilidad financiera del sector. Big
Data brinda la oportunidad de que se cambie la estrategia de detectar a los
pacientes con alto costo de atención por la atención del impacto de diferentes
tratamientos para obtener el más costeable.
● La Mortalidad: Big Data previene la mortalidad por diferentes enfermedades, la
implementación de infinidad de sensores como en los celulares, ropa entre otros
ayudan a tener un monitoreo constante y masivo que si se analizan de manera
adecuada se puede enviar una alerta al prestador de salud más cercano para
que alguna persona con falla cardiaca por ejemplo sea atendida de manera
inmediata.
● Cuidados Intensivos: En el sector salud hay servicios que presentan mayor
riesgo para los pacientes que otros como es el caso de cuidados intensivos ya
que se interactúa con muchas variantes constantemente, el análisis Big Data
crea mejores estrategias para minimizar riegos como, por ejemplo: infecciones
por la aplicación de catéteres, sangrados abundantes o medicaciones
incorrectas.
● Epidemias: El uso de Big Data es útil para determinar por medio de dispositivos
móviles o redes sociales puntos de infección o dispersión de un modo más
rápido y preciso, ya que en las recientes pandemias para ser más específicos
del ébola y chikungunya se mostraron deficiencias en el sistema de vigilancia de
nuestra región dejando ver la intervención tardía con impacto notable en el
aumento de mortalidad por esta pandemia. Actualmente el panorama del
COVID19.
● Análisis de Factores de Riesgo: La alimentación, la salubridad, el medio
ambiente, la educación y el empleo son factores de los que depende el sector
salud, de manera que si Big Data realiza cualquier mejora en los sectores
mencionados ocasiona un gran impacto en la salud de la población.
342
8.2.8.2. Aplicaciones Big Data en Sector Salud

En el sector salud se registran petabytes de datos (petabyte (PB) equivale
1015 bytes = 1 000 000 000 000 000 de bytes) en su mayoría esta información no es
empleada para la práctica médica, descubrir métodos o conocimientos, o bien para
hacer pruebas, ya que actualmente la atención médica sigue siendo personalizada,
el diagnostico se determina con base en la interpretación de los médicos y teniendo
en cuenta ese diagnóstico se aplica tratamiento a la persona atendida, así crea la
posibilidad de hacer un registro de cada una de las citas del paciente, esto facilita
el acceso a un formato electrónico, que pueda personalizar las recomendaciones al
paciente.
La integración de un sistema inteligente que se alimente de datos con base

en la experiencia diaria y que se documente en bases de datos clínicos y que estas
a su vez permitan extraer y dar a conocer nueva información de manera constante
para mejorar la calidad del sector salud.
Los mayores beneficios se darían en hospitales, clínicas públicas y privadas,

las farmacéuticas y claro que los pacientes. Las consultoras Garther y Forrester
mencionan que el ahorro del sector salud de los Estado Unidos al aplicar Big Data
es de alrededor de 300 millones de dólares. En la figura 5 se presentan algunas
industrias beneficiadas con el uso del Big Data.
Figura 5. Industrias que usan Big Data. (QuestionPro, 2019)
A continuación, se mencionan algunos de los beneficios más notables en el

sector salud:
343
8.2.8.2.1. Gestión Hospitalaria

La detallada información de los tratamientos de pacientes puede definir
cuáles son los tratamientos más eficientes ya sea de manera individual o grupal. El
análisis de datos ayudaría a la buena toma de decisiones médicas y así facilitar el
detectar algún error en los tratamientos médicos.
Conocer cuáles son las instituciones de salud con mayor rendimiento, el desempeño
profesional y si los procedimientos son los adecuados.
Con base en los perfiles de pacientes se pueden obtener modelos

predictivos.
En la parte financiera y contable se podría implementar un sistema de pago

automatizado que lleve un control de gastos de la institución.
8.2.8.2.2. Industria Farmacéutica

Sin duda alguna, la industria farmacéutica es una de las más importantes
empresas a nivel mundial por lo que estas aportan. En este campo los datos
masivos también pueden ser de mucha utilidad. Por ejemplo:
● Las técnicas actuales de análisis de datos masivos pueden mejorar cualquier
análisis.
● Brinda los pormenores de los resultados de ensayos clínicos.
● Aporta una mejora en la planificación, diseño y selección de ensayos clínicos en
potenciales pacientes.
● Avances en el estudio de ADN.
● Análisis en los patrones de enfermedades.
● Reducción de costos para desarrollo en fármacos.
En general la aplicación de Big Data en el sector salud mejoraría de

manera considerable la calidad de la asistencia médica, aumentaría la
satisfacción del paciente ya se tendrían nuevas formas de atención y la eficacia
de la industria farmacéutica aumentaría.
En otros casos de aplicación de Big Data en la salud seguirán surgiendo

modelos nuevos de negocios basados en la virtualización, aplicaciones móviles,
344
seguimiento a pacientes y protocolos cambiarán totalmente el sector de como lo

conocemos actualmente. El informe que fue publicado por la Universidad
Internacional de Valencia señala que las búsquedas que se realizan en internet
ayudan a detectar pandemias, predicen casos de gripe y realizan estimaciones
de salud pública.
8.2.8.3. Big Data en la Biomedicina

La aplicación de Big Data en el sector salud es un claro ejemplo de cómo
el análisis inteligente puede mejorar nuestra vida diaria.
En los Estados Unidos y Canadá ya son conocidos los beneficios de utilizar

Big Data en la Biomedicina, ahora si se reflexiona sobre la cantidad de información
relacionada a un paciente solo por mencionar algunos como: grupo sanguíneo,
presión sanguínea, nivel de glucosa, alérgenos, patologías y resonancias
magnéticas, si combinamos esta información con la edad, género, hábitos
alimenticios, actividad física se puede diseñar política de atención sanitaria,
protocolos y tratamientos que se aproximan a la biomédica centrada en un paciente.
El sector salud ha evolucionado al grado de utilizar Big Data y la inteligencia

artificial para ámbitos administrativos y de asistencias como es el caso de la cirugía
asistida por robot o en la enfermería asistentes virtuales.
En la actualidad ya no es de sorprenderse el utilizar la implantación de

dispositivos subcutáneos que recopilan información de nuestra salud para
mejorarla, gracias al uso de análisis inteligentes que predicen determinados
escenarios que Big Data hace posible, tampoco desconocemos la integración de
dispositivos en prendas de vestir que monitorizan los signos vitales las 24 horas del
día o el desarrollo de análisis inteligente en robótica quirúrgica.
Big Data se retroalimenta debido a que el análisis inteligente hace posible

la creación de mejores dispositivos biotecnológicos que recolectan más
información y de mayor calidad permitiendo un avance mayor en este campo.
El análisis de secuenciación de ADN es gracias al aumento de capacidad

de procesamiento y almacenamiento de datos aunado a la evolución de
345
algoritmos. Hace 10 años obtener la secuenciación del genoma humano tenía un

costo de 1 billón de dólares actualmente.
Ufe Technologies presentó una herramienta llamada Ion Proton, esta

herramienta es capaz de secuenciar por completo el genoma humano en un día
por un monto de 1000 dólares los precios irán bajando hasta que se pueda
obtener esta información por algunos cientos de dólares, este descenso se debe
a la gran evolución en la medicina, la importancia de este evento es obtener el
ADN de millones de personas y cruzar todos esos datos.
El genoma de una persona es de aproximadamente 100 gigabytes que es

lo equivalente a 102 400 fotografías, es decir un millón de genomas serían cientos
de petabytes de datos, el beneficio se encuentra en combinar el perfil genético
con los datos del día a día más el entorno en el que se encuentra para saber a la
perfección los riesgos de padecer cáncer, diabetes o alguna otra enfermedad.
Esta inteligencia lleva a la medicina personalizada donde se conocerá el

tratamiento correcto para el paciente en el momento correcto, el beneficio no solo
es en el diagnóstico como anteriormente ya se mencionó, sino también se aplica
a la farmacéutica con la creación de nuevos medicamentos más eficaces y por
ende la reducción de costes.
8.2.8.4. Big Data Revolucionando el Sector Salud

Big Data está revolucionando el sector, se considera que es el sector que
menos utiliza la información de manera correcta para adaptarse a las necesidades
del paciente probablemente sea por la crisis económica que tiene en cintura al
sector, así que si queremos hacer sostenible el sector estamos obligados a aplicar
la medicina de precisión, es decir, darle a cada quien lo que necesita, se tiene que
ser efectivo y adelantarse a las necesidades de los pacientes para la prevención de
enfermedades.
La medicina de precisión se basa en tres pilares:

● El incremento de la capacidad de lectura del ADN, incluida la técnica de
secuenciación masiva y de ensamblaje para una lectura coherente.
346
● Consolidación de Big Data y el análisis de datos en la biomedicina.

● Utilizar los datos en la práctica clínica: ensayos clínicos a la medida,
farmacogenómica, terapia digital y fármacos personalizados.
La propuesta de ofrecer más calidad, mejor atención y obtener la reducción

de costes en el sector salud, solo se va a lograr manejando la información de
manera correcta.
Big Data en pocas palabras es la disponibilidad del volumen masivo de datos

de una gran variedad que permiten su análisis para poder identificar tendencias y
patrones de comportamiento, el concepto está ligado al de reutilización y liberación
de datos por lo que estos son transformados en información,
Con lo anterior se crea la necesidad de tener bases de datos abiertas para

que la comunidad científica pueda utilizarlos bajo un marco regulatorio con base en
la confidencialidad y a la privacidad, esta información debe ser protegida y es
obligatorio evitar que el uso de datos de la salud identifique a las personas a menos
de que sea bajo su consentimiento, es importante mencionar que actualmente
existen las herramientas necesarias para el manejo correcto de los datos.
Actualmente la mayoría de las organizaciones sanitarias clasifican a los

pacientes según el riesgo, centrando la atención en los grupos más vulnerables,
además los avances en relación a la genética y en la medicina personalizada
permite usar biobancos de ADN y así poder hacer predicciones sobre enfermedades
futuras de una persona, para poder lograrlo se utilizan complejos sistemas de
análisis que estudian la relación entre los genes y las patologías como el cáncer y
además analiza el ADN para definir si una personas es propensa de padecer alguna
enfermedad específica.
Se enuncian algunos ejemplos para revolucionar el sector con Big Data:
● Predicción de hospitalización con base en patologías por factores

ambientales.
● Identificación de pacientes de alto riesgo.
● Toma de decisiones en consulta.
347
● Análisis de salud de toda la población.

● Seguimiento de tendencias.
● Ensayos clínicos, Big Data encontrará al paciente y realizará el proceso casi
automático.
● Efectividad de medicamentos y seguimiento de efectos secundarios.
● Evaluación del sector salud.
● Vigilancia epidemiológica.
8.2.8.5. Responsabilidad del Big Data

Big Data trae innumerables beneficios en el sector salud, pero también
riesgos. La ética es una disciplina que interactúa con lo jurídico-político que brinda
un tipo de guía para realizar acciones, si se toma en cuenta sólo a manera de
reflexión se estaría cayendo en un gran error.
Los profesionales de la salud están incorporando sus prácticas en nuevos

sistemas de registro y almacenamiento de datos para utilizarlos en lo que se llama
el gobierno electrónico y gracias a esto se tiene una sensación de pérdida de
privacidad en este caso el ejercicio de la salud está olvidando el concepto de secreto
profesional.
Es cierto que gracias a las tecnologías de la información se mejora la

atención médica, facilita el acceso y mejora el sistema, sin embargo, esta
información personal requiere cuidados especiales.
Durante el intercambio y comparación de bases de datos surgen riesgos y

problemas éticos debido a que la naturaleza del Big Data es cambiante no se
distingue la práctica académica y comercial.
Actualmente se tiene la propuesta de un decálogo que es importante analizar,

tomar en cuenta lo jurídico-político y tener claro que se puede y debe modificar en
caso de riesgos y nuevos retos en el manejo masivo de la información:
● i. Reconocer que datos son de personas y pueden hacer daño si se utilizan de

manera incorrecta: La identificación personal y grupal sumada a la
estigmatización brinda la posibilidad de la identificación personal y la
348
geolocalización, siempre se debe tener presente que los datos provienen de

personas y que aunque los datos no tienen dignidad, estos datos son de una
persona que cuenta con ella.
● ii La privacidad es más que un valor: Si la intención fuera tomar en cuenta solo
lo “Publico” o “Privado” se realizaría una reducción de un espectro muy complejo.
Privado va más allá de decir que no es público y público no quiere decir que es
cualquier dato, por eso se tiene que tomar en cuenta diferentes espectros de
datos: ¿Cuáles?, ¿Quiénes?, ¿Para qué?, ¿Por qué? etc.
● iii Protegerse contra la re-identificación de datos: Es uno de los puntos más
complejos desde el punto de vista técnico, se sabe que los metadatos ya son
una realidad cotidiana como las redes sociales, correos entre otros, dan aviso
de que son usados para brindar un mejor servicio, de igual manera existe la
posibilidad de que se disgregan y se encripten para la protección de los mismos.
● iv Intercambio Ético de datos: El acceso democrático sería un buen paso a
seguir, obtener los consentimientos, no vender o transferir las bases de datos
entre particulares, este sería un buen inicio para establecer una base.
● v Fortalezas y limitaciones de Datos: Big no es sinónimo de automáticamente
será mejor, los datos deben ser completos para el fin deseado, además correctos
para hacer asociaciones y predicciones correctas.
● vi Debatir las decisiones de ética difíciles: Hay muchas decisiones que deben
ser totalmente plurales y democráticas, esto implica a todos al igual que el Big
Data, ¿Cómo será la intervención del Big Data a nivel global?, ¿Qué papel
tendrían los comités de bioética?, ¿Cuál y cómo será el marco jurídico?, ¿Cómo
manejar y explicar conflictos de interés con base en el manejo de datos? etc.
● vii Crear un código ya sea de conducta, de industria o de comunidad de
investigación: Los códigos o reglas no son mágicos, pero si todos estamos
dispuestos a seguirlos tienen más fuerza que si se imponen por alguna
autoridad.
● viii Crear diseños de datos y sistemas que sean fáciles de auditar: La
transparencia de la ética y lo legal deberá ser lo primero que empecemos a
construir ante el Big Data, la transparencia no solo debe ser en los datos que se
349
estén manejando, sino que también en las personas que los manejan, esto debe
ser durante todo el proceso no solo en el consentimiento, todo de modo paralelo
con la farmacéutica, aseguradoras, gobiernos entre otros.
● ix Comprometerse con las grandes consecuencias de los datos y las prácticas
de análisis: Una persona a la que se le ha dado seguimiento desde la ecografía
prenatal, el preescolar, primaria, pubertad, adolescencia, redes sociales y más,
la cuestión será ¿en qué momento se le preguntará por su asentimiento?, o si
sus padres son los que darán el consentimiento y por qué o si no están de
acuerdo ¿se tendría que destruir la información?.
● x Saber cuándo romper reglas: Aunque parece contradictorio, se debe estar
abiertos a todas las posibilidades, a cambiar alguna de las propuestas del
decálogo, a eliminar o incluir alguna, finalmente el objetivo es no perder de vista
que la intención es la protección de datos personales.
Se debe estar consciente de todos los riesgos que la tecnología implica en la

intimidad y confidencialidad de datos personales puesto que actualmente no se
tiene un marco normativo que ampare.
8.2.9. Herramientas para el manejo de Datos Masivos

Los proyectos que aplican el análisis masivo de información exigen
exorbitantes capacidades para almacenar, procesar, distribuir y visualizar
información, por esta cuestión se propone el proyecto de unificación de contenidos
generales en sector salud, puesto que el crecimiento de datos en estos campos es
exponencial y como es bien sabido el sector salud ya cuenta con una base de datos,
pero esta no está relacionada con otras fuentes externas.
Por tal motivo se necesita elegir las herramientas a implementar según las
necesidades del sector, en este caso la taxonomía Big Data existen herramientas
de recolección, de almacenamiento, de procesamiento y de visualización.
Figura 6. Taxonomía Big Data.

Fuente: Elaboración propia
350
8.2.9.1. Herramientas de Recolección

Herramienta de Recolección como Chukwa está diseñada para la
recolección y análisis a gran escala de “logs” (grabación secuencial de base de
datos de todos aquellos sucesos que afectan directamente a un proceso particular)
de grandes sistemas distribuidos. Además de contar con las herramientas para
mostrar los resultados del análisis y monitoreo, esta herramienta es guiada por
(HDFS), este es el sistema de archivos distribuidos de Hadoop, heredando su
escalabilidad y robustez, cabe mencionar que Apache Chukwa también ofrece
herramientas de monitoreo y análisis de resultados. Incluye y se divide en agentes
que son ejecutados en cada máquina para la recolección de datos; colectores que
reciben los datos de los agentes y los almacena; procesos ETL (Extract, Transform,
Load) que realizan la extracción, transformación y carga de información de los
colectores y los HICC que permiten la visualización y monitoreo de toda la
información es decir panel central.
Flume es una Herramienta Distribuida para recolección, agregación y

transmisión de ingentes volúmenes de datos de diferentes fuentes, tiene
arquitectura basada en la transmisión de datos altamente flexibles y configurable
que permite adaptarse a cualquier tipo de situación: monitoreo de logs, descarga
de datos de redes sociales o de correos electrónicos entre otros, además el
destino de los datos también se puede configurar es decir no limitarlos a ser
utilizados solo por Hadoop; su arquitectura se compone de:
● Evento: cantidad de datos que Flume transporta.

● Flujo: flujo de datos desde el origen al destino.
● Cliente: se ejecuta en punto de origen y entrega eventos del origen al
agente Flume.
● Agenten: reenvía eventos.
● Source: absorbe los eventos entregados y decide a que canal enviarlos.
● Channel: almacena temporalmente los eventos para garantizar la
durabilidad de flujos.
351
● Sink: elimina eventos del canal, los transmite al siguiente agente o los envía
a la finalización del evento. En la figura 6 se identifican los elementos
citados de Flume.
Figura 6. Apache Flume. (Calvo, 2018)
8.2.9.2. Herramientas de Almacenamiento de Datos Masivos

Cassandra: inicialmente planeado para el proyecto de Facebook, creado
a través de apache es un BD no relacional distribuida (NoSQL) y basada en
modelos de almacenamiento, tiene una gran disponibilidad de los datos además
de ser tolerante a fallos, no exige equipos costosos (hardware) para manipularlos
y guardarlos en la nube.
Cassandra está desarrollado en Java, es de código abierto, funciona de

forma dinámica con implementaciones de código cerrado, su arquitectura se basa
en peer to peer (P2P), es decir, todos los nodos tienen la misma importancia
jerárquica, ningún nodo tienen roles diferentes y son distribuidos de la misma
manera para evitar fallos, así se garantiza la ubicación y el estado de la
información, esta información está disponibles en cualquier momento y garantiza
un alto nivel de sincronización. La imagen 7 resume las características de
Cassandra como manejador de base de datos del tipo NoSQL.
Figura 7.Característias de Cassandra (Requena Mesa, 2019).
352
Apache HBase: base de datos no SQL de tipo columna es ejecutado en

HDFS, es un sistema de gestión de bases de datos de correlación ordenada,
distribuido y vacío que se ejecuta en un sistema de archivos distribuidos y está
compuesto por:
● Servidor Maestro: administra las regiones y equilibra las cargas.

● Servidor de Región: realizan el trabajo y establecen la comunicación con
el cliente, quien consulta la información.
● HFiles: representación física de datos en HBase, una característica es que
no se habla de tipos de datos todo el almacenamiento es en Bytes.
A continuación, se muestra una tabla con las diferentes características de

Cassandra, Big Table. En la imagen de la figura 9 se muestra un resumen del
comparativo entre las tres herramientas mencionadas.
Figura 8. Comparativo Cassandra vs Big Table vs HBase

353
Mongo BD: brinda escalabilidad, rendimiento tanto en escritura como en

lectura y elevada disponibilidad, se basa en colecciones y documentos, tiene un
conjunto de archivos existentes en un solo servidor. Las colecciones son un
conjunto de documentos de base de datos, esta colección está dentro de una
única base de datos y dentro de la colección hay datos variados, aunque con el
mismo objetivo. Los documentos tienen designado clave –valor, está relacionado
con esquemas dinámicos y permite tener diferentes estructuras en una sola
colección y estos a su vez pueden tener diferentes tipos de datos.
Neo4j: es una base de datos orientada a grafos, especialmente utilizada

para los datos no estructurados, esta base de datos es de las más utilizadas en
Big Data, actualmente es utilizada para detectar fraudes en el sector bancario.
Utiliza grafos para la representación de datos y la relación de ellos, para poder
llevarlo a cabo hace uso de distintos tipos de grafos: grafos no dirigidos: que sus
nodos y relaciones son intercambiables; grafos dirigidos: sus nodos y relaciones
no son bidireccionales; grafos con peso en donde a las relaciones entre nodos se
le asigna valor y después realiza operaciones; grafos etiquetados, definen los
vértices con base en sus etiquetas asignadas; grafos con propiedad: tiene peso y
etiquetas en que se asignan propiedades. La siguiente tabla resume las
características y Beneficios de Neo4j
Tabla 2
Características y Beneficios Neo4j.
Característica Beneficio
Open Source Utilizada por miles de organizaciones
Interfaz Amigable Es la mayor comunidad y más activa
Modelamiento de datos fácil Brinda mayor rendimiento de lectura y
escritura, ofrece alto rendimiento y velocidad
sin desproteger la integridad de los datos
Consultas legibles Alto rendimiento en procesamiento y

almacenamiento, incluso con el crecimiento
de datos.
Alto rendimiento Fácil de aprender y dominar
354
Hive: inicialmente creada para hacer Hadoop más fácil de operar y

administrar ingentes cantidades de datos almacenados en un ambiente
distribuido, tiene un lenguaje similar al de SQL llamado Query Language (HQL),
estas sentencias HQL son separadas por un servicio de Hive y enviadas a un
proceso MapReduce ejecutados por el cluster de Hadoop, esta infraestructura
funciona en la parte superior a Hadoop y está optimizado para realizar lecturas de
bases de datos, la siguiente figura 10 muestra su arquitectura.
Jaql: fue donado por IBM a la comunidad de software libre, tiene como
objetivo que el desarrollador de aplicaciones Hadoop se centre en que quiere
obtener y no como obtenerlo, analiza la lógica y la distribuye en mappers y reducers
solo cuando es y donde sea necesario, combina la facilidad de uso de un lenguaje
de alto nivel con la capacidad de paralelismo y rendimiento de Hadoop.
Jaql tiene una infraestructura flexible para administrar y analizar datos

semiestructurados como por ejemplo XML y CSV entre otros.
Oozie: permite ejecutar un conjunto de aplicaciones de Hadoop, en

secuencia específica comúnmente conocido como flujo de trabajo, es de código
abierto, simplifica el flujo de trabajo y la coordinación entre cada proceso, permite
que el usuario defina acciones y las dependencias entre las mismas.
Redis: es de código abierto, es compatible con estructuras de datos como

hilos, hash, conjuntos ordenados y de consultas de rango, mapas de bits y de
índices geoespaciales con consultas de radio, es un motor de bases de datos en
memoria con base en el almacenamiento en tablas de hashes pero si así es
decidido puede usarcé como un base de datos persistente y durable.
8.2.9.3. Herramientas de Procesamiento

Pig: permite a usuarios Hadoop analizar conjuntos de datos y enfocarse
menos a crear programas MapReduce, el lenguaje PigLatin maneja cualquier tipo
de dato y Pig es el ambiente donde se ejecutan los programas, proceso parecido
entre la máquina virtual java y una aplicación java.
355
Spark: permite realizar trabajos en memoria para optimizar tiempo de

procesamiento proporcionando ingentes cantidades de datos en poco tiempo,
utiliza algoritmos iterativos, nos proporciona API para Python y R.
Zookeeper: es de código abierto, asegura que toda operación de

actualización respete el orden en el que fueron enviadas, los resultados son fallas
o éxitos, el cliente ve el mismo servicio independiente de que servidor los
contenga, al realizar una actualización la modificación se mantiene hasta que el
cliente la sobre escriba, el cliente tiene garantizado que los servicios están
actualizados.
Hadoop: está inspirado en la programación de MapReduce, consiste en

separar en dos tareas mapper y reducer, para manipular datos distribuidos a
nodos de un clúster y lograr paralelismo en el procesamiento, Hadoop está
compuesto por tres partes:
Hadoop Distributed File System (HDFS) los datos del clúster de

Hadoop son divididos en bloques y distribuidas por medio del clúster, así las
funciones map y reduce se ejecutan en pequeños subconjuntos para brindar
escalabilidad de ingentes volúmenes de datos, los bloques de datos hacia HDFS
se almacenan en más de una ocasión y se almacenan en diferente rack para
lograr la redundancia.
Figura 9. Arquitectura Haddop HDFS. (Data FLair, 2020)
Hadoop MapReduce: núcleo de Hadoop, son dos procesos, map toma

un conjunto de datos y lo transforma en otro conjunto y los elementos individuales
356
se dividen en pares de llave – valor; reduce toma la salida de map como datos de
entrada y combina los pares en grupos más pequeños.
En la parte intermedia Shuffle se obtienen los pares del proceso map para
elegir el nodo que procesara esos datos dirigiendo la salida a un reduce en
específico.
Es un Framework que brinda un sistema de procesamiento de datos de

manar paralela y distribuida, tiene como objetivo resolver problemas utilizando
grandes volúmenes de datos de manera paralela utilizando archivos HDFS, el
framework cuenta con una arquitectura que cuenta con un servidor maestro y
varios esclavos, es un servidor esclavo para cada nodo del clúster, el framework
se dio por la necesidad de mejorar el procesamiento de datos entre las maquinas
locales y exteriores en una red con la finalidad de reducir el tiempo de
procesamiento de una tarea para la red, es un framework crea objetivos
específicos es uno de los más utilizados en el mundo del Big Data.
Hadoop Common Components: son las librerías de soporte para

proyectos Hadoop, contiene los archivos .jar y todos los scripts para poder
ejecutar Hadoop, proporciona código fuente también, documentación y una
muestra de proyectos de la comunidad Hadoop.
8.2.9.4. Herramientas de Visualización

Tableau: es una herramienta gratuita, es un modelo de análisis visual que
permite hacer consultas a bases de datos de manera muy fácil además de intuitiva,
su principal beneficio es que la interfaz de usuario es muy amigable con el cliente,
la velocidad y calidad de los grafos son excelentes tanto en computadoras como en
dispositivos móviles además facilita informes sencillos y objetivos. La figura 11
identifica una salida de información visual de Tableau.
357
Figura 11. Tableau como herramienta para visualziicón de datos (Smart Solutions International,
2018)
8.3. Desarrollo
En este apartado, se describe la propuesta que se hace con nombre
Unificación de Contenidos Generales en el Sector Salud, con la intención de dar
solución a muchas de las necesidades de las personas que acuden a atenderse en
diferentes instituciones de Salud, y así facilitar el trabajo de los prestadores del
servicio para mejorar la calidad en la atención al paciente.
8.3.1. Unificación de contenidos generales en Sector Salud

En la actualidad ya existen países donde todos los datos médicos que se
capturan desde cualquier institución de salud ya sean públicas, privadas o desde
dispositivos móviles u otros dispositivos registrados están unificados, es decir, que
se almacenan en una sola base de datos y pueden ser requeridos desde cualquier
institución con la seguridad de que los datos están actualizados y completos
independientemente de donde se realizó la actualización, en este caso de donde se
atendió a la persona.
Un claro ejemplo es el proyecto MIDAS, este crea aplicaciones Big Data en

Europa en conjunto con seis sistemas sanitarios: Euskadi, Inglaterra, Irlanda,
Irlanda del Norte, Finlandia y E.U.A.
Gracias a este proyecto se realizan previsiones para abordar temas

epidemiológicos como lo es la obesidad o el alcoholismo entre otros, además otro
de sus beneficios es que podrá ser utilizado por otros sistemas de salud.
358
MIDAS será el primero de los proyectos que utiliza tecnologías de extracción

de información desde diversas fuentes para después realizar un análisis y que las
Instituciones de Salud tomen las mejores decisiones, siempre cumpliendo con los
más altos estándares en la protección de datos y ética.
Actualmente existen muchas deficiencias en el Sector Salud siendo así de

los sectores que mayores beneficios obtiene de Big Data, lamentablemente en
nuestro país falta mucho para obtener los beneficios de los que anteriormente ya se
han mencionado.
Dada las deficiencias que existen en las aplicaciones e interfaces para la

captura y almacenamiento de datos en el sector salud, la propuesta consiste en que
todos los datos del sector salud sean capturados, almacenados y accesibles desde
un solo sistema de información de datos masivos.
Que cualquier institución relacionada con la salud tenga la obligación de dar

de alta el sistema de análisis de datos masivos
Los procesos de atención en el sector salud actuales son deficientes, gracias

al análisis de datos masivos, se pudiera contar con las herramientas necesarias
para gestionar, almacenar, presentar y administrar los datos médicos de manera
personalizada y a gran velocidad.
La perspectiva es que toda la información esté integrada y sea accesible

desde cualquier punto, que los todos los documentos al igual que el historial clínico
se encuentren en formatos digitales, que todo esté en la misma plataforma y así
lograr la comunicación entre todas las instituciones relacionadas con la salud.
Para poder implementar la propuesta es necesario tomar en cuenta cuatro

puntos importantes:
● Integración de los datos Médicos

● Gestión de Flujos de trabajo
● Visor Médico
● Archivo Médico
359
En el primer punto la integración de los datos se trata de armonizar los datos

independientemente de la fuente o si son estructurados o no estructurados, el
sistema de gestión de datos que se muestra en la imagen 14, lo que permite es que
bioseñales, videos, imágenes los convierte en un mismo formato, esta es la base la
unificación de contenidos generales en el sector salud.
La integración es tanto clínica como técnica, puesto que solo una base de
datos necesita ser administrada.
En el segundo punto gestión de flujo de trabajo, una vez que los datos ya
fueron almacenados en el sistema de análisis masivo, la siguiente tarea es obtener
el máximo valor de esos datos, este punto garantiza la unificación de los datos.
El tercer punto visor médico, se necesita un visor multiformato para visualizar

los datos que están en los más diversos formatos y que puedan ser convertidos a
un formato estándar, considera también la visualización simultánea de imágenes
radiológicas, resonancias entre otras.
Archivo médico es el punto número cuatro, los profesionales de la salud son

los más beneficiados con estos archivos, gracias a este sistema de análisis se
reduce la estructura de datos administrativos y los costes para el mantenimiento,
otro beneficio es la liberación de espacio por el manejo de formatos estándar.
Tanto el sistema como la arquitectura deben diseñarse para ser escalables

ya sea para el volumen de información ya almacenada como en consultas y
actualizaciones. Se recomienda utilizar una infraestructura híbrida puesto que se
tendrían servidores virtuales en entorno de cloud computing, cada institución podrá
determinar cómo consume los recursos y cuantas máquinas virtuales necesita.
En el sistema de unificación de contenidos generales en el sector salud se

tiene siempre presente que los datos digitales son el principal activo, estos datos
deben de estar consolidados y relacionados con otros datos además de
almacenados y a disposición de cualquier persona que lo requiere y desde el lugar
que se requiera.
360
Para satisfacer esta necesidad se tiene que armonizar los datos médicos de
las diferentes Instituciones con diferentes formatos con la finalidad de que se
puedan visualizar por un único sistema (Unificación de Contenidos Generales en el
Sector Salud), una vez que se realice lo anterior los datos estarán disponibles de
manera interna por alguna institución específica y en la nube de manera general,
además de tener toda esa información a la mano para su tratamiento continuo, así
se lograría un ahorro considerable en tiempo y dinero y al mismo tiempo se facilitaría
la relación y colaboración entre instituciones y profesionales de la salud, se
mejoraría la calidad de la atención al cliente, no se duplicarían resultados o en caso
de ya tener resultados de algún análisis no sería necesario realizarlo nuevamente
si la personas es atendida en otra institución o por otro profesional.
8.3.2. Implementación de un Sistema para unificar datos generales en Sector

Salud Nacional
La propuesta de trabajo se centra en unificar las datos en el sector salud,
para brindar atención de calidad a las personas en tiempo mínimo y facilitar
tratamientos a la medida, tomando en cuenta que los datos no estructurados son
los más difíciles de unificar, esta sería la área de oportunidad a mejorar para poder
continuar el proceso de unificación de datos del sector salud, actualmente hay tres
áreas de investigación donde se aplican los conceptos de Big Data en datos no
estructurados como lo son:
● Procesamiento de imágenes médicas: Estas imágenes son muy importantes

para el diagnóstico, evaluación y planificación médica, como lo son las
tomografías, resonancias, radiografías, mamografías, ultrasonidos y tiene como
objetivo hacer su interpretación más fácil y rápida.
La integración del análisis de datos masivos tiene el potencial para mejorar el

diagnóstico y reduce considerablemente el tiempo para poder proporcionarlo.
● Señales médicas: Son muy parecidas a las imágenes médicas, el análisis de

señales médicas fisiológicas, tiene un grado más significativo especialmente a
la hora de adquirirlos y almacenarlos en alta resolución desde una infinidad de
361
monitores conectados al paciente, debido a esto deben integrarse

constantemente a sistemas y análisis predictivos para asegurar su eficiencia.
Los dispositivos de monitoreo fisiológico generan y almacenan infinidad de datos

de manera continua, pero por un breve periodo, con el sistema de unificación de
contenidos generales en el sector salud, se almacenarían para su análisis
constante y se relacionaría con los registros médicos existentes para un mejor
diagnóstico y atención.
● Genómica: Hoy en día se tiene se ejecutan iniciativas para integrar datos

genómicos, con el objetivo de brindar atención personalizada, para esto es
necesario una respuesta rápida del análisis Big Data además de que los datos
deben ser fiables.
8.3.3. Pasos a seguir para aplicar el sistema de unificación

Lo primero que se tiene que hacer para poder implementar la propuesta
planteada, se debe tomar en cuenta que el recurso más difícil con el que se va a
interactuar es el recurso humano, las personas en su mayoría son renuentes a
cambios, así que se debe de brindar la asesoría y capacitación necesaria a todas
las personas relacionadas directa o indirectamente en el sector, a continuación se
enlistan las actividades a realizar para la implementación de la propuesta:
i. Reconocer que el Sector Salud actualmente cuenta con muchas deficiencias y

es necesario implementar sistemas de análisis de datos masivos debido al
crecimiento exponencial de datos, con el objetivo de unificar los contenidos
generales del sector salud, y así agilizar los procesos de atención que
actualmente son muy lentos además de poder implementar la medicina
personalizada.
ii. Definir cuáles son las instituciones de salud que serán contempladas para la
implementación del proyecto, estas instituciones ya sean públicas o privadas
aportarán datos para su almacenamiento y posterior análisis, datos que
posteriormente se podrán consultar desde otra institución.
iii. Establecer cuáles son los dispositivos electrónicos o sensores que serán
considerados para aportar información y que esta sea almacenada en el sistema
362
de unificación, en la imagen 6 de dispositivos que se pudieran utilizar en el

Sector Salud
iv. Definir cuáles herramientas de análisis de datos masivos de información se van
a utilizar, esto aplica para el desarrollo del sistema de unificación de contenidos
generales en el sector salud.
8.3.4. Descripción de los pasos a seguir para la aplicación del sistema de

unificación
En el sector salud actualmente ya se cuenta con una base de datos de los
pacientes, cabe mencionar que su infraestructura es deficiente, para que una
persona sea atendida tiene que esperar un largo periodo de tiempo, una vez que
llega con su médico a través el sondeo se realiza un diagnóstico y de ser necesario
se realiza una solicitud de análisis clínicos que tardan a un más tiempo y
posteriormente ya con los resultados necesita otra consulta para que le prescriban
un tratamiento.
Si esta persona acude con otro médico a otra institución por una segunda
opinión, se tendrá que realizar el proceso de atención nuevamente, sondeo, análisis
y tratamiento, cuáles serían los resultados si los datos de este paciente ya
estuvieran unificados en una sola plataforma y que gracias al análisis de datos
masivo se obtiene un análisis predictivo para poder prescribir un tratamiento a la
medida según el padecimiento, la calidad de atención en el sector salud aumentaría
además de los tiempos de espera se reducen considerablemente y el ahorro
económico seria también considerable, de aquí la necesidad y la importancia de la
unificación de datos a través del uso del análisis masivo de información.
Para poder determinar cuáles instituciones están relacionadas son la salud,

se tiene que tener un acercamiento con sectores de gobierno que faciliten el dato,
cuántas y cuáles son las instituciones o empresas relacionadas con el rubro para
tomarlas en cuenta en el momento de la implementación del sistema de unificación
y así de esta manera los datos ya existentes y los nuevos datos sean almacenados
en la misma base de datos y así poder ser consultados a través de la misma
363
plataforma con la seguridad de tener información actualizada y confiable sin

importar el lugar donde requieren esa información y en tiempo reducido.
Es necesario llevar un registro de todos los dispositivos que arrojan datos

médicos y que estén enviando datos constantemente de manera remota para
alimentar el sistema de integración, en caso de que el portador necesite atención
médica los datos ya estén disponibles para un diagnóstico casi inmediato y se le
pueda otorgar tratamiento a la medida.
Para elegir las herramientas de análisis de datos masivos es necesario

realizar una investigación y análisis de las herramientas ya existentes y cuáles son
las adecuadas para el proyecto de unificación y diseñar el modelo que se pueda
implementar, como se van a obtener los datos, como se van a almacenar, procesar
y visualizar.
También será necesario la elaboración de manuales y capacitación del

personal por medio de manuales impresos y digitales cursos presenciales antes de
la implementación del sistema de unificación.
8.3.5. Análisis de la propuesta

Se debe tener siempre claro qué es lo que se quiere lograr con la
implementación de tecnologías o herramientas de análisis de datos en una
institución.
Debido al creciente número de población, a la saturación en salas de

emergencia y hospitalización, en muchos de los casos, la atención médica de los
pacientes se brinda por medio de evaluaciones superficiales, lo que puede
ocasionar un diagnóstico erróneo y que posteriormente esa persona regrese con un
problema de salud mayor, esto se puede volver repetitivo.
En la consulta médica se puede archivar el expediente del paciente, pero no

sirve de mucho esa información para el análisis de los datos pues es un método
obsoleto que no ayuda a analizar los datos de los pacientes además no permite
realizar búsquedas dentro de esa información para poder brindar atención
personalizada.
364
Con la información recabada y a los conocimientos adquiridos se puede decir

que al analizar la propuesta del sistema de Unificación de contenidos generales el
autor se percata que el primer paso para obtener una atención médica
personalizada es la unificación de datos médicos y que se debe resolver la situación
que actualmente se presenta.
Hoy en día el sector salud, aunque es de los más beneficiados al aplicar las
tecnologías de Big Data también es donde menos apoyo económico se da para la
implementación de la misma, es de suma importancia que se realicen grandes
inversiones para poder contar con la arquitectura y la tecnología necesaria para que
la aplicación de Big Data sea funcional.
Para poder aprovechar las ventajas del análisis masivo de datos, otro de los
factores a los que se le debe atención es el personal con el que se debe de contar
en este sector, se debe de contar con profesionales del sector salud, Ingenieros en
Sistemas Computacionales, Licenciados en Informática, Licenciados en Ciencias de
las Matemáticas y Estadísticas, profesionales que cuenten con los conocimientos y
las habilidades necesarias para manejar las herramientas relacionadas con Big
Data.
Se debe encontrar las herramientas necesarias para obtener, almacenar y

analizar datos posteriormente tener ya identificadas las instituciones que serán
partícipes de la implementación de herramientas y tecnologías Big Data además de
estar siempre en contacto y de manera muy cercana con el sector.
No cabe duda de que si se implementan las técnicas y herramientas Big Data

de manera correcta con base en las necesidades del Sector Salud se lograra llegar
al objetivo fijado, en este caso, poder brindar atención médica personalizada aunado
a la reducción de costes y la mejora en la toma de decisiones.
Se espera que dentro de pocos años Big Data reemplace totalmente las
tecnologías aplicadas actualmente en el sector, y a sabiendas de que la aplicación
del Big Data hoy en día es de manera progresiva, todavía falta mucho por hacer.
365
8.3.6. Resultados esperados

Al realizar este capítulo sobre el Análisis de Datos masivos en el campo de
la Salud se obtienen resultados genéricos. Se destacan beneficios unificando
contenidos generales en el sector salud y lo que esto conlleva a lo siguiente:
minimizar el tiempo de espera para recibir atención médica, reducir el tiempo para
obtener resultados de análisis clínicos, aumentar la veracidad de estos, tener un
diagnóstico acertado y tratamiento personalizado asegurando la mejoría, en la salud
de la persona atendida reducir la mortalidad, obtener un expediente clínico completo
actualizado y disponible en cualquier momento y lugar donde se requiera para la
atención médica, se prevendrán enfermedades antes de los síntomas y los costos
generados en el sector y para la población en general disminuirán
considerablemente, también se mejorará la relación y la cooperación entre las
instituciones del sector para obtener un bien común, así como la relación médico –
paciente, y la relación Sector Salud – Entidades de Gobierno.
En las instituciones de salud, las aglomeraciones de personas para recibir

atención se reducen considerablemente debido a todo lo anteriormente mencionado
aunado a contar con una base de datos actualizada los procesos administrativos y
de atención son más ágiles pues los datos están siempre a la mano.
Se maximiza el uso de datos de manera estratégica para mejorar la toma de

decisiones, ya sea en atención médica, reducción de costes o en minimizar el
tiempo de respuesta en cualquier área del campo.
Gracias a la unificación de información se eliminarán los malos entendidos y

se ahorrará tiempo y dinero.
Gracias a la proporción de datos emitidos por dispositivos electrónicos y

sensores médicos y a las herramientas Big Data para procesarlos tenemos como
resultado un seguimiento remoto a pacientes con enfermedades crónicas además
del monitoreo de signos vitales de personas internadas en alguna institución médica
o bien en personas de edad avanzada desde su domicilio, se envía una alerta de
emergencia aumentando la eficiencia de los hospitales.
366
Big Data ayuda a fomentar el autocuidado obteniendo como resultado

pacientes colaboradores ayudados de los dispositivos móviles enviando información
de la salud actual de cada persona.
Con la implementación del sistema de Unificación de contenidos generales

en el campo de la salud se obtiene una plataforma completa y flexible adaptable a
otros sistemas de salud con la intención de que en tiempos no muy lejanos se pueda
internacionalizar.
Crear un sistema tan eficiente que, sin importar el crecimiento exponencial

de datos a analizar, procesar y visualizar, no reduzca la eficiencia ni afecte los
resultados a obtener.
Se puede contar con una medicina de calidad por medio de la medicina de

las 4P: predictiva, preventiva, personalizada y participativa.
Resolver la saturación de personas en las instituciones de salud por diversas

situaciones relacionadas con la salud ya sean trámites administrativos o de atención
médica o farmacéutica ya que la aplicación de Big Data brinda resultados mejorando
todas las áreas relacionadas con el campo de la salud.
El sector salud brindará atención de excelente calidad, se adecuarán las

instalaciones para la implementación y uso de herramientas Big Data necesarias.
La atención será personalizada e integral mejorando notoriamente el servicio

que actualmente se brinda.
El profesional de la salud tendrá un panorama completo del expediente

médico de cada paciente facilitando así el brindar un diagnóstico acertado aunado
a prescribir medicamento exclusivo para cada paciente.
Gracias a la aplicación de Big Data en el campo de la salud, la formación

podrá saber cuándo surtir un medicamento o cuando lo tiene que surtir puesto que
ya sabrá con anticipación las necesidades del Sector Salud.
367
Se evitará la propagación de epidemias o en caso de que exista algún brote

de enfermedades altamente infecciosas, se reducirá el tiempo de control de la
misma.
Es sabido que entre más instituciones sean consideradas para la

implementación del sistema de unificación de contenidos generales en el campo de
la salud, la inversión será mayor, solo basta recordar que el resultado será
proporcional o mayor.
Gracias al ahorro considerable por las reducciones de costes en cirugías

innecesarias, medicamentos incorrectos, entre otros, los beneficios son generales
para la población y el gobierno sin dejar de mencionar al sector salud.
Ser ejemplo para otras entidades y generar confianza en la aplicación del

análisis de datos masivos para maximizar los beneficios de la mejor toma de
decisiones.
Gracias al uso de herramientas Big Data es posible administrar y optimizar

los recursos del sector y crear un plan estratégico para la mejora continua.
Los procesos que se llevan a cabo dentro de las instituciones se realizarán

de manera prácticas y sencillas, la extracción de información será rápida y efectiva
por medio de interfaces muy amigables con las personas que manejen la
información.
La perspectiva de la gente que necesita atención médica será diferente a la

actual, puesto que se generará confianza y se creará satisfacción por el servicio y
la atención que brinda las instituciones del Sector Salud.
No será necesario acudir a otro estado o país para recibir atención o para
obtener medicamento inexistente en la institución médica local.
El resultado de la propuesta sobre la unificación de información permite

también la unificación de instituciones, en la creación de una institución homogénea,
única en todo su ámbito.
368
Con la implementación de la propuesta, se piensa que serían pioneros en la

implementación de Big Data en el campo de salud, contando con una institución que
brinda servicio y atención de calidad.
Todos los datos almacenados serán manejados con total privacidad, se

deberán cumplir reglas y ciertas restricciones para el manejo de información y serán
protegidos contra cualquier amenaza.
El sector salud será sostenible nuevamente gracias a la aplicación de

técnicas y herramientas Big Data.
El modelo de negocio del sector salud será transformado ya que actualmente

se basa en el servicio que presta, entre más atención brinda mayor es su
financiación, con Big Data se implementaría de forma contraria pues la
remuneración a los profesionales de la salud y la financiación del sector salud se
basará en el estado de salud de los pacientes o de la comunidad en general, la
productividad se medirá con base en lo que no se ha gastado respecto a los
recursos del sector.
Como resultado del análisis masivo de datos en el campo de la salud la

atención médica no tendrá retrasos es decir: los medicamentos prescritos se
brindarán en el momento, no se tendrá desabasto, el sistema para agendar citas
médicas será más eficiente, no se tendrá sobresaturación de personas en las
instituciones, las cirugías que sean requeridas no se podrán suspender por falta de
personal médico, los resultados de análisis clínicos se darán en tiempos
relativamente cortos, dependerá del tipo de análisis y número de estos que fue
requerido, las vacunas recomendadas por el sector salud siempre estarán
disponibles.
Se prevendrá y solucionará el problema en las personas alérgicas a

componentes ambientales o a cualquier otro factor, mejorando la calidad de vida de
los pacientes, que es el resultado más esperado.
Una vez aplicado el Sistema de Unificación de Contenidos Genéricos, la

atención de las mujeres embarazadas será de mayor calidad, será posible prevenir
369
la mayoría de las complicaciones, facilitando terminar el periodo gestacional, y en

cuanto nazca él bebe ya pertenecerá a una nueva generación de personas que
reciben atención médica generando un historial médico desde su gestación; con los
datos gestacionales también se podrá tener los medicamentos necesarios a la mano
para las enfermedades a las que el bebé sea susceptible, en casos extraordinarios
como ya ocurre en la actualidad realizar procedimientos quirúrgicos o prescripción
de medicamentos al gestante y obtener como resultado la reduciendo el índice de
mortandad en neonatos y sus madres.
El uso de dispositivos de imágenes digitales aumentará en todas las

instituciones de salud ya que gracias a Big Data el análisis y la interpretación de las
imágenes como radiografías, ultrasonidos, resonancias entre otros, será fácil y
práctica, obteniendo más información de la que se puedes obtener con la
interpretación a través del ojo humano, brindará facilidad para diagnosticar al
profesional de la salud, dato que estarán almacenados para posteriores consultas.
Con el estudio del genoma humano ayudado de herramientas Big Data se

logrará comprender como y porque no enfermamos, como resultado de esto
podremos erradicar enfermedades alargando nuestra plaza de vida y aumentando
la calidad de la misma.
Un resultado más, es el conocimiento adquirido al desarrollar este trabajo

académico y la propuesta de implementación de un Sistema de Unificación de
contenidos Generales en el campo de la salud, así como el análisis y las
comparaciones realizadas para elegir las mejores técnicas y herramientas a aplicar
para el desarrollo de las mismas, además de conocer las características y los
beneficios de cada una de estas, al igual que su implementación.
Con Big Data se resuelve la necesidad creciente de las empresas para

obtener herramientas capaces de procesar ingentes cantidades de datos de manera
eficiente aunada a él enorme volumen de datos de muy diversas fuentes.
Como resultado de la propuesta y la implementación del sistema de

Unificación de Contenidos en campo de la salud, se pretende lograr y obtener una
370
plataforma única y fácil de manejar por el profesional de la salud y amable con las
personas que interactúan con el mismo sistema, lograr obtener un sistema que
brinda accesibilidad y disponibilidad de la información y de los datos médicos en
cualquier momento y lugar, generar satisfacción de los pacientes ganando la
confianza de los personas en general, al brindarles las características de la medicina
4P, se piensa que el apoyo gubernamental hace falta para para que el sector se
siga actualizando en técnica y herramientas Big Data.
Se concluye que las técnicas y las herramientas Big Data no solo son para
analizar, procesar y visualizar grandes cantidades de datos de fuentes variadas,
con la finalidad de transformar datos en información y a su vez la información en
conocimientos.
Es posible afirmar que la implementación del análisis masivo de datos

surge por la necesidad de organizaciones para contar con herramientas y técnicas
necesarias para manejar un volumen de datos que crece de manera exponencial,
que con las herramientas actuales no se puede realizar eficientemente.
Big Data es una tecnología que se está aplicando poco a poco, aun así, los
beneficios que esta ofrece es el uso de la analítica predictiva y la analítica
avanzada para la gestión de datos masivos en tiempos reducidos utilizando
mínimos recursos, en especial los datos no estructurados y así poder contar con
modelos predictivos para mejorar la toma de decisiones.
Toda aquella empresa que aplique el análisis masivo de datos obtiene una
gran ventaja competitiva por todos los beneficios que conlleva su aplicación, no
es para sorprenderse que Big Data dentro de poco tiempo sustituya la tecnología
actual de la mano con Business Intelligence para el desarrollo de soluciones
complementarias, Big Data se centra en el procesamiento de datos masivos de
volumen exponencial , incluidos los datos no estructurados y Business Intelligence
el análisis avanzado de la información para crear una interface amigable con el
usuario atractiva a la vista.
371
La aplicación del análisis masivo de datos es una muy buena opción para
que el campo de la salud sea sustentable, ya que actualmente se les brinda
presupuestos ajustados, un bajo porcentaje de dicho presupuesto es destinado a
la implementación de nuevas tecnologías incluyendo al software y hardware
necesario para su aplicación.
Hay que ser conscientes de que es necesario contar con un gran equipo
de trabajo para poder implementar un proyecto Big Data, profesionales en el
campo de la salud, que conozcan las áreas y disciplinas de informática, sistemas,
matemáticas y estadística entre otros.
Big Data tiene el papel más importante en la transformación en el Campo

de Salud hacia la medicina del futuro mejor conocida como la medicina de las 4P:
predictiva, preventiva, personalizada y participativa; además de fomentar el
autocuidado por medio de la participación de los pacientes y demás personas,
recibiendo los datos que son recolectados de los dispositivos electrónicos y
sensores, dándoles a conocer para que las personas estén enteradas de su
estado de salud actual y puedan actuar con tiempo antes de cualquier
complicación en su salud.
La base del Big Data es la digitalización de todos los datos existentes de

manera física como las recetas, radiografías, resultados de estudios clínicos etc.,
datos estructurados y no estructurados también deben de estar armonizados.
Gracias a la digitalización de datos no estructurados los profesionales de

la salud pueden brindar un diagnóstico atinado, anteriormente se brindaba un
diagnóstico con base en una revisión superficial y a lo que el paciente transmitía,
aumentando el porcentaje de fracaso en los tratamientos.
Es de vital importancia adaptar las leyes referentes al uso de la tecnología

especialmente para la protección de los datos en conjunto con el sector salud.
Para que exista un verdadero ecosistema Big Data es necesario que las
instituciones de salud pública o privada se integren con tecnología, política,
infraestructura y la cultura.
372
La percepción de las personas es muy importante para la aceptación de la

implementación del sistema de unificación de contenidos generales en el campo
de la salud.
Big Data cuenta con herramientas que permiten optimizar recursos, así
como herramientas que ayudan a disminuir el impacto al momento de implementar
la infraestructura de Big Data.
Los costes del campo de la salud se reducen considerablemente gracias a

la medicina 4P.
En este capítulo, se dio a conocer conceptos relacionados con el análisis de

datos masivos, los diferentes tipos de datos, de donde provienen esos datos; las
herramientas y técnicas más recomendadas para la aplicación de Big Data, la
analítica predictiva y se mencionaron algunos tipos de algoritmos; el impacto y
beneficio de la aplicación de esta nueva tecnología y se plantea una propuesta de
implementación utilizando Big Data, esta propuesta se trata de unificar todos los
datos relacionados con el sector salud con el objetivo de brindar atención médica
de calidad.
Como conclusión el beneficio para la comunidad en general es muy basto ya

que el buen estado de salud de la ciudadanía demuestra que hay un alto grado de
calidad de vida y por consecuencia aumenta el entorno productivo aunado a los
incrementos de ingresos económicos por ende se da la reducción de las
desigualdades sociales, se reduce la urgencia de aumento del presupuesto al sector
salud por la disminución de la demanda de atención médica, con base en esto
obtenemos un sistema de salud eficaz que conlleva al crecimiento económico y a la
creación de una sociedad satisfecha con respecto al campo de la salud aumentando
la calidad de vida en general.
En el caso de los beneficios brindados al Instituto Tecnológico de Durango,

es principalmente la aportación de ideas para solucionar problemas reales
apoyados de los conocimientos y experiencias adquiridas en esta institución,
373
logrando el reconocimiento de la misma por las aportaciones de mejora en la

comunidad.
Con respecto a la propuesta se recomienda lo siguiente:
● Se debe tener claro qué tipo de documento se quiere realizar y los resultados
que se desean obtener.
● Tener la idea clara de la propuesta a desarrollar.
● Adentrarse del tema a tratar y de la tecnología a utilizar para su desarrollo.
● Contar con el conocimiento básico como mínimo de las técnicas y herramientas
a implementar.
● Conocer alcances y limitaciones que se puedan presentar al momento del
desarrollo e implementación de la propuesta ya anteriormente mencionada.
● Conocer cuales con los recursos económicos con los que se cuenta, la inversión
que se va a realizar y tener presente que la remuneración no es inmediata, pero
sí es segura.
● Tener en mente el equipo de trabajo con el que se va a contar para liderar el
proyecto.
● Conocer cuáles son los bienes tecnológicos con los que cuenta.
● Tener en cuenta cual es la relación de la institución con las personas que van a
recibir el beneficio de la aplicación del análisis masivo de datos.
● Saber cuál es la perspectiva del sector de las personas que van a acudir a
atención médica.
● Contemplar los tiempos de análisis, desarrollo e implementación del proyecto.
Referencias
Biedma Ferrer, J. M., & Bourret, C. (2019). La Potencialidad del Big Data en el ámbito sanitario.
Especial referencia al caso Español. Revista de Economía & Administración, Vol. 16 No. 2.
Julio - Diciembre de 2019, 93-109.
Calvo, D. (2018, 07 02). Apache Flume. Retrieved from Apache Flume:

https://www.diegocalvo.es/flume/
374
Facultad de Estudios Estadísticos. . (s.f., s.f. s.f.). Universidad Complutense de Madrid. Retrieved
from ¿QUÉ ES BIG DATA?: https://www.masterbigdataucm.com/que-es-big-data/
Gutiérrez Martínez, J. A., & Febles Estrada, A. (2019). Hacia la medicina del 2030. UCE Ciencia.
Revista de postgrado. Vol. 7(1), 2019, 1-9.
IDC Salud. (2013, 12 05). Big Data y el sector salud. Retrieved from El Ecosistema y distintas fuentes
de información que se pueden integrar y aprovechar:
https://es.slideshare.net/BEEVA_es/big-data-y-el-sector-salud
Joyanes Aguilar, L. (2013). Big Data, Análisis de grandes volúmenes de datos en organizaciones.
México: Alfaomega Grupo Editor.
Martínez Velasco, V. (2019, 06 01). Analítica predictiva en la toma de decisiones de la ingeniería.

Ejemplos de aplicaciones. Analítica predictiva en la toma de decisiones de la ingenieria.
ejemplos de aplicaciones. Cataluña, Barcelona, España: Universidad Politécnica de
Cataluña.
Montealegre Gallo, A. C. (2017, 09 01). IMPORTANCIA DE LA SOLUCION BIG DATA EN LA

APLICACIÓN DE MOVILIDAD UBER MOVEMENT. Retrieved from Universidad Libre
Colombia:
https://repository.unilibre.edu.co/bitstream/handle/10901/11203/MONOGRAFIA%20DIPLO
MADO%20BIG%20DATA%20Camilo%20Montealegre.pdf?sequence=1&isAllowed=y
QuestionPro. (2019, 06 02). Qué e BigData. Retrieved from Uso de Big Data en diferentes industrias:
https://www.questionpro.com/es/que-es-big-data.html
Rayo, Á. M. (2017, 05 15). Computer Training by Netmind. Retrieved from Tipos de datos en Big
Data: clasificación por categoría y por origen: https://www.bit.es/knowledge-center/tipos-de-
datos-en-big-data/
Requena Mesa, A. (2019, 06 17). Apache Cassandra. Retrieved from Qué es Apache Cassandra:
https://openwebinars.net/blog/que-es-apache-cassandra/
Sánchez Villaseñor, O. (2019, 04 01). HERRAMIENTAS, RETOS, OPORTUNIDADES, SEGURIDAD

Y TENDENCIAS DEL BIG DATA. Tesina para obtener el título de INGENIERO EN
COMPUTACIÓN. Toluca , Estadode México, México: UNIVERSIDAD AUTÓNOMA DEL
ESTADO DE MÉXICO. FACULTAD DE INGENIERÍA.
Vidal Ledo, M. J., Morales Suárez, I. d., Menéndez Bravo, J. A., González Cárdena, L. T., &
Portuondo Sao, M. (2020). Medicina de precisión personalizada. Revista Cubana Educación
Médica Superior. 2020, 15.
375
Capítulo 9
Machine Learning aplicado a la salud
Sayra María Vargas Arroyo

[email protected]

[email protected]
9.1. Introducción
En el empeño de lograr resultados coherentes en el campo de la salud, ha
resultado muy útil el empleo del Aprendizaje Automático (Machine Learning),
enfrentándose con el desafío de construir programas computacionales aprendan
con la experiencia y de los conocimientos previos. El sistema de aprendizaje
inmerso en el paradigma Machine Learning, crea descripciones generales de
conceptos, a partir de grandes cantidades de datos.
Este capítulo da a conocer conceptos de Machine Learning, sus técnicas,

algoritmos, el proceso que debe realizar para la construcción de modelos,
generalidades del entorno de la programación en R y Python y las herramientas de
código abierto que incluyen librerías, conociendo su estado de arte y aplicaciones
en diversos sectores, se presentan modelos para lograr procesar cantidades de
datos con el fin de tener una idea clara de esta tecnología.
376
Se dará a conocer en qué consisten estas técnicas y su grado de aplicación,

haciendo hincapié su uso en el Sector Salud.
La finalidad de la investigación es describir diversos modelos basados en el

uso de Aprendizaje Automático, con el objetivo de ver la actuación de estos modelos
sobre casos de uso.
Una justificación importante es la oportunidad de impulsar modelos y

algoritmos de Machine Learning en el campo de la medicina. El Sector Salud se
convierte en un campo ideal para el empleo de las técnica inmersas en el
Aprendizaje Automático que pueden permitir mejorar la capacidad de investigación
clínica y dirigir de manera más precisa los diagnósticos, predecir comportamientos
y toma de decisiones, aplicando para ello la integración de diferentes recursos
tecnológicos.
El objetivo general es realizar un diagnóstico y propuesta general de

implementación de técnicas y algoritmos de Machine Learning dentro del Sector
Salud
Como objetivos específicos se pretende:
• Contextualizar aspectos de Machine Learning.

• Citar los principales algoritmos supervisados de Machine Learning.
• Identificar los principales algoritmos no supervisados de Machine Learning .
• Describir sobre los principales lenguajes de programación para implementar
modelos de Machine Learning.
• Realizar propuesta en lo general del uso de Machine Learning en el Sector
Salud.
• Identificar casos de uso en el sector salud
Se va a desarrollar una propuesta del uso de técnicas y algoritmos de

Machine Learning, para análisis de datos con la finalidad de que se genere una idea
y visión de los beneficios en el Sector Salud.
377
La idea de la propuesta tendrá un significado, convertir datos en conocimiento

que permita obtener de aprendizaje y conocimiento para actuar desde las primeras
etapas, permitiendo analizar, interpretar y predecir futuros escenarios que ayuden a
prevenir y reducir la carga de enfermedades crónicas y su impacto en la sociedad y
por consecuencia mejorar la salud general de la población.
El impacto y beneficio de una propuesta de esta naturaleza están en razón

de mejorar diagnósticos médicos, pronósticos o estimaciones de riesgos, según sea
el caso, que sirva de ayuda en la toma de decisiones acerca de los pacientes
permitiendo un tratamiento más personalizado y eficaz.

En este apartado de marco de referencia se abordan conceptos y aserciones
relacionados con Machine Learning, las técnicas y algoritmos supervisados y no
supervisados, se presenta tablas comparativas de fortalezas y debilidades de los
algoritmos, se da a conocer los lenguajes R y Python como recomendaciones para
aplicar Machine Learning entre otros aspectos.
A lo largo del documento se entenderá como sinónimos la expresión de

aprendizaje supervisado con Machine Learning (ML).
9.2.1. Machine Learning (ML)

La cantidad y dimensión de datos que se manejan en las ciencias médicas,
hablando de atención de pacientes en hospitales e investigación hace que la
identificación de relaciones y patrones sea difícil y compleja para las personas.
Debido a ello, resulta necesario recurrir a computadoras para la aplicación de
cálculos matemáticos complejos que permitan visualizar y entender lo que los datos
reflejan de manera que se puedan extraer conclusiones fehacientes. (González
Vilanova, 2019).
“Machine Learning es una disciplina dentro del campo de la inteligencia

artificial centrada en el entrenamiento de modelos matemáticos a través de datos
con el fin de que algoritmos que incorporen estos modelos sean capaces de realizar
378
tareas inteligentes, generalmente basadas en el reconocimiento de patrones

multiparamétricos” (González Vilanova, 2019).
En su libro Lantz, (2013) menciona que “el campo de estudio interesado en

el desarrollo de algoritmos informáticos para transformar datos en acciones
inteligentes se conoce como aprendizaje automático. Este campo se originó en un
entorno donde los datos disponibles, los métodos estadísticos y la potencia de
cálculo evolucionaron rápida y simultáneamente.” (pág. 7).
Machine Learning es la ciencia y el arte de la programación de

computadoras, para que se pueda aprender de los datos (Revuelta Briz, 2018).
Es una disciplina científica que nació a partir de las investigaciones en

Inteligencia Artificial (IA), confiando en los patrones y la inferencia; que se encarga
de generar algoritmos que tienen la capacidad de aprender y no tener que
programarlos de manera explícita, de esta manera se construyen modelos en base
a ejemplos y son utilizados para tomar decisiones o hacer predicciones por medio
de las instrucciones programadas. (Revuelta Briz, 2018).
Los algoritmos se alimentan con un volumen de datos para que aprenda y

sepa qué hacer en cada uno de estos casos, siendo afín a los estudios en
estadísticas computacionales, enfocadas en hacer predicciones. Una de las
ventajas importantes del Machine Learning es la gran capacidad de adaptación en
entornos cambiantes (Revuelta Briz, 2018).
9.2.2. Clasificación de algoritmos de Machine Learning

Los algoritmos de aprendizaje automático se dividen en algoritmos
supervisados y algoritmos no supervisados, la siguiente tabla muestra en forma
general la clasificación de los algoritmos Machine Learning.
379
Tabla 1.
Algoritmos de Machine Learning. Elaboración propia.
Modelos Tareas
Algoritmos de Aprendizaje Supervisado
• Vecino más cercano (K-Nearest Neighbors) • Clasificación
• Bayesianos • Clasificación
• Árboles de decisión • Clasificación
• Regresión lineal • Predicción numérica
• Árboles de regresión • Predicción numérica
• Árboles modelo • Predicción numérica
• Redes neuronales • Uso dual
• Máquinas de vectores de soporte (SVM) • Uso dual
Algoritmos de Aprendizaje No Supervisado
• Análisis de componentes principales • Detección de patrones
• Algoritmos de Clustering (Agrupación) • Agrupamiento
9.2.3. Algoritmos supervisados

El aprendizaje supervisado es una de las dos ramas principales del ML. En
cierto modo, es similar a cómo los humanos aprenden una nueva habilidad, alguien
más nos muestra qué hacer y luego podemos aprender siguiendo su ejemplo. En el
caso de los algoritmos de aprendizaje supervisado, generalmente se necesitan
muchos datos que proporcionan la entrada a nuestro algoritmo y cuál debería ser la
salida esperada. El algoritmo aprenderá de estos datos y luego podrá predecir la
salida en función de las nuevas entradas que no haya visto antes (Bironneau &
Coleman, 2019). La figura 1 visualiza que la entrada que puede ser texto, datos,
imágenes como datos de entrenamiento; ingresan en un modelo basado en un
algoritmo con una etiqueta de salida como posible resultado, con una nueva entrada
diferente a la fuente de entrenamiento y con el modelo preparado, se genera una
salida predictiva o de clasificación.
380
Figura 1. Modelo de aprendizaje supervisado (Luna González, 2018)
Los algoritmos más utilizados para resolver problemas con técnicas de

aprendizaje supervisado son:
9.2.3.1. K-vecino más cercanos (K-Nearest Neighbors)

Este algoritmo es el más simple de todos los algoritmos de aprendizaje
automático de clasificación, ofrece resultados razonablemente buenos en muchos
casos en los que incluso, algoritmos más complejos se encuentran con problemas.
Para construir este modelo sólo hace falta almacenar los datos del conjunto de
entrenamiento y elegir cuántos vecinos se considerarán en su vecindario.
Figura 2. K-Nearest Neighbors (Avila Camacho, 2020)
A pesar de su simplicidad, este algoritmo tiene un grave inconveniente, y es

que requiere que el conjunto de entrenamiento esté almacenado en todo momento,
y no proporciona una solución explícita (un modelo), que pueda ser reutilizado
posteriormente. En este sentido, es un representante de aproximación no
paramétrica del ML.
381
Además, en principio es necesario escanear el conjunto entero cada vez que

se clasifica un nuevo dato con el objetivo de encontrar los vecinos más cercanos,
aunque para mitigar este problema se puede hacer una búsqueda aproximada,
limitando el radio de búsqueda. Las fortalezas y debilidades de este algoritmo se
describen en la tabla 2:
Tabla 2.
Fortalezas y Debilidades K-Nearest Neighbors. Elaboración propia.
• Sencillo y efectivo. • Limita la capacidad de encontrar nuevas
• No hace suposiciones sobre la perspectivas en las relaciones entre las
distribución de datos características.
subyacente. • Fase de clasificación lenta.
• Entrenamiento rápido • Requiere una gran cantidad de
memoria.
• Nominal características y datos faltantes
requieren un procesamiento adicional.
9.2.3.2. Regresión lineal

Es un algoritmo de Machine Learning empleado para obtener una tendencia
y un resultado numérico. Este algoritmo establece una relación lineal entre una o
más variables independientes y una variable de respuesta o variable dependiente.
Usualmente se utiliza el método de mínimos cuadrados para obtener esta relación.
Se utiliza para realizar predicciones. En la figura 3, se muestra una línea de
tendencia en rojo para datos que se grafican en el diagrama de dispersión en (color
azul) en coordenadas que están dadas por coordenadas de ‘x’ y de ‘y’. Los valores
a predecir están dados por la ecuación 𝑦 = 𝑏0 + 𝑏1𝑥
382
Figura 3. Regresión lineal (Didactalia classes, 2018).
Las fortalezas y debilidades de la regresión lineal se muestran en la siguiente

tabla 3:
Tabla 3.
Fortalezas y Debilidades Regresión lineal simple. Elaboración propia
• El enfoque más común para el • Hace suposiciones fuertes de los

modelado numérico de datos. datos.
• Se puede adaptar para modelar casi • La forma del modelo debe ser
cualquier dato. especificada previamente por el
• Proporciona estimaciones de la usuario.
fuerza y el tamaño de las relaciones • No le va bien con los datos faltantes.
entre las características y el • Solo funciona con funciones
resultado. numéricas, por lo que los datos
categóricos requieren un
procedimiento adicional
• Requiere algunos conocimientos
• de estadística para entender el
modelo.
383
9.2.3.3. Regresión logística

El objetivo principal de la regresión logística, es el de modelar la influencia
de las variables regresoras en la probabilidad de ocurrencia de un suceso en
particular.
Sistemáticamente tiene dos objetivos: el primero es investigar cómo influye

la probabilidad de ocurrencia de un suceso, la presencia de diversos factores, o no,
y el valor o nivel de estos, el segundo es determinar el modelo más ajustado que
describa la relación entre la variable respuesta y un conjunto de variables
regresoras.
Los modelos de regresión logística son modelos estadísticos, por medio de

los cuales se desea conocer la relación entre una variable dependiente cualitativa,
(regresión logística binaria o binomial) o con más de dos valores (regresión logística
multinomial).
Se utiliza una o más variables explicativas independientes, ya sean

cualitativas o cuantitativas, la ecuación inicial del modelo es de tipo exponencial, se
hace la transformación logarítmica (logit) permitiendo su uso como una función
lineal.
Si la curva tiende infinito positivo la predicción se transforma a 1, y si la curva

pasa el infinito negativo, la predicción será 0. Si la salida de la función Sigmoide es
mayor que 0.5, se puede clasificar el resultado como 1 o SI, y si es menor que 0.5
se clasifica como 0 o No. Ejemplo: si el resultado es 0.75, se puede decir en términos
de probabilidad, que existe un 75% de probabilidades de que el paciente sufra
cáncer (González, Regresión Logística – Teoría, 2019).
La figura 4, muestra la gráfica de la función Sigmoide ‘S’ que refleja la

predicción para resultados binarios, o es ‘Si’ o ‘1’ o es ‘No’ o ‘0’.
384
Figura 4. Regresión logística (González, Regresión Logística – Teoría, 2019)
9.2.3.4. Máquinas de vectores de soportes (SVM)

Las máquinas de soporte vectorial, son algoritmos de decisión que permiten
resolver los problemas de regresión y clasificación de una manera muy eficiente
debido a su sistema de aprendizaje automático. Estas se basan en la teoría del
aprendizaje estadístico para la resolución de problemas de clasificación y regresión.
(Parra, 2019).
El éxito de las máquinas de soporte vectorial radica principalmente en tres

ventajas fundamentales: la primera hace referencia a una sólida fundamentación
matemática, la segunda se refiere al concepto de minimizar el riesgo estructural;
esto se significa que la minimización de la probabilidad de una clasificación errónea
sobre nuevos ejemplos, este caso normalmente se presenta cuando hay pocos
datos de entrenamiento, y la tercera ventaja radica en que disponen de potentes
herramientas y algoritmos para hallar la solución de manera rápida y eficiente.
Los datos son mapeados por medio de un Kernel Gaussiano u otro tipo de
Kernel a un espacio de características en un espacio dimensional más alto, en el
que se busca la máxima separación entre clases. Esta función de frontera, cuando
es traída de regreso al espacio de entrada, puede separar los datos en todas las
clases distintas, formando cada una un agrupamiento.
Las fortalezas y debilidades del algoritmo SVM se describen en la tabla 4:
385
Tabla 4.
Fortalezas y Debilidades Support Vector Machine (SPM). Elaboración propia.
• Se puede utilizar para problemas • Encontrar el mejor modelo

de clasificación o predicción requiere probar varias
numérica. combinaciones de núcleos y
• No está excesivamente parámetros de modelo.
influenciada por datos ruidosos y • Pude ser lento para
no muy propensos a entrenar, especialmente si el
sobrealimentación. conjunto de datos de entrada
• Puede ser más fácil de usar que tiene una gran cantidad de
las redes neuronales, funciones o ejemplos
especialmente debido a la • Resultados en un modelo
existencia de varios algoritmos complejo de caja negra que es
SVM bien soportados. difícil, si no imposible de
• Ganando popularidad debido a interpretar.
su alta precisión y victorias de
alto perfil en competiciones de
minería de datos.
9.2.3.5. Árboles de clasificación

Los árboles de clasificación o decisión separa las observaciones en ramas
para construir un árbol con el propósito de mejorar la precisión de la predicción. Son
un modelo surgido en el ámbito del ML y de la Inteligencia Artificial que partiendo
de una base de datos, crea diagramas de construcciones lógicas que ayudan a
resolver problemas de predicción y clasificación. (Parra, 2019).
De esta forma, se utilizan algoritmos matemáticos para identificar una

variable y el inicio correspondiente de la variable que divide la entrada en dos o más
subgrupos.
386
El objetivo del algoritmo es encontrar un par de variables de inicio que

maximizan la homogeneidad de los resultantes en dos grupos de muestras o más.
En la figura 5 se muestra un ejemplo de árbol de decisión. El nodo raíz se

encuentra arriba del árbol. Los nodos de decisión se visualizan por ramas sobre
atributos particulares. Los arcos que identifican a un nodo corresponden a los
posibles valores del atributo considerado en ese nodo. Cada línea conduce a otro
nodo de decisión o a una hoja. Los nodos hoja representan la predicción de los
datos. Para clasificar se recorre el árbol de arriba hacia abajo de acuerdo a los
valores de los atributos probados en cada nodo y cuando se llega a una hoja, la
instancia se clasifica de acuerdo a la clase que tiene la hoja (Contreras Morales,
Ferreira Correa, & Valle, 2017).
El árbol en su forma gráfica se representa por un conjunto de nodos, hojas y

ramas.
Figura 5. Árbol de decisión (Contreras Morales, Ferreira Correa, & Valle, 2017)
La tabla 5, muestra fortalezas y debilidades de los árboles de decisión:
387
Tabla 5.
Árboles de decisiones. Elaboración propia
• Un clasificador de uso múltiple que • Los modelos de árbol de decisión a
funciona bien en la mayoría de los menudo están sesgados hacia
problemas. divisiones en características que tienen
• El proceso de aprendizaje altamente un gran número de niveles.
automático puede manejar • Es fácil disfrazar o vestir al modelo.
características numéricas o• Puede tener problemas para modelar
nominales. algunas relaciones debido a la
• Utiliza solo las características más dependencia de divisiones de ejes
importantes paralelos.
• Puede usarse en datos que se • Pequeños cambios en los datos de
puede interpretar sin un fondo entrenamiento pueden resultar en
matemático (para árboles grandes cambios en la lógica de
relativamente pequeños). decisión
• Más eficientes que otros modelos • Los árboles grandes pueden ser
complejos difíciles de interpretar y las decisiones
• Puede usarse con pocos datos • que toman pueden parecer
• o un número muy grande. contradictorias
• Pocos ejemplos
9.2.3.6. Bosques aleatorios

Para obtener un bosque aleatorio, primero hay que decidir de cuántos árboles
se van a componer. Si se dispone de n árboles, entonces se crearán n nuevos
conjuntos a partir del conjunto de entrenamiento a base de extraer elementos con
reemplazo de dicho conjunto. Cada nuevo conjunto debe tener el tamaño del
conjunto de entrenamiento.
388
Los bosques aleatorios es un conjunto de árboles, y de tantos árboles el

analista selecciona el de mejor rendimiento. Se entrena un árbol con cada conjunto,
obteniendo así n árboles diferentes.
Para realizar una predicción con el bosque aleatorio, lo que se hace es

evaluar de todos los árboles sobre datos de entrenamiento el que tenga mejor
rendimiento de predicción.
La predicción se basa en la evaluación de todo el conjunto de árboles. Con la

configuración pertinente, es uno de los métodos que, con una menor complejidad,
proporciona mejores resultados en una gran variedad de problemas de Machine
Learning (Montes Núñez, 2017).
La figura 6 muestra un bosquejo del algoritmo de bosques aleatorios, de un

conjunto de árboles evaluados, se elige al de mejor rendimiento.
Figura 6. Bosques aleatorios. (Montes Núñez, 2017)
389
9.2.3.7. Redes neuronales

Las redes neuronales pretenden imitar el modelo biológico del cerebro, a
través de modelos matemáticos organizados en redes interconectadas en paralelo
y con una organización jerárquica. Intentan interactuar con los objetos del mundo
real del mismo modo que el sistema nervioso biológico.
Una Red Neuronal o Neural Network está integrada por un conjunto de capas
interconectadas en las que los valores de entrada (inputs) dan lugar a los valores
de salida (outputs) a través de una serie de nodos con sus ponderaciones
correspondientes. Dichos pesos se obtienen durante el proceso de entrenamiento
de la red. Entre las capas de entrada y salida puede haber una o varias capas
ocultas (hidden). Las fronteras entre clases que puede definir una Red Neuronal
pueden ser complejas e irregulares (Montes Núñez, 2017).
Las capas son las unidades estructurales de la red neuronal, dentro de una
capa las neuronas suelen ser del mismo tipo. La capa de entrada captura los datos
o señales del entorno, la capa oculta realiza las operaciones matemáticas, procesa
los datos y los dirige a la capa de salida la cual entrega la respuesta de la red a los
datos capturados por la capa de entrada.
En la figura 7 se observa un esquema de red neuronal artificial interconectada

la cual se compone de capas.
Figura 7. Esquema de Red Neuronal (Montes Núñez, 2017)
390
Las redes neuronales ofrecen las siguientes fortalezas y debilidades

indicadas en la tabla 6:
Tabla 6.
Fortalezas y Debilidades de redes neuronales. Elaboración propia
• Se puede adaptar a la clasificación • Reputación de ser
o predicción numérica. computacional intensivo y
• Entre los enfoques de modelado lento para entrenar,
más precisos. particularmente si la
• Hace algunas suposiciones sobre topología de la red es
las relaciones subyacentes de los compleja.
datos. • Datos de entrenamiento
fácil o excesivo.
• Resultados en un modelo
complejo de caja negra que
es difícil, si no imposible, de
interpretar.
9.2.3.8. Redes Bayesianas

Las Redes Bayesianas como herramienta describen el conocimiento
probabilístico de las relaciones entre variables que afectan a un determinado
fenómeno no determinista (Delgado & Tibau, 2015).
Tienen una gran aceptación en los procedimientos de toma de decisión en

un gran número de campos, y su uso para la evaluación de riesgos es de gran
popularidad en áreas tan diversas como la economía, la medicina, el riesgo
medioambiental, los desastres ecológicos, ámbito forense, en tribunales de justicia,
entre otros. (Delgado & Tibau, 2015).
Las principales fortalezas y debilidades de este algoritmo se observan en la

tabla 7:
391
Tabla 7
Fortalezas y Debilidades de redes bayesianas. Elaboración propia
• Fácil de construir y entender. • Aumenta la complejidad (y el
• Las inducciones de estos tiempo) tanto para aprender el
clasificadores son extremadamente modelo como para clasificación.
rápidas, requiriendo solo un paso para • Tratar de mantener la misma
hacerlo. estructura sencilla, pero
• Es muy robusto considerando atributos considerando las dependencias
irrelevantes. entre atributos.
• Toma evidencia de muchos atributos
para realizar la predicción final
9.2.3.9. Aplicaciones de algoritmos supervisados

En la tabla 8, muestra casos de algoritmos supervisados aplicados a la salud.
Tabla 8
Algoritmos supervisados y sus aplicaciones. Elaboración propia
Algoritmos Aplicacióno o casos

• Vecino más cercano • Determinar con precisión un diagnóstico.
• Bayesianos • Predicción de la Diabetes.

• Árboles de decisión • Diagnóstico y tratamiento de pacientes con
glaucoma.
• Regresión lineal • Aplicación de la regresión lineal en un
problema de nutrición.
• Árboles de regresión • Diagnóstico de apendicitis aguda en niños.
• Redes neuronales • Apoyo en el diagnóstico y tratamiento del

paciente.
• Máquinas de vectores • Diagnóstico clínico de la enfermedad de
de soporte (SVM) Párkinson
392
9.2.4. Algoritmos no supervisados

Los algoritmos de aprendizajes supervisados se utilizan para construir
modelos predictivos y los algoritmos no supervisados se utilizan para construir
modelos descriptivos. El tipo de agoritmo que necesita usar depende de la tarea de
aprendizaje que espera lograr. (Lantz, 2013).
El aprendizaje no supervisado utiliza datos de entrenamiento no etiquetados,

hace predicciones para todos los puntos invisibles. No hay una variable dependiente
del aprendizaje. La agrupación (clustering) y la reducción de dimensionalidad son
ejemplos de problemas de aprendizaje no supervisados (Mohri, Afshin, & Ameet,
2018).
La Figura 8 muestra el funcionamiento de los algoritmos no supervisados en

ML; a diferencia del supervisado, los datos de entrada no están clasificados ni
etiquetados, y no son necesarias estas características para entrenar el modelo.
Figura 8. Modelo de aprendizaje no supervisado (Luna González, 2018).
9.2.4.1. Algoritmos de Clustering (agrupación)

Los algoritmos de Clustering clasifican los datos en grupos o clúster en
función de las similitudes de sus atributos. Al mismo tiempo se busca que los datos
agrupados en clúster diferentes sean claramente distintos.
393
El algoritmo de clustering jerárquico tiene una variedad de objetivos

relacionados con agrupar una colección de objetos, es decir, observaciones,
individuos, casos o filas de datos, en grupos o clusters, de modo que los datos que
están dentro de cada grupo están más estrechamente relacionados con unos a otros
que los objetos asignados a diferentes grupos (González, González, Ligdi, 2018).
En la figura 9, se identifican dos gráficas: del lado izquierdo dos grupos de

datos y con la gráfica de la derecha un dendograma que presenta de manera visual
clusters o grupos a partir de variable de entrada.
Figura 9. Algoritmo de Agrupamiento (González, González, Ligdi, 2018)
En la tabla 9, se describen las fortalezas y debilidades de este algoritmo.
Tabla 9
Fortalezas y debilidades del algoritmo de clustering. Elaboración propia
• Usa simple principios para la • Debido a que utilizan un elemento

identificación de grupos que pueden de posibilidad aleatorio, no se
explicarse en términos no garantiza que encuentre el conjunto
estadísticos. óptimo de clústeres.
• Es altamente flexible y
puede adaptarse para abordar casi
todas sus deficiencias con
ajustes simples.
394
9.2.4.2. Análisis de componentes principales (PCA)

Este algoritmo realiza una reducción de atributos iniciales, de tal forma, que
consigue representar la máxima información con el mínimo de atributos posibles.
Es decir, convierte un conjunto de valores de características similares, en un
conjunto de valores de características tal vez sin similitud.
El análisis de componentes principales es un método no supervisado que

busca reducción de dimensionalidad, transforma una serie de variables
posiblemente correlacionadas en una combinación lineal de variables no
correlacionadas llamadas componentes principales. La idea detrás de ACP es que
en lugar de tener varias variables se reducen pocas de ellas sin perder significado
y relevancia en los datos. (Rassiga, 2017).
Por consecuencia, la gran fortaleza y ventaja del algoritmo es que permite

preservar de mejor manera la variación original, es decir, se sacrifica la menor
variabilidad original posible, condensando muchas variables en una sola. En lugar
de tener muchas variables se reducen a unas cuantas sin perder relevancia de la
información (Rassiga, 2017).
9.2.4.3. Deep Learning

Deep learning, también conocido en español como aprendizaje profundo, son
aquellas técnicas de ML que hacen uso de arquitecturas de redes neuronales. El
concepto “profundo” viene referido al número de capas que poseen estas técnicas.
Las redes neuronales convencionales posen una capa, las redes neuronales
profundas contienen varias capas. Aprendizaje profundo es un aspecto de la
inteligencia artificial que se ocupa de emular el enfoque de aprendizaje que utilizan
las personas para obtener ciertos tipos de conocimiento. Puede considerarse una
forma de automatizar el análisis predictivo (Sáez de la Pascua, 2019).
9.2.5. Tipos de problemas de algoritmos supervisados

En los siguientes puntos, se mencionan los problemas de regresión y
clasificación respectivamente.
395
9.2.5.1. Problemas de regresión

Los problemas de regresión se caracterizan, en que la variable de respuesta
Y es cuantitativa. Esto significa que la solución al problema es representada por una
variable continua que puede ser flexiblemente determinada por las entradas X del
modelo.
Los problemas de regresión que tienen entradas con dependencia temporal

son también llamados problemas de predicción de series temporales o forecasting.
Los modelos de regresión predicen el valor de Y dados valores conocidos de

variables X. Las predicciones dentro del rango de valores del conjunto de datos que
se usa para ajustar el modelo reciben el nombre de interpolaciones. Por el contrario,
aquella que está fuera del rango de los datos usado para ajustar o entrenar el
modelo recibe el nombre de extrapolaciones, se basa fuertemente en supuestos,
cuanto más lejos esté la extrapolación de los datos, más espacio hay para fallos
debido a las diferencias entre las suposiciones y la realidad.
9.2.5.2. Problemas de clasificación

Los problemas de clasificación se caracterizan por tener una variable
cualitativa Y como respuesta. Muchas veces las variables cualitativas también
reciben el nombre de variables categóricas.
Predecir una respuesta cualitativa se le denomina clasificar. Algunas

ocasiones los métodos encargados de clasificar, lo que hacen, es predecir la
probabilidad de una observación de pertenecer a cada una de las categorías. De
manera semejante, se comportan también como algoritmos de regresión y estos
pueden ser:
• Binaria: {Sí, No}, {Azul, Rojo}, {Fuga, No Fuga}

• Múltiple: Comprará {Producto1, Producto2…}
• Ordenada: Riesgo {Bajo, Medio, Alto}
396
9.2.6. Proceso de Machine Learning (ML)

En su libro Lantz, (2013) establece una serie de pasos para implementar ML
menciona que cualquier tarea puede llevarse a cabo por medio de estos pasos:
(pág. 17)
• Recolectar datos (dataset): Dada la problemática a resolver, se debe investigar

y obtener datos para alimentar el modelo. Es importante considerar la calidad y
cantidad de información, ya que impactará directamente en el funcionamiento
del modelo.
• Explorar y preparar datos: Se realiza un análisis exploratorio para detectar si
hay correlaciones entre las distintas características seleccionadas. La selección
de características, impactará directamente en los tiempos de ejecución y en los
resultados. Se balancean los datos y se separan en dos grupos: uno para
entrenamiento y otro para evaluación del modelo. En esta etapa se realizan otras
tareas como: normalización, eliminar duplicados y corrección de errores. Otro
aspecto importante es pensar siempre en la calidad y limpieza de los datos.
• Elección del modelo: Se elige el modelo a aplicar en base al problema.
• Entrenamiento: Se emplea los datos de entrenamiento para ejecutar el modelo.
Los “pesos” se inician aleatoriamente, los pesos son los valores que multiplican
o afectan a las relaciones entre las entradas y las salidas, se irán ajustando
automáticamente por el algoritmo con cada entrenamiento.
• El test o evaluación: Se realiza con entradas que el modelo desconoce para
verificar la precisión del modelo ya entrenado.
• Ajustar parámetros: Se aplica en el caso de no obtener resultados
satisfactorios en el test, se realiza nuevamente el entrenamiento modificando los
parámetros del modelo. Cada algoritmo tiene sus propios parámetros a ajustar.
(Lantz, 2013).
9.2.7. Lenguajes de programación para Machine Learning

Actualmente y en los últimos tiempos, la popularidad y la capacidad de
implementación de los lenguajes de programación para Machine Learning han
397
evolucionado y crecido grandemente, la razón es incluir múltiples dominios de

problemas y oportunidades.
Por tal razón, son cada vez más las personas que desean aprender sobre
Machine Learning, pero una pregunta hay que hacer ¿qué lenguaje de
programación es apropiado aprender para Machine Learning? (González, Ligdi
González. Inteligencia Artificial, 2018).
9.2.7.1. Lenguaje Python

Python es líder en desarrollos para machine learning, simple y de fácil
aprendizaje (González, Ligdi González. Inteligencia Artificial, 2018), se puede
observar una gran tendencia al uso de Python en grandes centros de investigación
como el CERN (Organización Europea para la Investigación Nuclear).
Los paquetes NumPy (Python Numérico) y SciPy (Python Científico) son

base para el trabajo científico. Es actualmente uno de los lenguajes más utilizados
en inteligencia artificial y Ciencia de los Datos; por científicos de datos y expertos
en Machine Learning, se caracteriza por hacer hincapié en una sintaxis limpia, que
favorece un código legible (Challenger Pérez, Díaz Ricardo, & Becerra García,
2014).
9.2.7.2. Lenguaje R
R es un entorno de trabajo para la ejecución de análisis estadísticos y la
creación de gráficos. La interfaz gráfica del programa es una consola de comandos,
es decir, que para interactuar con el mismo hay que escribir líneas de código y
ejecutarlas. (Ruiz Ruano & Puga, 2016).
R fue uno de los primeros lenguajes de programación desarrollados para la

computación estadística, el análisis de datos con un buen soporte para la
visualización, incluyendo modelado lineal y no lineal, pruebas clásicas estadísticas,
análisis de series temporales, clasificación, clustering, entre otros.
R surgió como una opción indudable de lenguaje de programación entre

muchos profesionales de la ciencia de datos. Dado que R era de código abierto y
extremadamente poderoso en la construcción de modelos estadísticos sofisticados,
398
rápidamente se adoptó tanto en la industria como en el mundo académico. R tiene

uno de los conjuntos de paquetes más populares (un conjunto de funciones y
métodos para llevar a cabo un procedimiento complicado, que de lo contrario
requiere mucho tiempo y esfuerzo para implementarlo), R es un proyecto de GNU.
(Ramasubramanian & Moolayil, 2019).
9.2.7.3. Matlab
MATLAB proviene de Matrix Laboratory, es una herramienta de software
matemático que contiene un entorno de desarrollo integrado con un lenguaje de
programación muy particular. Es multiplataforma para Windows, Mac, Linux, Unix.
Principalmente para operaciones con matrices.
9.2.8. Herramientas para aplicar modelos de Machine Learning

El aumento de software de código abierto hace que Machine Learning sea
cada vez menos difícil de implementar. Las siguientes herramientas de código
abierto incluyen librerías para Python y R:
9.2.8.1. NumPy
Es una biblioteca de manejo de datos, particularmente una que permite
manejar grandes matrices multidimensionales junto con una gran colección de
operaciones matemáticas.
Ventajas
• Capacidades de manipulación de matrices (y matrices multidimensionales)

como transposición, remodelación, entre otros.
• Estructuras de datos altamente eficientes que mejoran el rendimiento y
manejan la recolección de basura con una brisa.
• Capacidad para vectorizar la operación, de nuevo mejora el rendimiento y las
capacidades de paralelización.
Desventajas
• Su alto rendimiento tiene un costo.
399
• Los tipos de datos son nativos del hardware y no de Python, por lo que
incurren en una sobrecarga cuando los objetos Numpy se deben transformar
de nuevo en equivalentes de Python y viceversa.
9.2.8.2. Pandas
Es una biblioteca de Python que proporciona estructuras de datos flexibles y
expresivas (como marcos de datos y series), para la manipulación de datos,
construido sobre Numpy, los pandas son tan rápidos y fáciles de usar.
Ventajas
• Extremadamente fácil de usar y con una pequeña curva de aprendizaje para

manejar datos tabulares.
• Increíble conjunto de utilidades para cargar, transformar y escribir datos en
múltiples formatos.
• Compatible con los objetos Numpy subyacentes y elije la mayoría de las
bibliotecas de aprendizaje automático, como Scikit-learn.
• Capacidad para preparar gráficos / visualización.
Desventajas
• La facilidad de uso tiene el costo de una mayor utilización de la memoria.

Pandas crea demasiados objetos adicionales para proporcionar acceso
rápido y facilidad de manipulación.
• Incapacidad para utilizar infraestructura distribuida. Aunque los pandas
pueden trabajar con formatos como archivos HDFS, no pueden utilizar la
arquitectura de sistemas distribuidos para mejorar el rendimiento.
9.2.8.3. Scipy
Scipy es una biblioteca de computación científica para Python. También se
construye sobre Numpy y es parte de Scipy Stack. Proporciona módulos, algoritmos
para álgebra lineal, integración, procesamiento de imágenes, optimizaciones,
agrupación, manipulación de matrices dispersas y muchos más.
400
9.2.8.4. Matplotlib
Es esencialmente una biblioteca de visualización, funciona a la perfección
con objetos Numpy, proporciona un entorno de trazado como MATLAB para
preparar gráficos, gráficos de alta calidad para publicaciones, cuadernos y
aplicaciones web.
Ventajas
• Sintaxis extremadamente expresiva y precisa para generar gráficos

altamente personalizables.
• Se puede usar fácilmente en línea con los portátiles Jupyter.
Desventajas
• Enorme curva de aprendizaje, requiere un poco de comprensión y práctica

para usar Matplotlib.
• Gran dependencia de Numpy y otras bibliotecas de pila Scipy.
9.2.8.5. Scikit-Learn
Diseñado como una extensión de la biblioteca Scipy, Scikit-learn se ha
convertido en el estándar, para muchas de las tareas de aprendizaje automático.
Proporciona un paradigma de predicción y transformación simple pero potente para
aprender de los datos, transformar los datos y finalmente predecir. Usando esta
interfaz, proporciona capacidades para preparar modelos de clasificación,
regresión, agrupamiento y conjunto. También proporciona una multitud de utilidades
para pre-procesamiento, métricas y técnicas de evaluación de modelos.
Ventajas
• El paquete para llevar, que lo tiene todo, para los algoritmos clásicos de
aprendizaje automático.
• Interfaz de ajuste y transformación consistente y fácil de entender.
• La capacidad para preparar tuberías no solo ayuda con la creación rápida
de prototipos, sino también con implementaciones rápidas y confiables.
Desventajas
401
• Incapacidad para utilizar datos categóricos para algoritmos listos para usar
que admiten dichos tipos de datos (los paquetes en R tienen tales
capacidades).
9.2.8.6. Statsmodels
Esta biblioteca agrega herramientas y algoritmos estadísticos en forma de
clases y funciones al mundo de Python. Construido sobre Numpy y Scipy,
Stastmodels proporciona una extensa lista de capacidades en forma de modelos de
regresión, análisis de series de tiempo, autor regresión.
Ventajas
• Conecta la brecha para la regresión y los algoritmos de series de tiempo

para el ecosistema de Python.
• Análogo a ciertos paquetes R, por lo tanto, una curva de aprendizaje más
pequeña.
• Enorme lista de algoritmos y utilidades para manejar casos de uso de
regresión y series de tiempo.
Desventajas
• No tan bien documentado con ejemplos como Scikit-Learn.

• Ciertos algoritmos tienen errores con poca o ninguna explicación de los
parámetros.
9.2.8.7. XgBoost
Más utilizada en diversas competiciones de ciencia de datos y casos de uso
en el mundo real, XgBoost es probablemente una de las variantes más conocidas,
permite una ejecución paralela y, por lo tanto, proporciona una mejora inmensa del
rendimiento en comparación con los árboles potenciados por gradiente. Proporciona
capacidades para ejecutar sobre marcos distribuidos como Hadoop fácilmente.
402
9.2.8.8. LigthGBM
LigthGBM (máquinas de aumento de gradiente), similar a XgBoost en la
mayoría de los aspectos, a excepción de unos pocos sobre el manejo de variables
categóricas y el proceso de muestreo para identificar la división de nodos.
LigthGBM utiliza un método novedoso llamado GOSS (muestreo de un lado basado

en gradiente) para identificar la división de nodos. También tiene la capacidad de
utilizar GPU para mejorar el rendimiento. Se informa durante algunas competiciones
que LigthGBM es más eficiente en memoria que XgBoost.
9.2.8.9. Eli5
ELI5 es una de esas bibliotecas que proporciona las capacidades para
depurar clasificadores y proporcionar una explicación sobre las predicciones.
9.2.8.10. TensorFlow
TensorFlow es una biblioteca matemática simbólica, que permite una
programación diferenciable, un concepto central para muchas tareas de aprendizaje
automático. Los tensores son el concepto central de esta biblioteca, que son objetos
matemáticos genéricos para representar vectores, escaladores y matrices
multidimensionales.
Ventajas
• Paquete de grado industrial que tiene un gran soporte comunitario con

correcciones de errores frecuentes y mejoras a intervalos regulares.
• Capacidad para trabajar con un conjunto diverso de hardware, como
plataformas móviles, web, CPU y GPU.
• Escalabilidad para manejar grandes cargas de trabajo y trabajos fuera de la
caja.
Desventajas
• La interfaz de bajo nivel hace que sea difícil comenzar, enorme curva de
aprendizaje
• No es fácil acostumbrarse a los gráficos de computación.
403
9.2.8.11. Theano
Fue una de las primeras bibliotecas en proporcionar capacidades para
manipular arreglos multidimensionales, tiene capacidad para utilizar GPU de forma
transparente. Está estrechamente integrado con Numpy, proporciona una sintaxis
de diferenciación simbólica junto con varias optimizaciones para manejar números
grandes y pequeños. Antes de la llegada de las nuevas bibliotecas, Theano era el
bloque de construcción de facto para trabajar con redes neuronales.
Ventajas
• Facilidad de comprensión debido a su acoplamiento apretado con Numpy.

• Capacidad para utilizar GPU de forma transparente.
• Siendo una de las primeras bibliotecas de aprendizaje profundo, tiene una
gran comunidad para ayudar y apoyar problemas.
Desventajas
• Es un proyecto obsoleto que no se desarrollará aún más.

• Sus API de bajo nivel a menudo presentaban una curva de aprendizaje
empinada.
9.2.8.12. PyTorch
Es el resultado de la investigación y el desarrollo en el grupo de inteligencia
artificial de Facebook. Admite gráficos dinámicos y una ejecución impecable (fue el
único hasta TensorFlow 2.0).
Ventajas
• Uno de los marcos de aprendizaje profundo más rápidos.

• Capacidad para manejar gráficos dinámicos en oposición a los estáticos
utilizados por la mayoría de las contrapartes.
• La implementación de Python ayuda a una integración perfecta con los
objetos de Python y la sintaxis similar a Numpy.
Desventajas
404
• Aún ganando terreno y apoyo, por lo tanto, se retrasa en términos de

material (tutoriales, ejemplos, etc.), para aprender.
• Capacidades limitadas como visualizaciones y depuración.
9.2.8.13. Keras
Keras es un marco de aprendizaje profundo de alto nivel que ha facilitado la
forma en que desarrollamos y trabajamos con redes neuronales profundas.
Desarrollado principalmente en Python, para Keras, el bloque de construcción
básico es una capa. Dado que, la mayoría de las redes neuronales son diferentes
configuraciones de capas, trabajar de tal manera facilita enormemente el flujo de
trabajo.
9.2.9. Áreas de aplicación de Machine Learning

Actualmente el ML se está desarrollando y aplicando en estas áreas
(Moscadó Pérez, 2018).
• Seguridad informática: Detección de ataques de intrusos, ayuda a la detección

de fraudes online y con tarjeta de crédito. Antivirus detección de spam y
detención de anomalías.
• Reconocimiento de imágenes: Por ejemplo: reconocimiento facial, dactilar, de
objetos en un espacio, de voz y/o de escritura.
• Conducción autónoma: Reconocer imágenes en tiempo real, detectar
obstáculos, señales de tráfico y predecir velocidades.
• Salud: Realizan un diagnóstico médico, analizan grandes volúmenes de
imágenes en busca de algún tipo de enfermedad o predecir la posibilidad de
tener una enfermedad dependiendo de una serie de características del paciente.
• Análisis del mercado de valores: Puede ayudar a los analistas financieros a
predecir el precio de determinadas acciones.
• Motores de recomendación: Catalogan a un usuario según unos determinados
parámetros y se les hace recomendaciones vinculadas con su catalogación.
• Lingüística computacional: Ayudan a las máquinas a mejorar la interactividad
y la comunicación natural con los humanos, por ejemplo: traducción automática,
redacción automática de textos y noticias.
405
• Reconocimiento del habla: Los algoritmos de ML, en especial los Deep

Learning (DL), pueden trabajar paralelamente, sus principales ventajas son:
mejoran la calidad de audio eliminando ruidos y permite detectar sonidos o
canciones.
• Motores de búsqueda: Google utiliza esta tecnología para poder buscar en su
banco de imágenes automáticas catalogadas o también puede buscar patrones
o imágenes parecidas (Moscadó Pérez, 2018).
9.3. Desarrollo
La propuesta en lo general tiene que ver con aplicar técnicas y algoritmos de
ML en el Sector Salud aprovechando las bondades de los lenguajes de
programación R y Python principalmente
La gran cantidad de datos en hospitales y procesos de atenciones médicas

y al gran aumento de números de parámetros y de la importancia de los mismos, se
propone una solución que reside en la utilización de nuevas técnicas para el
desarrollo de procesos de trasformación de los datos, con funcionalidad de
selección, integridad, calidad y seguridad para monitoreo continuamente de los
mismos.
Sin llegar a concretar un propuesta específica y tratando de dejar en el lector

una idea clara de cómo sacar beneficio del ML en Sector Salud, la pregunta es, ¿en
dónde se puede aplicar?. De la gran cantidad de aplicaciones que tiene el ML en el
ámbito sanitario, se describen tres propuestas genéricas además de las citadas en
la tabla 8 del punto 9.2.3.9.
Primero: con la gran cantidad de información en los hospitales, sería posible

identificar un proyecto de ML para identificar relaciones, patrones en los datos.
poder diferenciar pacientes similares por medio de un análisis y en consecuencia
advertir a los médicos acerca de una probabilidad de enfermedad del paciente.
(Luque Sucasaire, 2020). Se puede aplicar técnicas de regresión y clasificación
dentro de los algoritmos supervisados de ML. De igual forma para encontrar
406
aspectos descriptivos se pueden usar algoritmos no supervisados como clustering

para detectar patrones similares en grupos de pacientes con características
similares y diferentes, con ello atacar problemas de manera oportuna.
Segundo: Utilizando algoritmos avanzados de Deep Learning DL para

detectar enfermedades y clasificar pacientes a partir de imágenes que pueden
ayudar a detectar tumores malignos en pulmón a partir de tomografías; dar soporte a
análisis de resonancias magnéticas con el objetivo de detectar a pacientes con
Alzheimer encontrando diferencias en patrones del cerebro e intensidad de la imagen,
entre un cerebro con Alzheimer y uno sano; utilizar diagnóstico por imágenes DPI para
aumentar certeza en reconocimiento de fracturas de extremidades y finalmente el uso
de DL en resonancias magnéticas para la detección y clasificación de patrones en una
afección cardíaca. (Leivi, 2019).
Tercero. Pensando en una escalabilidad global y propuesta futurista es integrar

toda la información del Sector Salud de todo el Municipio, Estado y País con la finalidad
de tener un gran abanico de alternativas para aplicar ML, DL y por supuesto aplicar la
la fortaleza y potencial de la Inteligencia Artificial.
9.3.1. Proceso para llevar a cabo

Como parte de una propuesta, se debe pensar en una serie de actividades
se deben de realizar para llevar a cabo un proceso de ML, se citan algunas de ellas:
• Integración de equipo de trabajo.

• Capacitación en R y Python.
• Reconocimiento de procesos de datos y de información (hospitales).
• Identificación de datos.
• Análisis de datos como casos específicos.
• Integración del análisis y resultados.
• Desarrollo e implementación de modelos.
• Implementación de pruebas.
• Comunicación de resultados a los directivos y médicos.
407
Así mismo, se sugiere realizar un conjunto de actividades extras que

enriquecen y refuerzan las anteriores:
• Obtener la información elegida y procesarla para obtener características que

puedan ayudar a mejorar la predicción.
• Determinar qué características y atributos se van a utilizar para entrenar el
modelo. Estas características serán las necesarias para generar un modelo
predictivo preciso. Es importante evitar que haya un número elevado de
características para que el modelo no sea muy complejo, pero a la vez tiene que
haber suficientes características para poder generar una predicción.
• Seleccionar el algoritmo de aprendizaje a utilizar.
• Mejorar el algoritmo de aprendizaje seleccionado, ajustando sus parámetros.
• Una vez ajustando los parámetros, se implementa y se evalúa su exactitud.
9.3.2. Casos de ML en el Sector Salud

En este apartado, se presentan dos casos extraídos de la literatura que
abordan la predicción del cáncer y diagnóstico temprano así como el caso de la
detección enfermedades cardiovasculares
9.3.2.1. Caso Wisconsin Breat Cáncer. Predicción del riesgo de cáncer y

diagnóstico.
La clasificación es una de las tareas más importantes y esenciales en el
aprendizaje automático, se han realizado diversas investigaciones para aplicar el
aprendizaje automático en diferentes conjuntos de datos médicos y clasificar por
ejemplo el cáncer de mama.
El objetivo de este caso, es evaluar la eficiencia y la eficacia de los algoritmos

de clasificación, Máquinas de Vectores de Soporte (SVM), Bayer Naive (NB),
Árboles de decisión (C4.5) y K-Nearest Neighbors (K-NN). En términos de precisión,
sensibilidad, especificidad y precisión.
Los conjuntos de datos de Wisconsin Breat Cáncer, del repositorio de

Machine Learning de UCI se utilizan en este estudio. Wisconsin tiene 699 casos
408
(benigno: 458, maligno: 241), 2 clases (65.5% maligno y 34.5% benigno), y 11

atributos de valores enteros.
La efectividad de todos los clasificadores en términos de tiempo para

construir el modelo correctamente, instancias clasificadas, instancias incorrectas
clasificadas y exactitud, se muestran en la tabla 10 y en la figura 10.
Tabla 10
Rendimientos de los algoritmos de clasificación .Caso Wisconsin Breat Cáncer (Asri, Mousannif,
Moatassime, & Noeld, 2016)
Criterios de evaluación Clasificadores

C4.5 SVM NB K-NN
Tiempo para construir un modelo (s) 0.06 0.07 0.05 0.01
Correctamente clasificado instancias 665 678 671 666
Incorrectamente clasificado instancias 34 21 28 33
Precisión 97.13 97.13 95.99 95.27
Figura 10. Gráfico comparativo de diferentes clasificadores. (Asri, Mousannif, Moatassime, & Noeld, 2016)
409
Para medir mejor el rendimiento de los clasificadores, el error de simulación

también se considera en este estudio. Se evalúa la efectividad del clasificador en
término de los criterios que se observan en la tabla 11:
• La estadística de Kappa (KS) como una medida de acuerdo al azar entre las
clasificaciones y las clases verdaderas.
• Error absoluto promedio (MAE) como pronóstico cercano o predicciones de
los resultados finales.
• Error cuadrático medio (RMSE).
• Error absoluto relativo (RAE).
• Error cuadrático relativo (RRSE).
En la tabla 11 se muestran algunos resultados de cada algoritmo y en la

figura 11 se identifica un comparativo.
Tabla 11.
Error de entrenamiento y simulación. Caso WisconsinBreat Cáncer (Asri, Mousannif, Moatassime,

& Noeld, 2016)
Criterios de evaluación Clasificadores

C4.5 SVM NB K-NN
Estadística Kappa (KS) 0.89 0.93 0.91 0.89
Error absoluto promedio (MAE) 0.06 0.02 0.03 0.04
Error cuadrático medio (RMSE) 0.21 0.16 0.19 0.21
Error absoluto relativo (RAE) % 14 6.33 8.59 10.46
Error cuadrático relativo (RRSE) % 45 35.58 40.95 44.77
410
Figura 11. Diagrama comparativo: KS, MAE, RMSE, RAE Y RRSE (Asri, Mousannif, Moatassime, & Noeld,
2016)
Una vez que se construye el modelo predictivo, se puede verificar qué tan
eficiente es. Para eso se comparan las medidas de precisión. Tasa verdaderos
positivos (TP), Tasa de falso positivo (FP), Precisión, Sensibilidad, Media y Clase.
Ver la tabla 12.
Tabla 12.
Comparación de medidas de precisión para C4.5, SVM, NB y K-NN. Caso Wisconsin Breat Cáncer
(Asri, Mousannif, Moatassime, & Noeld, 2016)
(TP) (FP) Precisión Sensibilidad Media Clase

C4.5 0.95 0.05 0.96 0.95 0.963 Benigno
0.94 0.04 0.91 0.94 0.93 Maligno
SVM 0.97 0.03 0.98 0.97 0.97 Benigno
0.96 0.02 0.95 0.96 0.95 Maligno
NB 0.95 0.02 0.98 0.95 0.96 Benigno
0.97 0.04 0.91 0.97 0.94 Maligno
K-NN 0.97 0.08 0.95 0.97 0.96 Benigno
0.91 0.02 0.94 0.91 03 Maligno
Para comprender la eficiencia, la figura 12 presenta la curva ROC de los

clasificadores que muestran mejor precisión de cada clasificador. La curva
proporciona un gráfico que muestra el rendimiento de diferentes clasificadores.
411
Se pueden seleccionar modelos óptimos y descartar otros para obtener la

mejor clasificación.
Las matrices de confusión representan una forma para evaluar el clasificador,

cada fila representa las tasas en una clase real mientras que cada una de las
columnas las predicciones, ver tabla 13.
Tabla 13.
Matrices de confusión. Caso Wisconsin Breat Cáncer. (Asri, Mousannif, Moatassime, & Noeld, 2016)
Algoritmo Benigno Malingno
438 20
C4.5
14 227
446 12
SVM
9 232
436 22
NB
6 235
445 13
K-NN
20 221
412
Figura 12. Curva ROC. (Asri, Mousannif, Moatassime, & Noeld, 2016)
Se observa que SVM es el clasificador perfecto y con la tasa de error más

baja, enseguida le siguen los algoritmos NB, C4.5 y K-NN.
9.3.2.2. Técnicas de Machine Learning en medicina cardiovascular

Para este estudio se comparan los métodos de árboles de decisión C4.5,
regresión logística y máquinas de soporte vectorial (SVM), se utiliza un conjunto de
datos de Cleveland que hacen referencia a enfermedades cardiovasculares a través
del repositorio de Machine Learning UCI. El conjunto de datos cuenta con 14
atributos y 303 registros (De la Hoz Manotas, Martínez Palacio, & Enrique, Técnicas
de ML en medicina cardiovascular, 2013). Los atributos se muestran en la tabla 14.
De la distribución de los datos, se utiliza 60% para datos de entrenamiento,

20% para validación y 20% para la prueba. El caso identifica resultados como la
matriz de confusión y la exactitud (número de aciertos entre número total de
ejemplos de prueba). (De la Hoz Manotas, Martínez Palacio, & Enrique, Técnicas
de ML en medicina cardiovascular, 2013). El caso busca hacer una comparación
entre varios algoritmos con la finalidad de elegir el que mejor resultados ofrece.
413
Tabla 14.
Atributos. Caso medicina cardiovascular (De la Hoz Manotas, Martínez Palacio, & Enrique, Técnicas
de ML en medicina cardiovascular, 2013)
No Atributos Valores
1 Edad Edad en años
0: Masculino,
2 Sexo
1: Femenino
Valor 1: Angina típica
Valor 2: Angina atípica
3 Tipo dolor de pecho Valor 3: Otro dolor
Valor 4: Asintomático
En mm Hg en la
4 Presión arterial en reposo
admisión del hospital
5 Colesterol mg/dl
6 Nivel de azúcar >120 ml/dl 0: Falso, 1: Verdadero
Valor 0: Normal
Valor 1: Anomalías
7 Resultado electrocardiograma
Valor 2: Hipertrofia
ventricular
8 Frecuencia cardiaca máxima alcanzada
9 Ejercicio de inducción de angina 0: No, 1: Si
10 Depresión inducida
11 Pendiente curva máxima del ejercicio
12 Numero de vasos mayores (0-3)

3: Normal
13 Thal 6: Defecto fijo
7: Defecto reversible
0: Menor 50%
14 Diagnóstico de enfermedad cardiaca
1: Mayor 50%
414
El caso recopilado indica que se aplicaron tres técnicas de clasificación para

realizar un comparativo entre estos datos y se observó quien proporcionaba mayor
precisión y menor error en las predicciones relacionadas con enfermedades
cardiovasculares. Los métodos comparados fueron: máquinas de soporte vectorial,
regresión logística y árboles de decisión. Se obtuvo la matriz de confusión de cada
algoritmo que permitió evaluar sensibilidad, especificidad y precisión.
Las fórmulas utilizadas para el cálculo de la sensibilidad, especificidad y

precisión son las siguientes:
• Sensibilidad = TP / (TP+FN)
• Especificidad = TN / (TN+FP)
• Precisión = (TP+TN) / TP+FP+TN+FN)
Donde:
• TP: Número de muestras clasificadas verdaderas (actualmente verdaderas)

• FP: Número de muestras clasificadas verdaderas (actualmente falsas)
• FN: Número de muestras clasificadas como falsas (actualmente verdaderas)
• TN: Número de muestras clasificadas falsas (muestras mal clasificadas)
Tabla 15.
Matriz de confusión en general. Elaboración propia
Precisión Ausencia Presencia
Ausencia TP FN
Presencia FP TN
Se observan las matrices de confusión para cada algoritmo, de las tablas 16

a la 18.
415
Tabla 16.
Matriz de confusión algoritmo SVM. Caso enfermedades cardiovasculares (De la Hoz Manotas,
Martínez Palacio, & Enrique, Técnicas de ML en medicina cardiovascular, 2013)
Número de muestras Ausencia Presencia

Ausencia 139 25
Presencia 29 110
Tabla 17.
Matriz de confusión algoritmo Regresión logística. Caso enfermedades cardiovasculares (De la Hoz
Manotas, Martínez Palacio, & Enrique, Técnicas de ML en medicina cardiovascular, 2013)

Ausencia 145 19
Presencia 29 110
Tabla 18.
Matriz de confusión algoritmo árboles de decisión. Caso enfermedades cardiovasculares (De la Hoz
Manotas, Martínez Palacio, & Enrique, Técnicas de ML en medicina cardiovascular, 2013)

Ausencia 132 23
Presencia 39 100
Se muestran algunos datos comparativos de los métodos elegidos en la tabla

19 siguiente:
416
Tabla 19
Comparaciones de sensibilidad, especificidad y recisión. Caso enfermedades cardiovasculares (De

la Hoz Manotas, Martínez Palacio, & Enrique, Técnicas de ML en medicina cardiovascular, 2013)
Sensibilidad Especificidad Precisión

Máquina de soporte vectorial 84.8% 79.13% 82.17%
Regresión logística 88.41% 79.13% 84.15%
Árboles de decisión 80.48% 71.94% 76.56%
En la figura 13, se muestra de igual forma el comparativo
Figura 13. Gráfica comparativa (De la Hoz Manotas, Martínez Palacio, & Enrique, Técnicas de ML en medicina
cardiovascular, 2013)
Se evidencia claramente que la regresión logística es, de los métodos

comparados, el que mayor precisión brinda a los expertos en cuidados de la salud
sobre la posibilidad de predecir enfermedades cardiacas con un porcentaje del
84.15%.
Las técnicas de Machine Learning permiten el análisis de datos a gran escala

para lograr un mayor acierto relacionado con la detección o predicción de
enfermedades cardiovasculares, tras someter a pruebas técnicas como son los
árboles de decisión, las máquinas de soporte vectorial y la regresión logística.
417
9.3.3. Tecnologías y recursos

Para todo el análisis y tratamiento de los datos, así como la creación de los
modelos se recomienda el uso de los lenguajes de programación y sus entornos de
trabajo R y Python.
Conclusiones
Al recapitular el objetivo general del presente trabajo que textualmente
establece “realizar un diagnóstico y propuesta general de implementación de
técnicas y algoritmos de Machine Learning dentro del Sector Salud”, se cumple con
una propuesta en lo general, sin llegar a establecer un diagnóstico real del estado
del Sector Salud y a partir de ahí determinar una propuesta específica.
A lo largo de los apartados de marco de referencia y el desarrollo del capítulo

se pude decir que se cumplen con los objetivos específicos citados.
Por otra parte, las instituciones de salud tienen un gran potencial de

explotación de los datos, es necesario que evolucionen y den un paso en su
transformación digital, se podrían ver ampliamente beneficiados gracias a la
aplicación de disciplinas y herramientas tecnológicas, para la construcción de
soluciones que permitan apalancar la creación de nuevas técnicas, una aportación
ideal a este Sector Salud sería enfocarse a las Políticas de Salud Pública de manera
sistemática, teniendo la oportunidad de hacer cambios y mejoras, para que permitan
escalar diversos entornos y satisfacer las cambiantes necesidades en el sector
salud en tiempo real y servir entonces para apoyar la labor médica.
La cantidad de datos médicos recopilados en historiales clínico existe y va a

aumentar de forma exponencial, esto abre una puerta al conocimiento, al uso de
Machine Learning para aplicar analítica avanzada.
La forma de diagnosticar y prevenir enfermedades evolucionará
radicalmente. Debido a las nuevas tecnologías de computación, se tiene la habilidad
de aplicar automáticamente cálculos matemáticos complejos a grandes cantidades
418
de información de manera repetida y cada vez más rápida, siendo su factor principal,
la construcción de modelos automáticos en tiempo real.
Para posibles asociaciones sobre los datos se pueden rehusar los modelos
obtenidos e integrarlos para obtener patrones globales, los casos de uso muestran
que se obtuvieron modelos precisos.
Lo que hace rápido el proceso es que, durante el análisis, se centra en la

tarea principal y no en la recolección de datos. Sin duda, el Machine Learning es
uno de los protagonistas de este universo digital, en donde el procesamiento de los
datos y el resguardo de la información son objetivos elementales.
Una restricción en relación a los datos, es en torno a la cantidad, velocidad y

tipos de datos, la mayoría de las veces no están automatizados, presentándose
como solución el manejo de las herramientas tecnológicas, que están diseñadas
para el procesamiento de la información proveniente de diferentes sentidos,
combinarlos con conocimientos y experiencias previas y llegar a conclusiones.
Predecir los resultados basados en el conocimiento de la observación de los
datos, se ha convertido en trabajo muy productivo, en una alternativa en áreas de la
investigación tecnológica, por lo cual el uso de esta herramienta que utilicen técnicas
y algoritmos de ML traería consigo el ahorro de recursos para el Sector Salud.
Referencias
Asri, H., Mousannif, H., Moatassime, A. H., & Noeld, T. (2016). Using Machine Learning Algorithms
for Breast Cancer Risk Prediction and Diagnosis. Procedia Procedia Computer Science.
ElSevier, 1064-1069.
Avila Camacho, J. (01 de 05 de 2020). JacobSoft. Obtenido de K-Nearest Neighbors:

https://www.jacobsoft.com.mx/es_mx/k-nearest-neighbors/
Bironneau, M., & Coleman, T. (01 de 05 de 2019). Packt. Obtenido de Types of ML algorithms:
https://subscription.packtpub.com/book/big_data_and_business_intelligence
/9781838550356
419
Challenger Pérez, I., Díaz Ricardo, Y., & Becerra García, R. A. (2014). El lenguaje de programación
Python. Ciencias Holguín. Centro de Información y Gestión Tecnológica. Santiago de Cuba,
13.
Contreras Morales, E. F., Ferreira Correa, M., & Valle, M. A. (2017). Diseño de un modelo predictivo
de fuga de clientes utilizando árboles de decisión. Revista Ingeniería Industrial-Año 16 Nº1:,
7-23.
De la Hoz Manotas, A. K., Martínez Palacio, U. J., & Enrique, M. P. (2013). Técnicas de ML en
medicina cardiovascular. Memoria Desarrollo Humano 11/20, 41-46.
Delgado, R., & Tibau, X. A. (2015). Las Redes Bayesianas como herramienta para la evaluación del
riesgo de reincidencia: Un estudio sobre agresores sexuales. R e v i s t a E s p a ñ o l a d e
I n v e s t i g a c i ó n C r i m i n o l ó g i c a, 25.
Didactalia classes. (19 de 11 de 2018). Didactalia classes. Obtenido de Regesión Lineal Simple:
https://didactalia.net/en/community/materialeducativo/resource/calculadora-de-regresion-
lineal-simple---recta-de/a354dc49-3a49-47c4-92ba-3b720337ee11
González Vilanova, A. (2019). Métodos de machine learning en estudios biomédicos. Trabajo final
de grado en Biotecnología. Universitat Politécnica de València – Escola Tècnica Superior.
Valencia, Valencia, España: Universitat Politécnica de València – Escola Tècnica Superior.
González, L. (22 de 03 de 2018). González, Ligdi. Obtenido de ¿Por qué Machine Learning o
aprendizaje automático es importante?: https://ligdigonzalez.com/introduccion-a-machine-
learning/
González, L. (09 de 07 de 2018). Ligdi González. Inteligencia Artificial. Obtenido de Lenguajes de

programación para Machine Learning: https://ligdigonzalez.com/lenguajes-de-
programacion-para-machine-learning/
González, L. (28 de 06 de 2019). Regresión Logística – Teoría. Obtenido de Regresión Logística –

Teoría: https://ligdigonzalez.com/regresion-logistica-multiple-machine-learning-teoria/
Lantz, B. (2013). Machine Learning with R. Lead Technical Editor;.
Leivi, A. E. (22 de 07 de 2019). Análisis de la implementación de Machine Learning en el diagnóstico

por imágenes. Trabajo de Grado de Maestría en Gestión de Servicios Tecnológicos y de
Telecomunicaciones. Victoria, Buenos Aires, Argentina: Universidad de San Andrés Escuela
de Negocios.
Luna González, J. (08 de 02 de 2018). SoldAI. Obtenido de Tipos de aprendizaje automático:

https://medium.com/soldai/tipos-de-aprendizaje-autom%C3%A1tico-6413e3c615e2
420
Luque Sucasaire, N. L. (01 de 2020). Análisis de sistemas para registros médicos electrónicos en
clínicas y su enfoque al Machine Learning. Grado Académico de Bachiller en Ingeniería
Industrial. San Pablo, Arequipa, Perú: Facultad de Ingeniería y Computación. Escuela
Profesional de Ingeniería Industrial. Universidad Católica San Pablo.
Mohri, M., Afshin, R., & Ameet, T. (2018). Foundations of Machine Learning, Second Edition. London:
Francis Bach, Editor. The MIT Press. Massachusetts Institute of Technology.
Montes Núñez, B. R. (11 de 05 de 2017). Gfi Blog. New Challenges, New Ideas. Obtenido de
Algoritmos de entrenamiento en Machine Learning: https://blog.gfi.es/algoritmos-
entrenamiento-machine-learning/
Moscadó Pérez, J. C. (01 de 12 de 2018). Aprendizaje supervisado para la detección de amenzas

WEB. Universitat Oberta de Catalunya. Obtenido de Aprendizaje supervisado para la
detección de amenzas WEB:
http://openaccess.uoc.edu/webapps/o2/bitstream/10609/91066/6/jmoscardoTFM0119mem
oria.pdf
Parra, F. (25 de 01 de 2019). Estadística y Machine Learning con R. Obtenido de

https://bookdown.org/content/2274/portada.html
Ramasubramanian, K., & Moolayil, J. (01 de 04 de 2019). Packt. Obtenido de Applied Supervised
Learning with R:
https://subscription.packtpub.com/book/big_data_and_business_intelligence_/9781838556
334
Rassiga, P. (2017). Indice financiero multidimensional: una aplicación de componentes principales.

Buenos Aires , Buenos Aires, Argentina: Universidad de San Andrés. Departamento
Académico de Economía.
Revuelta Briz, R. (01 de 09 de 2018). Trabajo de fin de grado en INGENIERÍA INFORMÁTICA.

Aplicación de Técnicas de Machine Learning, Un caso práctico. Cantabria, Cantabria,
España: Universidad de Catabria. Facultad de Ciencias.
Ruiz Ruano, A. M., & Puga, J. L. (2016). R COMO ENTORNO PARA EL ANÁLISIS ESTADÍSTICO
EN EVALUACIÓN PSICOLÓGICA. Sección Monográfica. Papeles del Psicólogo, 74-79.
Sáez de la Pascua, A. (31 de 01 de 2019). Deep learning para el reconocimiento facial de emociones
básicas. Grado en Ingeniería de Sistemas de Telecomunicaciones. Catalunia, Catalunia,
España: Universidad Politécnica de Catalunia.
421
Capítulo 10.
Análisis de Datos Geoespaciales en Protección Civil utilizando R

y Python
Armando Urbina Retana

[email protected]

[email protected]
10.1. Introducción
Este capítulo describe a la Ciencia de Datos en relación a un Sistema de
Información Geográfica (GIS) para Protección Civil del Municipio de Durango con
base al análisis de datos geoespaciales utilizando R y Python integrados para
establecer un proceso de actualización de información cartográfica.
Constantemente se están generando datos, por lo tanto, el gobierno tiene

que estar a la vanguardia. Se tiene que pensar en los datos como un conjunto de
información sobre los cuales se obtienen para toma de decisiones o conclusiones.
Esto no es fácil para la información que se utiliza en la Dirección Municipal

de Protección Civil, dado que la información que se tiene para el análisis de datos
para el sistema de información geográfica no siempre son el total de los que desea
estudiar, o son demasiado grandes para utilizar métodos comunes en estadística.
422
Otro problema es que los fenómenos que se pretenden estudiar no siempre

corresponden a una distribución normal, por lo que métodos estadísticos comunes
no son aplicables; es necesario hacer notar que existe una amplia gama de análisis
que pueden ser aplicados a los datos.
Por lo anterior, la Ciencia de Datos y el Big Data se han convertido en un

poderoso instrumento que intersecta estadística y los sistemas de información
geográfica; por lo tanto, son conceptos importantes para el objetivo de éste producto
académico.
Los fenómenos naturales de carácter destructivo siempre han aparecido de

una forma recurrente e inevitable. En el territorio del Municipio de Durango, los
fenómenos naturales han provocado variaciones al paisaje y algunos casos
pérdidas económicas por daños a la infraestructura, pérdida de materiales como
pérdidas humanas. Sin embargo, en los últimos años, estos fenómenos aunados
con procesos de expansión urbana, pueden incrementar la magnitud de
devastación.
La Protección Civil es un servicio público cuyo objetivo es prevenir las

situaciones de grave riesgo colectivo o catástrofes, proteger y socorrer a las
personas, los bienes y el medio ambiente, cuando dichas situaciones se producen,
así como contribuir a la rehabilitación y reconstrucción de las áreas afectadas.
Actualmente en Protección Civil Municipal de Durango aún no posee un

proceso para la publicación y actualización de la información cartográfica, lo que
con lleva a que se realice la integración de un sistema de información basado en
análisis de datos georreferenciados sobre el riesgo de desastres detallado a nivel
municipal.
Agregado a esto, los desarrollos de estos sistemas de información

cartográfica son realizados por software privativo por ejemplo ArtGis y Oracle, el
cual representa un costo muy elevado.
423
Un Sistema de Información Geográfica se puede definir que está formado por

cinco componentes: personal capacitado, datos geoespaciales y descriptivos,
métodos analíticos, hardware y software.
El presente capítulo consiste en realizar un análisis de los datos

geoespaciales utilizando software libre integrando R y Python con Sistema de
Información Georreferenciado de software libre (QGIS) proponiendo que el sistema
incluya base de datos, sistemas de tratamientos de información geográfica,
tecnologías de desarrollo web, servidores web, que en conjunto permitan contar con
un proceso de actualización de la información cartográfica; reduciendo el tiempo de
actualización y publicación.
Como objetivo general se propone un Sistema de Información

Geográfica que incluya la funcionalidad de análisis de datos geoespaciales
utilizando R y Python para visualizar mapas cartográficos que muestren zonas
de riesgos conforme a los cruces de datos.
• Describir las funciones básicas de Protección Civil.

• Investigar la herramienta de visualización de información geográfica (QGIS).
• Presentar casos de uso de sistemas geoespaciales y algunas funciones
• Describir las tecnologías de desarrollo a utilizar: R y Python en relación a
QGIS
• Presentar y analizar propuesta
En la actualidad hay más facilidades de acceso a la información pública; es

decir, se pueden consultar a través de una conexión de internet; por lo tanto, un
sistema integral de información permite establecer bases de datos y realizar el
análisis del peligro, de la vulnerabilidad y del riesgo antes desastres a escala
nacional, regional, estatal y municipal, con objeto de generar mapas y sistemas
geográficos de información. Con ello se estará en posibilidad de simular escenarios
de desastres, emitir recomendaciones para la oportuna toma de decisiones y
establecer efectivas medidas de prevención y mitigación.
424
Además, al desarrollarse e implementarse con software libres tendría costos

bajos en relación a costos de licenciamiento, debido a que existen herramientas
dentro de esta clasificación de software que proporciona las mismas, e incluso
mejores funcionalidades, necesarias en comparación con el software propietario.

En este apartado, se mencionan aspectos y conceptos de Ciencia de los
Datos y Big Data, los Sistemas de Información geográfica (GIS), de la unidad de
Protección Civil y la información que manejan, herramientas para el desarrollo de
proyectos (GIS), el caso de España y el caso del Municipio de Durango y sus
distintos fenómenos naturales que le afectan.
10.2.1. Ciencia de datos y Big Data.

Al hablar de Ciencia de los Datos es necesario considerar varios elementos
que conforman su arquitectura, la figura 1, identifica algunos de ellos: las fuentes u
orígenes que producen los datos, distintas disciplinas en procesos de análisis,
transformación y modelado de datos para finalmente generar ideas y generar
información y conocimiento para tomar decisiones.
Figura 1. Ciencia de los Datos y Big Data (Coronado Iruegas, 2016)
425
Ciencia de Datos es un área de trabajo multidisciplinar que incluye procesos

para obtener, preparar, limpiar, transformar, analizar, visualizar y modelar datos que
generan conocimiento para entender problemas y oportunidades con la finalidad de
apoyar el proceso de toma de decisiones. Los datos pueden ser estructurados, no
estructurados además de heterogéneos. (Centro Mediterraneo. Univesidad de
Granada, s.f.).
En ocasiones, se trata de grandes volúmenes de datos que por su

complejidad se necesita de algoritmos y técnicas contemporáneas para obtener el
conocimiento. La ciencia de Datos es un campo innovador con una alta aplicabilidad
en ciencias de la salud, industria, servicios, educación, marketing, negocios,
mercados financieros, transporte, comunicaciones, redes sociales, investigación,
entre muchos otros. (Centro Mediterraneo. Univesidad de Granada, s.f.)
Big Data es un término ligado a la ciencia de datos para referirse a la

información o grupo de datos que por su elevado volumen, diversidad y complejidad
no pueden ser almacenados ni visualizados con herramientas tradicionales o, desde
otra perspectiva, este anglicismo se emplea para describir el conjunto de procesos,
tecnologías y modelos de negocio que están basados en la generación y recolección
de datos y en capturar el valor que los propios datos encierran.
10.2.2. Panorama Tecnológico de la Ciencia de los Datos.

En la figura 2, se identifican tecnologías que permiten el tratamiento y
procesamiento de los datos; en la parte izquierda las fuentes de los datos que son
de diversa índole; al centro la infraestructura de cómputo, bases de datos,
procesamiento distribuido y paralelo e identifica abajo el término de Big Data; a la
derecha disciplinas y herramientas tales como estadística, análisis multivariado,
Machine Learning. Se identifican a la derecha también, dos lenguajes de
programación ideales para la Ciencia de los Datos, R y Python.
426
Figura 2. Panorama Tecnológico de la Ciencia de los Datos (Coronado Iruegas, 2016)
La Ciencia de los Datos representa una gran revolución para la innovación,

la competitividad y la productividad, así como para la mejora de los servicios
públicos, y gobiernos, empresas e instituciones deben estar diseñadas y operadas
para aprovechar los datos digitales en la optimización, transformación y mejora de
sus productos y servicios.
Big Data como herramienta y parte de la Ciencia de los Datos supone

algunos aspectos:
• Apoyar el proceso de toma de decisiones a las organizaciones: almacenando,

procesando y analizados datos para generar ideas innovadoras.
• Mejorar los procesos de retroalimentación de manera más oportuna y eficiente
obteniendo valor y veracidad. Por ejemplo, obtener información a tiempo real del
lanzamiento de un producto o anticipar el resultado de una nueva estrategia
• Conocimiento del mercado. No solo se trata de datos internos sino que al integrar
datos externos ayuda a conocer a los clientes y adelantarse a sus necesidades,
tendencias de consumo o deficiencias en la atención al cliente.
427
• Tecnología del presente y del futuro. La Ciencia de los Datos es un elemento

diferenciador y de éxito entre las organizaciones. La tecnología del Big Data está
en constante cambio y se visualiza que tendrá un rol todavía más importante en
la toma de decisiones venideras (Universidad de Alcalá, s.f.).
10.2.3. Impacto y beneficios de aplicar la Ciencia de Datos

En el mundo actual de la tecnología que rodea a todos, la computación en la
nube se va haciendo parte del quehacer diario, los servicios de Google, Facebook,
Twitter, Dropbox, o , entre otros son cada vez más utilizados. Existe una mayor
cantidad de dispositivos que están las 24 horas del día conectadas a internet. desde
teléfonos, tabletas y TVs hasta automóviles incorporando en las actividades el
paradigma de Internet de las cosas (IoT). En el mundo, se están generando datos
constantemente, aquí entra la filosofía del Big Data; se está haciendo cada vez más
necesario un nuevo perfil de profesionales de la información que puedan aplicar las
técnicas, logaritmos y herramientas de la Ciencia de Datos.
Como lo menciona Jones (2019), la ciencia de datos es un arte. Los

científicos de datos utilizan diferentes herramientas para lograr su tarea. A pesar de
que todas estas herramientas son conocidas por la computadora, el científico de
datos tiene la función de encontrar una manera en la que él o ella puedan usar todas
las herramientas o las más adecuadas e integrarlas a los datos para desarrollar la
respuesta correcta a una pregunta (Jones, 2019).
10.2.4. Sistema de Información Geográfico (GIS)

Un Sistema de Información Geoespacial contiene una recopilación y una
generalidad de los conocimientos científicos contemporáneos en el campo de la
geografía física, económica, cultural y política del área considerada.
Sirve como herramienta de consulta al añadir un valor esencial para el gestor

público y al proporcionar el conocimiento de los diferentes aspectos que
caracterizan el territorio en las actividades empresariales, al mismo tiempo
constituye un punto de referencia para el público en general.
428
Un GIS es una aplicación computacional que integra datos geográficos con

información descriptiva. Se usan para analizar y visualizar información espacio-
físico-temporal; relaciona información en un contexto espacial y obtener aspectos
de sus relaciones para la toma de decisiones (Sánchez Fleitas, Comas Rodríguez,
& García Lorenzo, 2019).
Un Sistema de Información Geográfica o SIG (GIS en su acrónimo inglés,

Geographic Information Systems) es un conjunto de componentes específicos que
permiten a los usuarios crear consultas, integrar, analizar y representar de una
forma eficiente cualquier tipo de información geográfica referenciada asociada a un
territorio.
Por otra parte, el uso SIG facilita la visualización de los datos obtenidos en
un mapa con el fin de reflejar y relacionar fenómenos geográficos de cualquier tipo.
Además, permite realizar las consultas y representar los resultados en entornos web
y dispositivos móviles en un modo ágil e intuitivo, con el fin de resolver problemas
complejos de planificación y gestión, conformándose como un valioso apoyo en la
toma de decisiones.
Los SIG conectados a la web es un desarrollo que permite explorar las

ventajas existentes en la consulta de información geo referenciada. A través de los
Web Map Service (WMS) estándar que permite publicar mapas según
especificaciones OGC y Web Feature Service (WFS) que ofrece una interfaz de
comunicación que permite interactuar en forma de consulta con los mapas
mostrados por el estándar WMS.
10.2.5. Bases de Datos para GIS

Una base de datos para un sistema de información geográfico contiene dos
principales componentes que son los datos espaciales y datos no espaciales
(atributos). Se enlistan conceptos importantes para su uso dentro de las Bases de
Datos Geográfica:
• Datos espaciales: se refiere a las particularidades geográficas de la ubicación

descrita, es decir, los puntos geo localizados que conforman el perímetro de una
429
localidad o población, que estos a su vez se almacenan en cierto tipo de archivo

que son interpretados por las aplicaciones geográficas.
• Datos no Espaciales: también llamados atributos, son los datos descriptivos que
se almacenan en tablas y se administran por un manejador de base de datos.
• Capa Geográfica: son el mecanismo que se utiliza para visualizar un conjunto
de datos geográficos en determinado software que sea capaz de visualizar este
tipo de información.
Para tener una mejor comprensión en la información geográfica se debe de

basar en tres expresiones fundamentales que son:
• Entidades: son representaciones de cosas ubicadas en la superficie de la Tierra

o cerca de ella; se pueden presentar de forma natural (ríos y vegetación),
pueden ser construcciones (carreteras, canalizaciones, pozos y edificios) o
subdivisiones de tierra (condados, divisiones políticas, parcelas de terreno). Las
entidades a su vez también se representan de tres formas:
i. Puntos: definen ubicaciones de entidades geográficas demasiado pequeñas
por ejemplo ubicaciones de pozos, postes de teléfono, estaciones
hidrométricas, direcciones, coordenadas GPS, picos de montañas, entre
otros.
ii. Líneas: representan la forma y la ubicación de objetos geográficos
demasiado estrechos para mostrarse como áreas, como por ejemplo centro
de calle, arroyos, curvas de nivel y límites administrativos.
iii. Polígonos: son áreas cerradas, suelen ser figuras de muchos lados, que
representan la forma y la ubicación de entidades como estados, condados,
parcelas, tipos de suelo y zonas de uso del suelo.
• Atributos: son la información descriptiva que se manifiesta a través de símbolos
de mapa, colores y etiquetas, por ejemplo, las carreteras que se muestran en
función de su clase (si son autopistas, calles principales, caminos de terracería,
pistas y calles residenciales)
430
• Imágenes: se hace referencia a una serie de tipos fuentes de datos basadas en

celdas o en píxeles para satélites, fotografía aérea, modelos digitales de
elevación, conjunto de datos raster (imágenes, fotografías), entre otros.
10.2.6. SIG con R

R es un entorno de software libre y lenguaje de programación que ofrece
varias opciones, herramientas y bibliotecas para hacer análisis estadístico fácil y
eficaz. Ha crecido en los últimos años gracias a su código abierto y es uno de los
lenguajes de programación más utilizados en investigación por la comunidad
estadística en un entorno de ejecución con gráficos, un depurador, acceso a ciertas
funciones del sistema y la capacidad de ejecutar programas almacenados en
archivos de script.
Las tecnologías utilizadas para la ciencia de los datos han mostrado un

crecimiento particularmente rápido en los últimos años. En la figura 3, se indica el
crecimiento de R con respecto a ser un lenguaje de programación para SIG.
Figura 3. Gráfica comparativa de la creciente popularidad de R contra otros softwares. (Morales,

2018)
Como se puede ver en la figura 3, la popularidad de R ha crecido en los

últimos años gracias a su código abierto. Es un lenguaje basado en la comunidad
que proporciona poderosas herramientas para procesamiento, manipulación,
visualización y publicación.
431
La interfaz del núcleo R es una ventana de línea de comandos que

proporciona una excelente flexibilidad y control, que puede parecer poco amigable
a usuarios acostumbrados a utilizar programas computacionales con menú y
opciones seleccionadas con el ratón.
Los scripts son un archivo de texto con una serie de instrucciones; estos
usualmente utilizados a través del IDE (Integrated Develpment Eviroment, entorno
de desarrollo integrado). R Studio es un IDE para programar en R.
La relación entre el lenguaje de programación R y los Sistemas de

Información Geográfica es natural. R se complementa con un SIG y especialmente
útil para explotar grandes conjuntos de datos. Algunas características de R aplicado
a SIG son:
• Clases para datos espaciales.

• Lectura y escritura de datos espaciales.
• Análisis de patrones de puntos.
• Geoestadística.
• Regresión espacial.
• Análisis ecológico.
• Algoritmos de procesamiento ráster.
• Detección remota.
• Teledetección y LiDAR (light detection and ranging).
10.2.6.1. Paquetes de R para trabajar con datos espaciales

Se han desarrollado paquetes modulares (actualmente son más de
13,500), que son complementos para temas específicos para la comunidad de
desarrolladores.
En R existen cientos de paquetes que se pueden emplear para manejar

información geográfica, se destacan algunos:
• Datos vectoriales: mediante el paquete sf y el paquete sp.

• Datos ráster: mediante el paquete ráster y stars.
432
• rgdal o maptools: se trata de un conjunto de herramientas para gestionar datos

geográficos útiles, por ejemplo, importar archivos shapefile.
• maps: para visualizar mapas.
• whitheboxR: Este repositorio incluye 400 herramientas para realizar análisis
geoespacial. Es la interfaz de R del programa de línea de comandos
WhiteboxTools. Incluye herramientas para trabajar con teledetección y LiDAR.
El paquete sf (Simple Features for R) representa los objetos geográficos

como objetos nativos de R utilizando estructuras de datos simples (listas, matrices,
vectores…).
• Todas las funciones y métodos del paquete sf que emplean datos espaciales
tienen el prefijo st_, que se refiere a espacial y temporal (al igual que en
PostGIS).
• Los objetos geográficos son data.frames o tibbles con una columna de
geometrías.
• Representa de forma nativa en R los 17 tipos de objetos geográficos simples
para todas las dimensiones (XY, XYZ, XYM, XYZM)
• Interfaces a GEOS para soportar el modelo topológico DE9-IM.
• Se conecta a GDAL, es compatible con todas las opciones de controlador,
columnas de fecha (Date) y fecha y hora (DateTime) (POSIXct) y
transformaciones del sistema de coordenadas de referencia a través de PROJ.
• Utiliza serializaciones WKB (well-know-binary conocidas escritas en C++/Rcpp
para fast I/O con GDAL y GEOS.
• Lee y escribe directamente en bases de datos espaciales como PostGIS
usando DBI.
10.2.7. SIG con Python

Python es un lenguaje extremadamente útil para aprender en términos de
SIG, ya que muchos (o la mayoría) de los diferentes paquetes de software de SIG
(como ArcGIS, QGIS, PostGIS, entre otros, proporcionan una interfaz para hacer
433
análisis utilizando secuencias de comandos de Python. La figura 4 muestra el

comparativo Python vs Java script en términos de SIG.
Figura 4. Gráfica comparativa de la creciente popularidad de Python contra JavaScript (Morales,

2018)
Como se puede ver en la figura anterior la popularidad de Python en los

últimos años ha ido en aumento y cada vez son más los usuarios de estos
programas, que, de modo sencillo, aprenden Python y se benefician de su
utilización.
10.2.7.1. Paquetes de Python para análisis de datos y visualización

Este apartado cita algunos paquetes y librerías utilizadas en Python que
permiten el análisis y la visualización de datos:
• Numpy: Paquete fundamental para computación científica con Python.

• Pandas: Estructuras de datos y herramientas de análisis de datos de alto
rendimiento y fáciles de usar.
• Scipy: Una colección de algoritmos numéricos y cajas de herramientas
específicas de dominio, que incluyen procesamiento de señales, optimización y
estadísticas.
434
• Matplotlib: Biblioteca básica de trazado para Python. o Bokeh: Visualizaciones

iterativas para la web (también mapas). o Plotly: Visualizaciones interactivas
(también mapas) para la web.
10.2.7.2. Paquetes para SIG

Se citan de igual forma paquetes que utiliza Python que permite la integración
con Sistemas de Información Geográficos y que soportan el formato de datos
cartográficos y geoespaciales.
• GDAL: Paquete fundamental para procesar formatos de datos vectoriales y

ráster (varios de los módulos dependen de esto). Utilizado para el procesamiento
de trama.
• Geopandas: Trabajar con datos geoespaciales en Python de manera más fácil,
combina las capacidades de los pandas y las formas.
• Shapely: Paquete Python para manipulación y análisis de objetos geométricos
planos (basado en GEOS).
• Fiona: Lectura y escritura de datos espaciales (alternativa para geopandas).
• Pyproj: Realiza transformaciones cartográficas y cálculos geodésicos
(basado en PROJ.4) o Pysal: Biblioteca de funciones de análisis espacial
escritas en Python.
• Geopy: Biblioteca de geocodificación coordenadas a la dirección <-> dirección a
las coordenadas.
• GeoViews: Mapas interactivos para la web.
• Geoplot: Biblioteca de visualización de datos geoespaciales de alto nivel para
Python.
• Dash: es un marco de Python para crear aplicaciones web analíticas.
• OSMnx: Python para redes de calles. Recupere, construya, analice y visualice
redes de calles de OpenStreetMap.
• Nettworkx: Análisis de red y enrutamiento de Python, por ejemplo, algoritmos
Dijkstra y A*(A estrella es un algoritmo de búsqueda de primer orden).
• Cartopy: Haga que los mapas de dibujo para el análisis y visualización de datos
sea lo más fácil posible.
435
• Scipy.spatial: Algoritmos espaciales y estructuras de datos. o Rtree: Indexación

espacial para Python para búsquedas espaciales rápidas. o Rasterio: E / S raster
limpio y rápico y geoespacial para Python. o RSGISLib: Teledetección y
biblioteca de software SIG para Python.
10.2.8. Herramientas Webmapping

Web mapping es un concepto que en español se traduce como "cartografía
en la web", este se refiere al proceso de diseñar, aplicar, generar, visualizar u
ofrecer datos geoespaciales a través de la red de internet.
En este apartado se puntualizarán, de manera breve, algunas de las

herramientas que aportan las actividades del web mapping.
• Mapbender es un software de mapeo web implementado en PHP y

• JavaScript, su configuración se basa principalmente en un modelo de datos
almacenado en una base de datos PostgreSQL PostGIS o MySQL. Está
desarrollado con código abierto y con licencia de la GNU GPL como software
libre.
• OpenLayers es una biblioteca de JavaScript de código abierto bajo una
derivación de la licencia BSD para mostrar mapas interactivos en los
navegadores web.
10.2.9. Ciencia de los Datos y los datos geoespaciales.

Ciencia de los Datos es una combinación de varias herramientas, algoritmos
y principios de aprendizaje automático con el objetivo de descubrir patrones ocultos
a partir de los datos.
Cada vez más, los conjuntos de datos con localización son de un tamaño,
variedad y tasa de actualización que excede la capacidad de las tecnologías de
computación enfocada a los procesos geoespaciales, estos datos se llaman
GeoSpatial Big Data (GSBD por sus siglas en inglés) o Datos Masivos
Geoespaciales (DMG).
La gran diversidad de fuentes de datos masivos geoespaciales aumenta

sustancialmente la diversidad de métodos de solución. Los nuevos algoritmos
436
pueden surgir a medida que se encuentren disponibles los conjuntos de datos

masivos geoespaciales y de esta manera se crea la necesidad de una arquitectura
flexible para integrar rápidamente nuevos conjuntos de datos y algoritmos
asociados (Vázquez Pulido & Morales Bautista, 2019).
En la figura 5 Carranza (2016), menciona: muchas organizaciones orientadas

a datos, han enfatizado la necesidad de incluir y potenciar en este proceso a las
personas partiendo de sus necesidades y problemas. Esto exigen una revolución
de datos, siempre que implique la transformación de paradigmas para la
recopilación de datos demográficos, su organización y visualización para los
gobiernos, la academia y el sector civil en todos los países. (Carranza Tresoldi,
2016)
Figura 5 Top Big Data Source (Carranza Tresoldi, 2016).
Los datos geoespaciales describen objetos y cosas con relación al espacio

geográfico, con coordenadas de ubicación en un sistema de referencia espacial.
Estos datos tradicionalmente se recopilan mediante la localización geográfica
(coordenadas x,y,z), la topografía terrestre, la fotogrametría, la teledetección y más
recientemente, mediante el escaneo láser, la cartografía móvil, los contenidos geo-
437
etiquetados, la información geográfica participativa o colaborativa, los sistemas

mundiales de navegación por satélite y sensores geoposicionados.
Se consideran como origen de los datos masivos geoespaciales, los

siguientes:
• Imágenes de satélite.
• Datos existentes (BD, texto, video, fotos).
• Dispositivos móviles.
• GPS (Global Positioning System).
• Sensores (llantas, motores, RFID, tanques, válvulas).
• Internet de las cosas.
• Plataformas específicas (waze, twitter, openstreetmaps, google maps).
• Radar.
• LiDAR.Foto y video (ambos con geoposición) que proviene de sensores
colocados sobre drones.
• Crowsourcing.
10.2.10. Protección Civil.

La historia de México ha mostrado las bondades culturales y sociales de un
país tan diverso como complejo. Se ha visto el crecimiento y el desarrollo de este
país a partir de la adaptación a los cambios que el transcurrir del tiempo exige; sin
embargo, este crecimiento ha provocado también que la población viva entre
riesgos que pasan inadvertidos, no sólo por la ausencia de información, sino
también por la falta de medidas preventivas que ayudan a aminorar los riesgos a los
que el ciudadano está expuesto.
Dada la ubicación geográfica de México en el mundo, se enfrenta al impacto

de fenómenos naturales y humanos que han dejado a su paso importantes pérdidas
materiales y humanas.
Experiencias como los sismos de 1985, la erupción del volcán Chichonal en

1982, frecuentes inundaciones en el sureste del país o la muerte de aficionados en
438
el Estadio Olímpico Universitario en 1985, entre otros dan muestran las

vulnerabilidades.
El concepto de riesgo se encuentra ligado directamente a tres factores:

peligro, exposición y vulnerabilidad, por lo que su conjunción depende de estos, ya
que, si alguno no existe, el riesgo sería inexistente.
El peligro se relaciona con la probabilidad de ocurrencia de un fenómeno

perturbador. La vulnerabilidad es la propensión al daño de un sistema expuesto, sea
este topo físico (como la infraestructura) o social. Por su parte, la exposición se
relaciona directamente con el valor que se asigne a la población, bienes y entorno
que estén expuesto a un peligro o fenómeno perturbador.
Llevar el estudio de riesgo a un nivel muy detallado implica: integrar, múltiples

y complejas fuentes de información, contar con gran capacidad de almacenamiento
y procesamiento, generar mecanismos que garanticen su seguridad, difundir los
resultados al público en general y tomar decisiones de manera oportuna.
Las herramientas para el diagnóstico de riesgo se enfocan principalmente a

las tecnologías de la información, y en específico con los sistemas de información
geográfica, la percepción remota, los sistemas de geoposicionamiento global
además del desarrollo de aplicaciones específicas para la generación de escenarios
de riesgo.
Por otra parte, es necesario mencionar que existen una taxonomía para los
riesgos presentes establecidos en la Ley de Protección Civil (Cámara de Diputados
del H Congreso de la Unión, 2019), los cuales son:
a. Fenómeno Antropogénico: Agente perturbador producido por la actividad

humana.
b. Fenómeno Astronómico: Eventos, procesos o propiedades a los que están
sometidos los objetos del espacio exterior incluidos estrellas, planetas,
cometas y meteoros. Algunos de estos fenómenos interactúan con la tierra,
ocasionándole situaciones que generan perturbaciones que pueden ser
439
destructivas tanto en la atmósfera como en la superficie terrestre, entre ellas

se cuentan las tormentas magnéticas y el impacto de meteoritos.
c. Fenómeno Natural Perturbador: Agente perturbador producido por la
naturaleza.
d. Fenómeno Geológico: Agente perturbador que tiene como causa directa las
acciones y movimientos de la corteza terrestre. A esta categoría pertenecen
los sismos, las erupciones volcánicas, los tsunamis, la inestabilidad de
laderas, los flujos, los caídos o derrumbes, los hundimientos, la subsidencia
y los agrietamientos.
e. Fenómeno Hidrometeorológico: Agente perturbador que se genera por la
acción de los agentes atmosféricos, tales como: ciclones tropicales, lluvias
extremas, inundaciones pluviales, fluviales, costeras y lacustres; tormentas
de nieve, granizo, polvo y electricidad; heladas; sequías; ondas cálidas y
gélidas; y tornados.
f. Fenómeno Químico-Tecnológico: Agente perturbador que se genera por la
acción violenta de diferentes sustancias derivadas de su interacción
molecular o nuclear. Comprende fenómenos destructivos tales como:
incendios de todo tipo, explosiones, fugas tóxicas, radiaciones y derrames.
g. Fenómeno Sanitario-Ecológico: Agente perturbador que se genera por la
acción patógena de agentes biológicos que afectan a la población, a los
animales y a las cosechas, causando su muerte o la alteración de su salud.
Las epidemias o plagas constituyen un desastre sanitario en el sentido
estricto del término. En esta clasificación también se ubica la contaminación
del aire, agua, suelo y alimentos.
h. Fenómeno Socio-Organizativo: Agente perturbador que se genera con
motivo de errores humanos o por acciones premeditadas, que se dan en el
marco de grandes concentraciones o movimientos masivos de población,
tales como: demostraciones de inconformidad social, concentración masiva
de población, terrorismo, sabotaje, vandalismo, accidentes aéreos, marítimos
o terrestres, e interrupción o afectación de los servicios básicos o de
infraestructura estratégica.
440
Es por esto que surge la necesidad de adoptar medidas que permitan actuar
de manera consciente y preventiva ante fenómenos potencialmente destructivos de
origen natural y humano (CENAPRED, 2014).
10.2.11. Caso de estudio: Sistema Nacional de Cartografía de Zonas

Inundables de España.
El Ministerio de España ha puesto en marcha el Sistema Nacional de
Cartografía de Zonas Inundables (SNCZI), un instrumento de apoyo a la gestión del
espacio fluvial, la prevención de riesgos, la planificación territorial y la transparencia
administrativa.
El eje central del es el visor cartográfico de zonas inundables, que permite a

todos los interesados visualizar los estudios de delimitación del Dominio Público
Hidráulico (DPH) y los estudios de cartografía de zonas inundables, elaborados por
el Ministerio y aquellos que han aportado las Comunidades Autónomas.
El visor sirve de ayuda a los organismos de cuenca en la emisión de informes

sobre autorizaciones en el DPH y zona de policía, en la gestión de avenidas en
conexión con el S.A.I.H. (Sistema Automático de Información Hidrológica) y en la
planificación de las actuaciones de defensa frente a inundaciones; agiliza la
planificación y gestión de inundaciones por los servicios de Protección Civil; facilita
la transmisión de información sobre zonas inundables a las administraciones
competentes en planificación territorial y empresas promotoras; y permite a los
ciudadanos conocer la peligrosidad de una zona determinada.
Los usuarios pueden consultar la información del Dominio Público y Zonas

Inundables en URL: http://sig.mapama.es/snczi/visor.html?herramienta=DPHZI.
Se hace la recomendación para un funcionamiento óptimo y completo del

visor, es necesario que disponga de una versión actualizada de cualquier navegador
estándar, igualmente se recomienda para una completa visualización de la
aplicación una resolución del monitor como mínimo de 1024 x 768 píxeles.
(Ministerio para la Transición Ecológica, 2020).
441
En la figura 6, a ingresando a al enlace Visores Geográficos del área de

actividad de Calidad y Evaluación Ambiental
https://www.miteco.gob.es/es/cartografia-y-sig/visores/visores-calidad-evaluacion-
ambiental.aspx se puede conocer los indicadores contaminantes notando un
símbolo verde bajo, verde fuerte, amarillo, anaranjado rojo y más rojo los niveles de
contaminación en lugares específicos de España, así como la fecha y hora del día.
Figura 6. Mapa de España. Monitoreo de la calidad del aire. (Ministerio para la Transición
Ecológica, 2020)
10.2.12. Caso Simca. Sistema de monitoreo de la calidad del aire del

Estado de Durango.
En su portal (SIMCA, 2020), se muestra en la figura 7, un ejemplo semejante
al caso del monitores de la calidad del aire en España, de punto anterior.
442
Figura. 7. Sistema de la Calidad del aire del Estado de Durngo simica. (SIMCA, 2020)
10.2.13. Caso Municipio de Durango

El municipio de Durango, no ha estado libre de fenómenos perturbadores de
origen natural, los cuales frecuentemente se presentan e inciden de manera directa
en perjuicio de sus habitantes.
Debido a esto, se han llevado registro de los fenómenos perturbadores que

han ocurrido en la historia reciente del municipio por parte de la Dirección Municipal
de Protección Civil.
10.2.13.1. Fenómenos geológicos

Con base en dicho registro, y respecto a los temas de carácter geológico, se
han identificado de manera puntual las zonas que potencialmente pueden presentar
deslizamientos de laderas, tales sitios son los márgenes y colonia aledañas al Cerro
del Mercado, es decir, las Colonias Luz y Esperanza, Morga, Lázaro Cárdenas,
Sergio Méndez Arceo, Rosas del Tepeyac, Cerro del Mercado y Guadalupe.
Basado en lo que se define en el atlas de riesgo del municipio de Victoria de

Durango, se zonificó el peligro por deslizamientos en el Municipio de Durango; dicho
peligro se ubica principalmente en la zona serrana, ya que como se mencionó
443
anteriormente, la pendiente del terreno es una condición para la existencia de este

fenómeno.
Figura 8. Zonificación del Peligro por deslizamientos en el Municipio de Durango

Fuente: Atlas de Riesgo del Municipio de Durango
Figura 9. Mapa de vulnerabilidad general ante Procesos de Remoción en Masa en el Municipio de

Durango. Fuente: Atlas de Riesgo del Municipio de Durango.
Existen en el Municipio de Durango, zonas con vulnerabilidad Media, Alta y

Muy Alta, siendo la zona urbana la que se clasifica como vulnerabilidad Muy Alta.
444
10.2.13.2. Fenómenos hidrometeorológicos

El municipio de Durango es afectado por varios tipos de fenómenos
hidrometeorológicos que pueden provocar daños materiales de importancia:
principalmente está expuesto a sequias e inundaciones.
Acontecimientos como las sequías, las escazas precipitaciones pluviales han

provocado que el Estado de Durango se encuentre entre los cinco estados con
sequía extrema en el territorio nacional; paradójicamente, mientras en ciertas zonas
las lluvias son virtualmente nulas, en otras, causan daños como las inundaciones, y
por otro lado, las heladas y fríos producen afectaciones en las zonas de cultivo, y
puede ser causa de enfermedades en los sectores de la población de corta o
avanzada edad.
El conocimiento de los principales aspectos de los fenómenos

hidrometeorológicos, la difusión de la cultura de Protección Civil en la población y la
aplicación de las medidas de prevención de desastres pueden contribuir de manera
importante en la reducción de los daños ante esta clase de fenómenos.
Existen diversos fenómenos hidrometeorológicos que se presentan en el

municipio: ciclones (huracanes y ondas tropicales), tormentas eléctricas, sequías,
temperaturas máximas extremas, vientos fuertes, inundaciones, masas de aire
(heladas y temperaturas mínimas).
Con respecto a los fenómenos de carácter hidrometeorológico que han

causado afectaciones en la región, se han registrado inundaciones en las
inmediaciones del Río El Tunal y en los afluentes de la presa Gral. Guadalupe
Victoria afectando a las localidades de El Pueblito, El Nayar, El Conejo, Francisco
Villa Nuevo y Viejo, El Arenal, Tierra y Libertad, Libertad y Democracia, así como
zonas bajas del Puente Dalila.
Se tiene registrado que en las Colonias Frac. Villas del Guadiana del I al VII,
San Marcos, Las Nubes, Jardines de Cancún, Frac. San Juan, El Alacrán, Frac.
Viva Reforma, Nuevo Durango I y II, Col. Isabel Almanza y Frac. Benito Juárez,
existe la posibilidad de inundación por lluvias extremas, como de hecho ocurrió en
445
el año 2007 (inundación con hasta 150cm de tirante, y en el año 2010, cuando hubo
400 viviendas dañadas en la ciudad. Al respecto, además de registros municipales,
existe evidencia hidrometeorográfica en los periódicos locales.
El registro sistemático de fenómenos perturbadores elaborado por la

Dirección Municipal de Protección Civil representa un gran avance en la
identificación de sitios que presentan diversos fenómenos que pudieran poner en
riesgo a la población (H. Ayuntamiento del Municipio de Durango, 2012).
10.2.13.3. Peligro por lluvias extraordinarias

Las lluvias extraordinarias pueden afectar al Municipio de Durango de varias
maneras. Puede ser un cúmulo de eventos a lo largo de varios días, incluso
semanas, que como resultado sobrepasen el promedio de precipitación para el mes
en el que ocurren. Pero también se pueden presentar como un solo evento o varios
distribuidos en un máximo de 24 horas.
Las lluvias extraordinarias, para considerarse como tales deben superar los
valores promedio mensuales de precipitación más una desviación estándar para
cada una de las cuatro principales estaciones meteorológicas de la zona.
10.2.13.4. Sequías
La sequía meteorológica es una anomalía atmosférica transitoria en la que la
disponibilidad de agua se sitúa por debajo de las necesidades de las plantas, los
animales y la sociedad. La causa principal es una disminución significativa en la
precipitación pluvial promedio de una zona dada. Si este fenómeno perdura por
varias temporadas, deriva en una sequía hidrológica caracterizada por la
desigualdad entre la disponibilidad natural de agua y las demandas naturales de
agua.
La sequía afecta a todo el territorio municipal, aunque la mayor vulnerabilidad

se encuentra en la zona rural del mismo, donde se ubican las actividades
agropecuarias. Adicionalmente, en las Colonias Las Palmas, Héctor Mayagoitia,
José María Morelos Norte, Paseo Las Mangas, Valentín Gómez Farías, Niños
Héroes Norte, Arcoíris, Nuevo Amanecer, 1 de mayo, Arroyo Seco, Ejidal y Valle
446
Verde, las temperaturas mínimas extremas han causado daños a la salud de sus
habitantes, sin que existan cuantificaciones exactas de los daños en este rubro.
En casos extremos se puede llegar a la aridez. Las consecuencias

inmediatas de la sequía meteorológica son pérdida de cosechas, perdida de
cabezas de ganado vacuno, ovino y caprino y en casos agudos, insuficiencia de
agua para uso doméstico e industrial.
La humedad es un elemento central para la clasificación de la sequía agrícola

e hidrológica, por lo que su cálculo es necesario para su interpretación y estudio. El
Índice de Aridez de M. E. Hernández es una valoración del grado de humedad que
existe en el ambiente mediante una sencilla ecuación que divide la precipitación
promedio de un periodo de tiempo determinado, sobre la evaporación en el mismo
periodo. El cálculo se realizó mediante la aplicación de la ecuación:
𝐼𝐴 = 𝑃/𝐸
Donde: 𝐼𝐴: índice de aridez, 𝑃: precipitación anual (mm), 𝐸 : evaporación anual (mm)
Tabla 1.
Índices de Aridez
Índice de Aridez Grado de Aridez
<0.25 Árido
0.25-.50 Semiárido
0.50-2.0 Subhúmedo
>2.0 Húmedo
Con datos de otra estación, se presentan la imagen y se visualiza el índice

de aridez a 50 años, se muestra en la figura 10.
447
D. Periodo de Retorno del Índice de Aridez a 50 años

Figura 10. Periodo de Retorno del Índice de Aridez a 5, 10, 25 y 50
años. Fuente: Atlas de Riesgos del Municipio de Durango.
Otra información importante que existe en el Atlas de Riesgos del Municipio

de Durango es la Clasificación de la Intensidad de la Sequía mensuales registrados
por el Monitor de Sequía de América del Norte (NADM), con un valor de pixel de
1000m. La cartografía se generó mediante un sistema de información geográfica, a
través de la media aritmética de los valores de 16 meses.
Figura 11. Clasificación de la Intensidad de la Sequía para

un periodo determinado. Fuente: Atlas de Riesgos del
Municipio de Durango.
En el caso de las áreas forestales, la vulnerabilidad se estima baja,

debido a que en general la vegetación de esas zonas es más resistente a estos
448
eventos, y en todo caso, la repercusión económica no es tan álgida como en

el caso de las zonas agrícolas.
Con base en lo anterior y debido a que hay sequía en el municipio desde

hace más de un año, además de que la probabilidad de sequía a futuro es muy alta,
se estima que, para el Municipio de Durango, el riesgo de sequía es MUY ALTO.
10.2.13.5. Inundaciones
Las inundaciones son un fenómeno en el cual se anega (inunda o llena) de
agua un área determinada que generalmente está libre de ésta. El agua proviene
del desbordamiento de ríos, represas, o escurrimientos de partes altas y se asocia
a lluvias intensas, en el área o incluso en otras lejanas. A pesar de considerarse un
fenómeno natural, tiene una alta influencia de los procesos de ocupación del
territorio y construcción de infraestructura, ya que a menudo el riesgo existe cuando
se establecen viviendas en zonas inundables y se crean embudos artificiales que
impiden el libre tránsito de las avenidas de agua.
Las inundaciones son uno de los peligros más comunes en el Municipio de

Durango, a menudo las inundaciones se desarrollan lentamente, pero las más
dañinas son repentinas e incluso finalizan en sólo unas horas, sin señales visibles
de lluvia en la zona inundada. Las inundaciones repentinas consisten en una
avenida de agua con gran fuerza de arrastre y con una carga de escombros que
encuentra en su paso. Las inundaciones ocurren sobre los márgenes de un río,
canal o arroyo definido, pero también pueden generarse por la confluencia de aguas
en zonas bajas.
Debido a la particular configuración del municipio, el riesgo de inundación es

muy alto en varias localidades de la zona del Valle del Guadiana, incluyendo partes
de la cabecera municipal, debido a que las aguas de la sierra bajan por arroyos
cuyos márgenes están ocupados por viviendas, además de que algunos embalses
naturales también han sido aprovechados para la construcción de casas.
449
Las inundaciones en las zonas urbanas se deben a depresiones en el

terreno, que aprovecha el agua para embalsarse, o bien, zonas donde la pendiente
y la orientación de las calles las convierte en cauces.
En las figura 12 y 13 se muestran ejemplos de mapa de riesgo de inundación

en algunas zonas de la ciudad de Durango.
En el oriente de la Ciudad de Victoria de Durango, se construyó sobre una

planicie de inundación antiguamente utilizada como tierras de cultivo (H.
Ayuntamiento del Municipio de Durango, 2012).
Figura 12. Peligro por inundación según diferentes periodos de retorno en la microcuenca San
Luis. Fuente: Atlas de Riesgo del Municipio de Durango
Al poniente de la Ciudad de Victoria de Durango, se construyeron a los

márgenes de un arroyo intermitente
Figura 13. Peligro por inundación según diferentes periodos de retorno en la microcuenca Arroyo La Virgen.
450
10.2.13.6. Vientos Fuertes

El aire que circula sobre la Tierra se denomina viento, pero existen vientos
de superficie y “vientos planetarios de altura”; estos últimos forman parte de la
circulación general del aire en lo alto de la troposfera. La distribución desigual de la
presión es lo que causa el movimiento del aire, ya que éste se desplaza desde las
áreas de alta presión hacia áreas de baja presión, en un intento por lograr un
equilibrio.
Los vientos de mayor intensidad pueden ser peligrosos ya que dañan a la

infraestructura, produciendo ello a su vez, daños a las personas y a sus bienes. El
fenómeno de los huracanes, se mide, de hecho, en función de los vientos, toda vez
que son ellos los que causan los mayores perjuicios a la sociedad.
Para fines de protección civil, se presenta un mapa que muestra regiones

con valores similares de intensidades máximas de viento, el cual se presenta en el
anexo cartográfico en el mapa de la figura 14, en él se divide el municipio de
Durango en zonas que representan bandas homogéneas de velocidad máxima de
viento.
Periodo de retorno: 10 años Periodo de retorno: 50 años Periodo de retorno: 200 años
Figura 14. Mapa velocidades regionales con periodo de retorno de 10, 50 y 200 años.
10.2.13.7. Heladas y temperaturas bajas

La helada es un fenómeno atmosférico que consiste en un descenso de
la temperatura ambiente a niveles inferiores al punto de congelación del agua
(0°C) y hace que el agua o el vapor que está en el aire se congele
451
depositándose en forma de hielo en las superficies, el cual se presenta en las

primeras horas del día (de las 3 a las 6 horas).
El Municipio de Durango se caracteriza por una diversidad de

condiciones de temperatura y humedad. Por su ubicación geográfica se
encuentra entre dos regiones climáticas, la subhúmeda al poniente y la
semiárida, al oriente. Debido a la forma del relieve, la altitud, extensión
territorial y su localización relativamente cercana al océano, se producen
diversos fenómenos atmosféricos, según la época del año; que ocasionan
bruscos descensos de temperatura. Estos descensos de temperatura son más
evidentes en las zonas de la Sierra, sin embargo, también ocurren en la región
del Valle del Guadiana.
De acuerdo con registros históricos del Servicio Meteorológico

Nacional, se pueden ubicar regiones donde es más común la incidencia de las
bajas temperaturas expresadas como el fenómeno de las heladas. En general,
se observa que, en el municipio de Durango, existe una estrecha relación entre
las zonas más frías y los sistemas orográficos. (H. Ayuntamiento del Municipio
de Durango, 2012).
El mapa de la figura15, indica la frecuencia de heladas registradas en

el Municipio de Durango.
Figura 15. Mapa de frecuencia de heladas en el Municipio de Durango.

Fuente: UNAM, Atlas Nacional de México
452
Según los criterios establecidos por el Atlas Nacional de Riesgos

(CENAPRED), el peligro por heladas es muy alto si hay más de 100 días al año
con presencia de este fenómeno; alto si hay de 50 a 100 días; medio si hay de 25 a
50; bajo si hay de 10 a 25; y muy bajo si hay menos de 10 evento por año.
Los daños que producen las diferentes intensidades de heladas se refieren

en la siguiente tabla.
Tabla 2.
Daños por diferentes intensidades de heladas. Fuente: Atlas de Riesgo del Municipio de Durango
Temperatura Intensidad Daños

0 a -3.5° Ligera El agua comienza a congelarse. Daños
pequeños a las hojas y tallos de la vegetación.
Si hay humedad el ambiente se torna blanco
por la escarcha.
-3.6 a -6.4 Moderada Los pastos, las hierbas y hojas de plantas se
marchitan y aparece un color café o negruzco
en su follaje. Aparecen los problemas de
enfermedades en los humanos de sus vías
respiratorias. Se comienza a utilizar la
calefacción.
-6.5 a -11.5 Severa Los daños son fuertes en las hojas y frutos de
los árboles frutales. Se rompen algunas
tuberías de agua por aumento de volumen del
hielo. Se incrementan las enfermedades
respiratorias. Existen algunos decesos por
hipotermia.
< 11.5 Muy Muchas plantas pierden todos sus órganos.
severa Algunos frutos no protegidos se dañan
totalmente. Los daños elevados son en las
zonas tropicales.
453
En la figura 16 se presenta un mapa de teperaturas temperaturas mínimas

absolutas en el Municipio de Durango:
Figura 16. Mapa de temperaturas mínimas absolutas en el Municipio de Durango. Fuente: CONABIO.
Debido a la situación geográfica del Municipio de Durango son pocas las

áreas que presentan nevadas. Este fenómeno ocurre principalmente en las regiones
altas de la Sierra Madre Occidental al interior del Estado, y rara vez se presentan
en el Valle del Guadiana.
En la figura 17, un mapa frecuencia de nevadas y en la figura 18 un indicador

de peligro de nevadas
Figura 17. Índice de peligro por el mismo fenómeno en el Municipio de Durango. Fuente:
Atlas de Riesgo del Municipio de Durango.
454
Figura 18. Índice de peligro por el mismo fenómeno en el Municipio de Durango. Fuente:
Atlas de Riesgo del Municipio de Durango.
Debido a los importantes antecedentes del registro sistemático de

fenómenos perturbadores en el Municipio de Durango, se presenta una propuesta
de análisis de datos utilizando R y Python para visualizarlos en un SIG la cual tiene
la finalidad de seguir una metodología específica para determinar, medir y evaluar
el nivel de peligro y/o riesgo en el cual se encuentra la población.
Las propuestas de acciones y obras estarán enfocadas a la reducción y

mitigación de riesgos; basadas en el desarrollo de bases de datos homologadas
para cada uno de los fenómenos naturales perturbadores para su detección y
localización de zonas de riesgo o peligro los cuales serán visualizados y ubicadas
en la cartografía utilizando QGIS.
Por lo anterior, se sugiere proporcionar a la Dirección Municipal de Protección

Civil una herramienta tecnológica que permita analizar los datos utilizando R y
Python, la cual podrá identificar por medio de mapas cartográficos las principales
zonas afectadas por agentes perturbadores para crear un conjunto de medidas que
permitan, de manera oportuna, prevenir los riesgos. Así mismo, se tiene
considerado que en un futuro esta herramienta sea una aplicación instalada en un
dispositivo móvil para mantener informado al ciudadano en tiempo y forma.
455
10.3. Desarrollo
La propuesta de análisis de datos de Protección Civil utilizando R y Python
en QGIS se fundamenta en las bases teóricas y sistémicas establecidas en la Guía
para la elaboración de Atlas de Riesgos; ya que su estructura está diseñada como
una plataforma informática apoyada en sistemas de información geográfica y bases
de datos, la cual a su vez se conformó de acuerdo con los criterios de clasificación
y los términos de referencia establecidos por el CENAPRED que integra información
sobre: mapas de peligros por fenómenos perturbadores, mapas de susceptibilidad,
inventario de bienes expuestos , inventario de vulnerabilidades, mapas de riesgos,
escenarios de riesgos
Por otra parte, las herramientas y tecnologías utilizadas en el análisis de

datos están evolucionando rápidamente, y la ciencia de datos necesita una
metodología fundamental que sirva como estrategia de guía para resolver
problemas. La metodología a utilizar es independiente de tecnologías o
herramientas particulares, debe proporcionar un marco para continuar con los
métodos y procesos que se utilizarán para obtener respuestas y resultados.
Una de estas metodologías corresponde a la Metodología Fundamental para

la Ciencia de Datos, que consta de 10 etapas que representan un proceso iterativo
que va desde la concepción de la solución hasta el despliegue, retroalimentación y
refinamiento de la solución.
Figura 19. Esquema de Metodología de la Ciencia de los Datos (Patel, 2019)
456
10.3.1. Metodología Fundamental para la Ciencia de Datos

Se presenta la descripción de la metodología para Ciencia de los Datos de
acuerdo a Patel (2019):
• Entendimiento del negocio (Business understanding): Cada proyecto,

independientemente de su tamaño, comienza con el entendimiento del negocio,
que sienta las bases para una resolución exitosa del problema del negocio.
• Enfoque analítico (Analytic approach): Después de indicar claramente un
problema comercial, el científico de datos puede definir el enfoque analítico para
resolverlo. Hacerlo implica expresar el problema en el contexto de las técnicas
estadísticas y de aprendizaje automático para que el científico de datos pueda
identificar las técnicas adecuadas para lograr el resultado deseado.
• Requerimientos de datos (Data requirements): La elección del enfoque analítico
determina los requisitos de datos, para que los métodos analíticos que se utilicen
requieran contenidos, formatos y representaciones de datos particulares,
guiados por el conocimiento del dominio.
• Recopilación de datos (Data collection): El científico de datos identifica y recopila
recursos de datos (estructurados, no estructurados y semiestructurados) que
son relevantes para el dominio del problema. Al encontrar vacíos en la
recopilación de datos, el científico de datos podría necesitar revisar los requisitos
de los datos y recopilar más datos.
• Comprensión de los datos (Data understanding): Las estadísticas descriptivas y
las técnicas de visualización pueden ayudar a un científico de datos a
comprender el contenido de los datos, evaluar la calidad de los datos y descubrir
información inicial sobre los datos.
• Preparación de datos (Data preparation): Comprende todas las actividades
utilizadas para construir el conjunto de datos que se utilizarán en la etapa de
modelado. Estos incluyen la limpieza de datos, la combinación de datos de
múltiples fuentes y la transformación de datos en variables más útiles. Además,
la ingeniería de características y el análisis de texto se pueden usar para derivar
nuevas variables estructuradas, enriqueciendo el conjunto de predictores y
457
mejorando la precisión del modelo. Es la etapa que consume más tiempo, entre
un 50% y un 90% del tiempo total del proyecto.
• Modelado (Modeling): A partir de la primera versión del conjunto de datos
preparado, los científicos de datos utilizan un conjunto de datos históricos (en
los que se conoce el resultado de interés) para desarrollar modelos predictivos
o descriptivos utilizando el enfoque analítico ya descrito. El proceso de modelado
es altamente iterativo.
• Evaluación (Evaluation): El científico de datos evalúa la calidad del modelo y
verifica si aborda el problema comercial de manera completa y adecuada.
Hacerlo requiere la computación de varias medidas de diagnóstico, así como
otras salidas, como tablas y gráficos, utilizando un conjunto de pruebas para un
modelo predictivo.
• Implementación (Deployment): Una vez que se ha desarrollado un modelo
satisfactorio que ha sido aprobado por los patrocinadores comerciales, se
implementa en el entorno de producción o en un entorno de prueba comparable.
Tal despliegue a menudo se limita inicialmente para permitir la evaluación de su
desempeño.
• Retroalimentación (Feedback): Al recopilar los resultados del modelo
implementado, la organización obtiene comentarios sobre el rendimiento del
modelo y observa cómo afecta su entorno de implementación. Al analizar esta
información, el científico de datos puede refinar el modelo, aumentando su
precisión y, por lo tanto, su utilidad.
El flujo de esta metodología enseña la naturaleza iterativa del proceso para

la resolución de problemas. Los modelos no deben crearse una vez, luego
implementarse y dejarse en su lugar sin cambios. En preciso, que, a través de la
retroalimentación, el refinamiento y la redistribución, un modelo debe adaptarse
continuamente a las condiciones, permitiendo que tanto el modelo como el trabajo
detrás de éste proporcionen valor a la organización durante el tiempo que sea
necesaria la solución.
458
10.3.2. Propuesta de solución

Las bases teóricas y sistémicas para la elaboración de un SIG en el tema de
Protección Civil se deben de tomar en cuenta lo establecido en la Guía del
CENAPRED para la prevención de riesgos y/o peligros.
El territorio municipal de Durango se encuentra sujeto a gran variedad de

fenómenos que pueden causar desastres.
Por su cercanía a la Sierra Madre Occidental y su configuración de cuenca

de sedimentación, el municipio está expuesto a inundaciones y flujos, que se
resienten principalmente en las zonas bajas del oriente, en donde también se ubica
la cabecera municipal y las principales localidades; las lluvias intensas además
pueden causar deslaves y derrumbes en el interior del territorio.
La propuesta de Análisis de Datos de Protección Civil, corresponde al

conjunto de tareas que tienden a la reducción de los impactos de los desastres más
frecuentes a nivel municipal. Un requisito esencial para la puesta en práctica de las
acciones de protección civil es contar con diagnósticos de riesgos, o sea, conocer
las características de los eventos que pueden tener consecuencias desastrosas y
determinar la forma en que estos eventos inciden en los asentamientos humanos,
en la infraestructura y en el entorno. El proceso de diagnóstico implica la
determinación de los escenarios o eventos más desfavorables que pueden ocurrir,
así como de la probabilidad asociada a su ocurrencia.
Es importante explicar algunos conceptos generales sobre la medición del

riesgo. El riesgo se calcula en función de una formulación probabilística, que en su
planteamiento más general se expresa de la manera que se describe a
continuación: 𝑅𝑖𝑒𝑠𝑔𝑜 = 𝑃𝑒𝑙𝑖𝑔𝑟𝑜 𝑋 𝑉𝑢𝑙𝑛𝑒𝑟𝑏𝑖𝑙𝑖𝑑𝑎𝑑.
Figura 20. Representación gráfica de la medición del Riesgo en función del peligro y vulnerabilidad
459
Se llama peligro P, a la probabilidad de que se presente un evento de cierta

intensidad, tal que pueda ocasionar daños en un sitio dado. Se llama vulnerabilidad
V, a la propensión de estos sistemas a ser afectados por el evento; la vulnerabilidad
se expresa como una probabilidad de daño. Finalmente, el riesgo es el resultado de
los dos factores. En este esquema, el riesgo se expresa como un resultado posible
de un evento; ya que P y V son dos probabilidades.
Utilizando la Metodología Fundamental para la Ciencia de Datos enfocada al

análisis de datos geoespaciales en un Sistema de Información Geoespacial (SIG)
se suponen tres conjuntos de operaciones, que son los siguientes:
• Gestión de datos: involucra hacer operaciones necesarias para resolver un

propósito, por lo que se incluyen en este planteamiento todos aquellos procesos
para manejar y moldear adecuadamente la información. Las informaciones
necesarias para el SIG serán generalmente de diversas fuentes y con distintos
formatos, lo que implica que el SIG deberá homogeneizar y adaptar previamente
los datos. En este proceso se deberá corregir ciertos problemas como las
transformaciones y reproyecciones cartográficas necesarios, la introducción de
los atributos temáticos que sean exactos, generar la topología de los elementos
espaciales que se requieran, así como todos los ajustes y procesos que admitan
que los datos sean completamente útiles para la obtención de la información, y
a partir de ellos sean aplicados a las operaciones de análisis y representación
en el SIG.
• Análisis de datos: conlleva al procesamiento de datos para la aplicación de
diferentes operaciones y estudios en las diferentes características de los datos
geográficos presentes, para así obtener nueva información que permita alcanzar
soluciones a los problemas espaciales.
El análisis de datos es el aspecto más característico de un dentro del SIG, ya

que se puede considerar como el conjunto de operaciones más importante, ya
que ayuda a obtener mayor conocimiento sobre un hecho, circunstancia o
fenómeno presente o propuesto en un territorio.
460
• Presentación de datos: supone mostrar los datos mediante diferentes medios

visuales, y la información generada después del análisis y gestión de los
mismos. El SIG admite la representación de los datos de salida de distintas
maneras, mediante tablas, gráficos, y primordialmente mediante mapas que se
visualizarán en la interfaz del SIG, ya sea de forma analógico (para su uso físico),
en diversos formatos para su uso en diferentes dispositivos informáticos, o
mediante su publicación en la web a través de Internet.
10.3.3. Proceso para llevar a cabo actividades

Existe diferentes aspectos conectados entre sí que permiten un correcto
funcionamiento de un SIG, estos se pueden dividir en cuatro componentes
principales:
i. Componente informativo es el afín con los datos a emplear en el SIG y la

visualización de los mismos. Se debe considerar en el dato sus tres aspectos
fundamentales:
• El temático corresponde con cualquier rasgo cuantitativo o cualitativo que
identifique y defina al elemento o suceso a partir de partir de caracteres
alfanuméricos que se está considerando
• El espacial se relaciona con la forma geométrica y la localización geográfica
del dato, la cual será factor fundamental para la información manejada en el
SIG, ya que su importancia radica en la esencia de los datos, como su
potencialidad para establecer las relaciones entre ellos.
• El temporal de los datos tendrá incidencia en los elementos territoriales con
un dinamismo elevado, por lo que es primordial la actualización continua para
poder hacer análisis reales de una determinada situación.
ii. Componente instrumental hace referencia a las herramientas, instrumentos y
aplicaciones que dan soporte informático al SIG mediante dispositivos, software
y hardware.
iii. Componente metodológico establece los procesos y métodos encaminados al
análisis de la información a partir de los avances y desarrollos científicos para el
461
estudio, la evaluación y la comprensión de los fenómenos naturales y sociales

que se tiene lugar sobre el planeta.
iv. Componente organizativo comprende a las personas, los ámbitos de trabajo y
sus procedimientos de gestión y organización que determinarán en gran medida
la validez y operatividad del sistema.
10.3.4. Tecnologías y recursos

En la propuesta del análisis de datos de un SIG, se abarcan recursos
tecnológicos para la solución de dicha idea, por tal motivo se enfocará
principalmente a la explicación del software que se podrán utilizar para dicha
propuesta.
El mundo de la programación es complejo y dinámico a la vez, debido a su

constante cambio, adaptación y evolución para dar respuesta a las necesidades de
múltiples sectores profesionales.
En el sector geoespacial esto no es la excepción, ya que, debido a su

polifacética aproximación, existen una gran multitud de soluciones, aplicaciones y
funcionalidades que pueden encuadrarse dentro del desarrollo o programación GIS.
De los softwares existentes para el análisis de datos en un SIG se tomarán

en cuenta los siguientes:
• Python: es el principal lenguaje de programación y además el de mayor

crecimiento. Python es un lenguaje de scripts, orientado a objetos y de alto
nivel, con este leguaje podemos automatizar las tareas de geo
procesamiento.
• R: es el lenguaje de programación con mayor capacidad para el análisis, el
procesado y la visualización de datos desde un punto de vista estadístico.
• MySQL: se utiliza como acceso a bases de datos y lenguaje de control, se
considera como el corazón de muchas operaciones de SIG debido a que
forma parte integral e indispensable en el control y consulta de la información.
462
• QGIS: es un Sistema de Información Geográfica (SIG) de código libre.

Permite manejar formatos raster y vectoriales, así como bases de datos.
Algunas de sus características son:
• Soporte para la extensión espacial.,
• Manejo de archivos vectoriales,
• Soporte para un importante número de tipos de archivos raster.

La Ciencia de los Datos está evolucionando rápidamente para convertirse en
uno de los campos más populares en la industria de la tecnología. Con los rápidos
avances en el rendimiento computacional que ahora permiten el análisis de
conjuntos de datos masivos, podemos descubrir patrones e ideas sobre el
comportamiento del usuario y las tendencias mundiales en una medida sin
precedentes.
Aplicar la Ciencia de los Datos es ofrecer información útil a las personas

adecuadas en el momento adecuado, por lo consiguiente el producto final estará
orientado específicamente hacia la propuesta de análisis de la base de datos que
es la parte medular del SIG, así como los lineamientos para su posterior expansión
que se espera obtener como resultado de esta investigación es un documento que
contenga una serie de recomendaciones para el diseño e implementación de un SIG
para la interpretación de indicadores de fenómenos perturbadores en el Municipio
de Durango. Además, los requerimientos para su uso y manejo.
Se espera contribuir en un diseño metodológicamente planeado como apoyo

a la realización de un SIG cuyas aplicaciones estén dentro del marco de desarrollo
sustentable, y al mismo tiempo demostrar su eficiencia para este tipo de
aplicaciones.
Asimismo, se desea fomentar el apoyo al desarrollo, uso y administración de

herramientas de SIG para la toma de decisiones. Esperando con esto no sólo el
desarrollo de SIG para aplicaciones dentro del municipio de Victoria de Durango,
sino también el desarrollo de herramientas de información que apoyen y fomenten
un desarrollo sustentable del estado de Durango.
463
Conclusiones
Con respecto información relacionada con Protección Civil, la mayor parte de
los datos que maneja está georreferenciada. Es decir, que se trata de información
a la cual puede asignarse una posición geográfica, y es por tanto información que
viene acompañada de otra información adicional relativa a su localización.
En los últimos años ha crecido la inquietud, investigación e interés en los

sistemas de información geográfica. En parte debido a que los costos del hardware
cada vez son más bajos y a que la capacidad de cómputo y almacenamiento son
cada vez mayores.
La idea central consiste en realizar un análisis de los datos geoespaciales

utilizando software libre integrando R y Python con QGIS proponiendo un sistema
de información geográfica que incluya base de datos, sistemas de tratamientos de
información geográfica, tecnologías de desarrollo web, servidores web, que en
conjunto permitan contar con un proceso de actualización de la información
cartográfica; reduciendo el tiempo de actualización y publicación.
Actualmente hay más facilidades de acceso a la información pública; es decir,

se puede consultar a través de una conexión de internet; por lo tanto, un sistema
integral de información permite establecer bases de datos y realizar el análisis del
peligro, de la vulnerabilidad y del riesgo antes desastres a escala nacional, regional,
estatal y municipal, con objeto de generar mapas y sistemas geográficos de
información. Con ello se estará en posibilidad de simular escenarios de desastres,
emitir recomendaciones para la oportuna toma de decisiones y establecer efectivas
medidas de prevención y mitigación.
Además, al desarrollarse con software libres no tendrá costo de

licenciamiento, debido a que existen herramientas dentro de esta clasificación de
software que proporcionará las mismas, e incluso mejores, funcionalidades
necesarias en comparación con el software propietario.
Partiendo de la idea central descrita anteriormente este documento menciona

sobre los fenómenos perturbadores de carácter destructivo en el Municipio Victoria
464
de Durango, por tanto, no está exento a los desastres naturales por su ubicación
geográfica y consecuente dinámica geológica y climática.
El objetivo de Protección Civil es prevenir las situaciones de grave riesgo

colectivo o catástrofes, proteger y socorrer a las personas, los bienes y el medio
ambiente, cuando dichas situaciones se producen, así como contribuir a la
rehabilitación y reconstrucción de las áreas afectadas.
Para soportar la propuesta se presenta en este trabajo de investigación un

análisis de los datos geoespaciales utilizando software libre integrando R y Python
en QGIS proponiendo un sistema de información geográfica que incluya base de
datos, sistemas de tratamientos de información geográfica, tecnologías de
desarrollo web, servidores web, que en conjunto permitan contar con un proceso de
actualización de la información cartográfica; reduciendo el tiempo de actualización
y publicación.
Los beneficios para que tendrá Municipio Victoria de Durango se consideran

dos puntos clave uno que con base a esta propuesta se tendrá un proceso de
actualización de la información cartográfica; previendo los destrates por causa de
los fenómenos naturales.
Otro beneficio que se busca con esta propuesta es que en un futuro se

desarrolle y se implemente utilizando software libre (R, Python y QGIS); evitando el
gasto por licenciamiento, debido a que herramientas dentro de esta clasificación de
software que proporcionará las mismas, e incluso mejores, funcionalidades
necesarias en comparación con el software propietario.
Por otro lado, se considera más que un beneficio es una propuesta para
Instituto Tecnológico de Durango el tema de Protección Civil utilizando ciencias de
datos con el objetivo de estimular el interés de la comunidad docente y estudiantil
en este tema de tanta relevancia actual creando científicos de datos que son
sencillamente un profesional dedicado a analizar e interpretar grandes bases de
datos.
465
En el ámbito personal el realizar este trabajo con el tema de ciencia de datos

enfocado al análisis de datos de Protección Civil utilizando herramientas de software
libre llevó a conocer y actualizarse en este mundo de R y Python; como estos
lenguajes son tan nobles que se pueden realizar un mundo de posibilidades para
análisis de datos masivos con el fin de tomar decisiones para mejorar las actividades
y mejoras de la vida actual.
El conocimiento para un profesional en la informática y tecnologías de la

información va en proporción de la actualización de avances tecnológicos.
Para entender cómo funciona la Ciencia de los Datos no se requiere ser un

científico de datos experto, se pueden conocer aspectos del enfoque de la Ciencia
de los Datos en el manejo de información e integrar los modelos al desarrollo de
aplicaciones realizando un análisis de datos para realizar las acciones necesarias
y llegar a la toma de decisiones más apta para el problema que se presente.
Esta propuesta enfocada a ciencia de datos para el análisis de datos de

Protección Civil utilizando R y Python en QGIS espera contribuir en un diseño
metodológicamente planeado como apoyo a la realización de un SIG cuyas
aplicaciones estén dentro del marco de desarrollo sustentable y al mismo tiempo
demostrar su eficiencia para este tipo de aplicaciones.
Referencias
Cámara de Diputados del H Congreso de la Unión. (19 de 01 de 2019). Ley General de Protección
Civil. Obtenido de Ley General de Protección Civil 2012. Ultima reforma 2018:
http://www.diputados.gob.mx/LeyesBiblio/pdf/LGPC_190118.pdf
Carranza Tresoldi, J. (18 de 07 de 2016). Geo Awesomenes. Obtenido de The right human scale to
measure Sustainable Development Goals: https://geoawesomeness.com/the-right-human-
scale-to-measure-sustainable-development-goals/
CENAPRED. (2014). Cenapred. Obtenido de Centro Nacional de Prevención de Desastres:

https://www.gob.mx/cenapred
466
Centro Mediterraneo. Univesidad de Granada. (s.f. de s.f. de s.f.). Centro Mediterraneo. Univesidad
de Granada. Obtenido de Ciencia de Datos: Un Enfoque Práctico en la Era del Big Data (VI
ed.): https://cemed.ugr.es/curso/20gr10/
Coronado Iruegas, A. A. (16 de 11 de 2016). Slide Share.net. Discover. Share. Learn. Obtenido de
Big data taller INEGI sedesol: https://www.slideshare.net/acoronadoiruegas/big-data-taller-
inegi-sedesol
Ministerio para la Transición Ecológica. (18 de 06 de 2020). Gobierno de España. Obtenido de

Ministerio para la Transición Ecológica: https://sig.mapama.gob.es/calidad-aire/
Morales, A. (01 de 01 de 2018). MappingGIS. Formación que impulsa tu perfil GIS. Obtenido de
Lenguajes de programación para GIS y sus tendencias de crecimiento:
https://mappinggis.com/2012/11/lenguajes-de-programacion-gis/
Patel, A. (18 de 08 de 2019). ML Research Lab. Obtenido de Data Science Methodology — How to
design your data science project: https://medium.com/ml-research-lab/data-science-
methodology-101-2fa9b7cf2ffe
Sánchez Fleitas, N., Comas Rodríguez, R., & García Lorenzo, M. M. (2019). Sistema Inteligente de
Información Geográfica para las empresas eléctricas cubanas. Ingeniare. Revista chilena de
ingeniería, vol. 27 , 197-209.
SIMCA. (06 de 18 de 2020). Sistema de Monitoreo de la Calidad del aire del Estado de Durango.
Obtenido de Sistema de Monitoreo de la Calidad del aire del Estado de Durango:
http://calidadaire.durango.gob.mx/
Universidad de Alcalá. (s.f.). Universidad de Alcalá. Master en Business Intelligence and Data
Science. Obtenido de Ventajas y Desventajas del uso del Big Data: https://www.master-
bigdata.com/
Vázquez Pulido, J. C., & Morales Bautista, E. M. (01 de 01 de 2019). Instituto Mexicano del
Transporte. Obtenido de Datos masivos geoespaciales para identificación de patrones de
riesgo en la RNC: https://imt.mx/archivos/Publicaciones/PublicacionTecnica/pt540.pdf
467
Capítulo 11
Comparativo de herramientas para visualización de datos:

Tableau y Power BI
Ana Georgina Soledad Núñez Martínez

[email protected]
América Herrera Domínguez

03040966 @itdurango.edu.mx

[email protected]
11.1. Introducción
Considerando que existen en el mercado diversas opciones de herramientas
de visualización de datos, las cuales están enfocadas en extraer al máximo toda la
información de la enorme cantidad de datos que se generan diariamente; y que cada
vez con mayor frecuencia las empresas aplican la Inteligencia de Negocios (BI),
para poder tomar la mejor decisión, es preciso ofrecer un comparativo de dos de las
herramientas elegidas por los usuarios, Tableau y Power BI.
468
Por increíble que parezca, todo lo que existe alrededor en término de datos
es apto de ser analizado, procesado y con ello obtener una ventaja competitiva ante
el adversario en los negocios, sin importar el giro comercial de la empresa. Por tal
motivo, es importante conocer las herramientas de visualización de datos y su
relación con la inteligencia de negocios que hoy en día es aplicada con mayor
frecuencia.
Este capítulo presenta aspectos de las herramientas de visualización de

datos Tableau y Power BI, desde su instalación, funcionalidad, interfaz, fortalezas,
debilidades, los productos y/o servicios que ofrece, además de cómo se pueden
adecuar a las necesidades del usuario. Adicionalmente se ejemplifican algunos
casos de éxito donde se han aplicado las 2 herramientas, con el fin de realizar un
comparativo sobre ambas herramientas.
Los datos se encuentran prácticamente en todos lados, desde redes sociales,

big data, dispositivos móviles, sistemas de predicción del clima y sensores entre
otros, en términos generales todo lo que se puede clasificar como Internet de las
Cosas a medida que estos datos van creciendo para los usuarios e incluso para
algunos sistemas informáticos resulta difícil su manejo.
El almacenamiento y ordenamiento no es suficiente, cuando se puede

obtener información relevante y precisa, la cual permita ayudar en la toma de
decisiones para el ámbito en el que se encuentre. Es de suma importancia que se
lleve a cabo en las empresas la integración de inteligencia en los procesos
organizativos y de toma de decisiones, lo que conlleva a unir soluciones de
visualización y análisis adaptables a las necesidades de negocio.
En una empresa Financiera de Desarrollo Agropecuario, Rural Forestal y

Pesquero (FND), existen numerosos reportes y gráficas en Excel que diariamente
se envían por correo electrónico a los titulares de las Agencias Estatales para
monitorear sus resultados, pero que no pasan de ser simples reportes que incluso
habrá usuarios que no le den el significado correcto.
469
Gracias a las nuevas herramientas que hay en el mercado, se puede facilitar

este proceso y además llevarlo a su máxima expresión. Con la ayuda de Tableau y
Power BI, la información enviada a cada Agencia Estatal podrá ser más sencilla de
presentar, visualizar y sobre todo la posibilidad de detectar áreas de oportunidad
para cualquier Estado. Incluso cada Agencia podrá elaborar sus propios reportes de
cualquier variable que cada una requiera.
Como objetivo general se pretende realizar un comparativo de las

herramientas de visualización de datos Tableau y Power BI, presentar casos de
éxito y en base a la investigación obtenida, realizar un análisis de cuál es la mejor
opción para el caso presentado.
De manera específica se pretende:
• Indagar el estado del arte acerca de las herramientas Tableau y Power BI.
• Analizar ventajas y desventajas de las herramientas para realizar un
comparativo.
• Exponer casos exitosos en los cuales se aplicaron ambas herramientas de
visualización de datos.
• Dar opinión acerca de cuál es la mejor opción y la que mejor se ajusta de acuerdo
a las necesidades del usuario.
El propósito es comparar el uso y funcionamiento de las herramientas de

visualización de datos Tableau y Power BI para sugerir la aplicación de alguna de
estas en el área de trabajo. Lo anterior se realizará identificando fortalezas y
debilidades, ajustando a las necesidades del usuario, conforme al tipo de
información que se maneja y los reportes que se puedan generar.
Al investigar y conocer las características que poseen las herramientas de

visualización de datos, Tableau y Power BI, se podrá sugerir el uso de alguna de
ellas en el área de trabajo, lo cual permitirá facilitar el uso de los datos, poderlos
convertir en la mayor información posible y que esta información pueda ser
470
presentada de tal manera que simplifiquen su entendimiento y se puedan detectar

áreas de oportunidad.

11.2.1. Inteligencia de Negocios (Business Intelligence)
Hoy en día, ante los inminentes volúmenes de datos que se manejan
diariamente, todas las compañías requieren de habilidades para tomar decisiones
de forma correcta y rápida y así poder llegar a los resultados deseados. Para
lograrlo existen múltiples opciones de solución empresariales, tecnologías y
metodologías que pueden realizar la conversión de información a conocimiento.
La Inteligencia de Negocios (BI, Business Intelligence) por sus siglas en

inglés, definida por Gómez y Bautista (2010), como una herramienta que cualquier
organización, sin importar el giro al que se dedique, pueden soportar la toma de
decisiones basadas en información precisa y oportuna; esta herramienta, que no
son más que estrategias, productos, tecnologías y técnicas enfocadas a administrar
y crear conocimiento.
A través del análisis de datos, BI va a garantizar que el conocimiento

generado es el necesario para que permita elegir una alternativa que en ese
momento sea la más conveniente para el éxito de la empresa, es decir mediante la
aplicación de alguna herramienta de visualización de datos, como lo son Tableau o
Power BI, será más rápida identificar aquellas áreas de oportunidad o incluso el
punto al que se quiere llegar.
Cada compañía en el mundo sin duda, cuenta con su propio sistema de

información diseñado específicamente para el sector de negocios al que atiende,
dicho sistema será tan sencillo o robusto dependiendo de las necesidades de la
misma, todos los datos generados, acabaran siendo volúmenes de datos obsoletos
y solo ocuparan espacio, sin considerar que con el transcurso del tiempo estos datos
son una fuente de conocimiento, básicamente la historia de la organización y que
471
en muchas ocasiones pueden ser tan poderosos para argumentar cualquier

decisión.
“El poder competitivo de una empresa se basa en la calidad y cantidad de la

información que sea capaz de usar en la toma de decisiones. Esta información
aporta una diferencia o ventaja sobre el mercado, lo que se convertirá en
conocimiento. Con la implementación de Inteligencia de Negocios se proporcionan
las herramientas para aprovechar los datos almacenados en las bases de datos
para utilizar la información como respaldo a las decisiones, reduciendo así, el efecto
negativo que puede traer consigo una mala determinación” (Gómez y Bautista,
2010).
Gracias a que los datos son tratados, ordenados y reorganizados de tal

manera que se pueda obtener sabiduría de estos, pasan de ser simples datos a
información y esta información por consiguiente se trasforma en conocimiento, a
esto se le llama ciclo del conocimiento. (Rodríguez, 2017).
Figura 1. Ciclo del conocimiento
Fuente: (Rodríguez, 2017).
La inteligencia de negocios definida como la habilidad corporativa para tomar

decisiones, mediante el uso de metodologías, aplicaciones y tecnologías que
permitan la reunión, depuración y transformación de los datos, para aplicar en ellos
técnicas analíticas de extracción de conocimiento (Rud, 2000).
No habrá mayor precisión en la información que arroja un sistema de

Business Intelligence, el cual responda las interrogantes que todo gremio quiere
saber a cerca de su negocio; el ¿Qué pasó?, ¿Qué pasa ahora?, ¿Por qué pasó?,
¿Qué pasará? (Caralt, 2010).
472
Business Intelligence, Minería de Datos u Open Data, guardan una estrecha

relación con Big Data: la cual es usada para hacer una descripción de la rápida
integración y análisis de la información a escalas muy grandes, y como lo menciona
Tascón (2013), “Frente a las denominadas “3V”, las cuales constituyen su esencia:
Volumen, Variabilidad y Velocidad, además sugiere el surgimiento de una cuarta, la
V de Visualización”.
VOLUMEN
Big Data
VARIABILIDAD VISUALIZACIÓN VELOCIDAD
Figura 2. La Big Data y las 4V´s
Fuente: Táscón (2013)
La variabilidad, se refiere a los formatos y fuentes en los que se encuentran

los datos, es la práctica de incorporar datos recopilados originalmente para
propósitos dispares, análisis combinados, como por ejemplo registros médicos
electrónicos combinados con las compras, historiales o actualizaciones de perfiles
de redes sociales. En el caso de “FND” como ejemplo puede ser tipos de créditos
que se ofrecen combinados con los índices de cartera vencida asociados además
al género de las personas que son morosas para pagar.
El Volumen se refiere a la cantidad que se genera de datos en un espacio

de tiempo determinado, en el caso de “FND” se relaciona con el número de créditos,
tipos de crédito, monto total de créditos, índices de cartera vencida, índice de
recuperación de cartera, entre otros, que se generaron en un periodo de tiempo
específico.
La Velocidad, se puede referir al proceso de generación de datos, los cuales

se compilan y analizan en tiempo real o casi en tiempo real, mediante algoritmos
473
que son operados sin la intervención humana, la rapidez de entrada y salida de los
datos los cuales fluyen por los distintos canales, y en el caso de “FND” que tan
rápido se puede extraer dicha información del sistema que el área de trabajo tiene.
El análisis de datos y de negocios son disciplinas que han evolucionado en

organizaciones y empresas prácticamente en todos los campos de saber, lo cual
permite tener una decisión más eficaz y eficiente, se habla de tener un resultado
además de acertado, rápido. Debido a esto, las herramientas de inteligencia de
negocios han ido recogiendo las tecnologías como lo son OLAP (Procesamiento
Analítico en Línea) por sus siglas en inglés, de informes y consultas (Reporting and
Query), de visualización y de minería de datos tanto web, texto, medios sociales e
incluso han llegado a técnicas de análisis de minería de sentimientos y minería de
opinión. (Aguilar, 2016).
De acuerdo al estudio realizado por Turner y otros (2014), revela que, por
increíble que esto parezca, no se ha llegado ni al 1% del análisis de los datos que
se generan en el mundo, situación que es alarmante, dado que se pierde la enorme
oportunidad de poder obtener información tan valiosa y necesaria para todos. La
visualización de los datos se encargará de captar de manera inmediata la atención
de quien tendrá que tomar decisiones importantes en una empresa, mediante un
diseño que permita comprender la información presentada.
Llegado a este punto, surge la pregunta ¿qué son las herramientas de

visualización de datos?
Cuando se habla de herramientas de visualización de datos, se refiere a

diseñar o transformar los mismos, en gráficos que faciliten su comprensión, el
objetivo será obtener información y dar soporte a la toma de decisiones, por tanto,
474
la información deberá comunicarse de una manera clara apoyándose de

instrumentos que faciliten su comprensión.
La visualización de datos consiste en convertir la información en una imagen

que ayude a identificar el significado de tantos datos almacenados. Es decir, del
mundo de información que se maneja, se puede identificar fácilmente los puntos
de oportunidad o bien si se llega o no al punto esperado.
Cuando se tiene a la mano toda esta información sintetizada es mucho más

fácil identificar sobre todo tendencias, patrones, estilos que van a llevar muy
seguramente al éxito. Una imagen vale más que mil palabras dice un refrán y
acertadamente, todos conocen que es mucho más fácil analizar una imagen que
cientos de registros o información organizada en tablas o gráficas básicas.
La visualización de los datos se encargará de “diseñar la comprensión de la

información”.
Tabares y Hernández (2014), mencionan que el primer desafío que tiene la

visualización de datos es el poder representar el conocimiento de tal manera que
las personas puedan entenderlo, esto gracias al uso de los mecanismos o
herramientas tan sofisticadas que hoy existen, aunque dichas herramientas estarán
en constante enfrentamiento a inconvenientes por la gama tan grande de tamaños
y diversidades de datos.
Como se ha mencionado, las organizaciones no alcanzan a aprovechar las

ventajas de las múltiples oportunidades que tienen con toda la información que
generan, el reto que tienen es el de poder separar, lo que es relevante y lo que no,
todo siempre medido por tiempos y entre menor sea el tiempo de respuesta es
mucho mejor.
Microsoft ha desarrollado y renovado herramientas como Power BI, pero

además, existen en el mercado diversas opciones de software como Tableau,
diseñadas para el tratamiento de los datos y su clasificación va de acuerdo al uso
que se le da a la herramienta, o bien para el fin que fue desarrollada. Algunas están
orientadas en la utilización de gráficos, diagramas y/o infografías, o incluso de su
475
uso gratuito. A continuación, se muestran algunas herramientas orientadas a la

visualización de datos.
11.2.2.1. Tableau
Tableau es una de las herramientas de visualización de datos más populares

y completas disponibles en el mercado. Su interfaz sencilla e intuitiva permite
generar visualizaciones sobre grandes volúmenes de datos. Cuenta con un
funcionamiento sencillo, además de la posibilidad de personalizar las informaciones.
Tableau ofrece una versión gratuita.
Figura 3. Ejemplo de gráfico de Tableau
Fuente: Tableau (2018a)
11.2.2.2. Qlik
La empresa Qlik ofrece dos productos para el análisis de datos: QlikSense y

QlikView. QlikSense es una plataforma de análisis de datos en la nube. En él se
pueden combinar datos de diferentes fuentes, sin importar lo extensa o complejas
476
que puedan ser. Cuenta con capacidades de Inteligencia Artificial (IA), búsquedas
en lenguaje natural y soluciones interactivas.
QlikView por su parte, permite producir rápidamente aplicaciones y

dashboards (tableros de mando) de analítica guiada interactiva, permitiendo a los
usuarios tomar decisiones basadas en datos. Es una herramienta de Bussines
Intelligence (Qlik, 2018)
Figura 4. Qlink
Fuente: (Qlik, 2018)
11.2.2.3. Plotly
Plotly es una herramienta Web diseñada para el análisis y visualización de

datos. Costa de una librería de gráficos científicos para Python, R, MATLAB, Perl,
Julia, Arduino y REST. Con Plotly se pueden crear diferentes variedades de gráficos
a partir de diversas fuentes de datos (Plotly, 2018). Esta herramienta es usada para
generar desde gráficos sencillos hasta gráficos para Inteligencia Artificial, Machine
Learning y Ciencia de los Datos. Cuenta con la capacidad de generar tableros
interactivos (dashboards) para personalizar el análisis y visualización de los datos.
En la siguiente figura se muestra un ejemplo de un dashboard realizado con plotly.
477
Figura 5. Dashboard Plotly

Fuente: (Plotly, 2018)
11.2.2.4. Carto
Carto es una herramienta para el análisis espacial. La plataforma de

inteligencia de ubicación de CARTO permite a las organizaciones almacenar,
enriquecer, analizar y visualizar los datos para la toma de decisiones espacialmente
conscientes (Carto, 2018). Puede ser utilizado para analizar territorios de ventas o
diseñar cadenas de suministro.
Figura 6. Análisis espacial Carto

Fuente: (Carto, 2018)
478
11.2.2.5. DataWrapper
Al igual que las otras herramientas, su interfaz es sencilla, intuitiva y clara.

Esta herramienta ofrece la creación de gráficas, mapas y tablas. Es fácil de usar,
responsiva, sin necesidad de instalar o actualizar (trabaja desde la nube), no
requiere de códigos de programación (DataWrapper, 2018).
Figura 7. DataWrapper Chart
Fuente: (DataWrapper, 2018)
11.2.2.6. PowerBI
Power BI es un servicio de análisis de negocio basado en la nube que
proporciona una vista única de los datos más críticos. Es una herramienta
desarrollada por Microsoft y permite cientos de visualizaciones de datos,
funcionalidades de inteligencia artificial integradas, integración perfecta de Excel y
conectores para diferentes fuentes de datos (Power BI, 2018).
479
Figura 8. Power BI
Fuente: (Power BI, 2018)
En los siguientes puntos se detalla más características de las herramientas

Tableau y PowerBI.
11.2.3. Herramienta Tableau

Tableau es una compañía de software fundada por Chris Stolte, Christian
Chabot and Pat Hanrahan, en 2003 en Seattle, Estados Unidos, desarrolla
productos interactivos de visualización de datos orientados en la Inteligencia de
Negocios (Business Intelligence).
Sus fundadores realizaron una búsqueda de técnicas de visualización para

llevar a cabo la exploración y análisis de datos relacionales y aunado a eso la
combinación de un idioma estructurado de búsqueda por bases de datos y un
lenguaje descriptivo que permitiera representar gráficos los cuales resultaron en la
herramienta que hoy podemos utilizar de una forma muy práctica y sencilla.
Uno de los múltiples propósitos que Tableau ofrece, es el de ayudar a que

las personas vean y comprendan sus propios datos, que puedan responderse sus
propias preguntas, mediante un análisis mucho más rápido, útil, fácil y además
480
agradable a la vista. Todo esto representa una de las misiones que tiene el siglo
XXI. Esta compañía representa el claro ejemplo de usar sus propios productos que
desarrollan y ofrecen al mercado.
Dispone de diferentes servicios como análisis de encuestas, sitios webs,
redes sociales, series temporales, hasta herramientas Big Data o DashBoards de
negocios. Esta herramienta es tan potente que, puede hacer que una marca
comercial tenga índices de popularidad más elevados, mediante el análisis de
patrones en las redes sociales o un análisis estadístico de enfermedades
gastrointestinales de un sector de la sociedad en un periodo de tiempo, por
mencionar algunos (Ruíz, 2018).
Tableau como otras herramientas de visualización, ofrece además otros
recursos adicionales para dar soluciones a las necesidades específicas de cada
usuario, como lo son:
• Tableau DeskTop (Tableau Escritorio): Ediciones profesional y personal.
Esta aplicación va a permitir analizar datos estructurados cualquiera que
fuera la fuente, mediante la cual se podrá generar todo tipo de gráficos,
informes interactivos, paneles de control, todo en un tiempo muy corto. La
interfaz es realmente muy amigable, por lo que cualquier persona fácilmente
puede familiarizarse con la herramienta.
• Tableau Server (Tableau Servidor): Es la solución de inteligencia comercial
que ofrece análisis visual desde el navegador. Esta aplicación lo que va a
permitir es el compartir o ver las publicaciones de otros usuarios que se
encuentren en el servidor.
• Tableau Online (Tableau en Línea): es una extensión de Tableau Server la
cual centraliza los datos en la nube y permite hacerlos públicos cuando los
compartes. Publica orígenes de datos de Tableau Desktop, define
conexiones de datos, agrega conexiones de datos en la nube y actualiza los
datos de Salesforce y Google Analytic. BigQuery y Amazon Redshift.
• Tableau Reader (Tableau Lector): Permite la visualización de manera
gratuita prácticamente a cualquier persona, para interactuar con los libros de
481
trabajo elaborados en Tableau Desktop, es preciso indicar que este producto

es gratuito.
• Tableau Public (Tableau Público): es una herramienta de visualización de
datos de acceso libre y gratuito, en donde cualquier persona en cuestión de
minutos puede publicar datos, crear visualizaciones, ubicarlos y compartirlos
directamente en sitios web, sin necesidad de escribir código.
• Existen las Tableau Community, las cuales permiten a los usuarios
interactuar por medio de foros en línea y reafirmar lo aprendiendo o consultar
dudas o experiencias con otros usuarios en tiempo real.
11.2.4. Herramienta Power BI

Power BI es una colección de servicios de software, aplicaciones y
conectores que funcionan conjuntamente para convertir orígenes de datos sin
relación entre sí en información coherente, interactiva y atractiva visualmente. Esto
puede realizarse partiendo desde una sencilla hoja de cálculo de Excel como de
una colección de almacenes de datos híbridos locales o basados en la nube, Power
BI le permite conectar fácilmente los orígenes de datos, visualizar lo más importante
y compartirlo al instante si así se desea.
Figura 9. Power Bi entrada
Fuente: (Power Bi, 2018)
Por sus características representa una herramienta sencilla y rápida; con la

gran capacidad de crear información rápida a partir de una hoja de cálculo de Excel
o una base de datos local. Esta herramienta permite convertirse en un instrumento
482
personalizado de creación de informes y visualización, así como actuar como el

motor de análisis y de decisión que impulsa proyectos en grupo, divisiones o
empresas enteras. (Power Bi, 2018)
• Power BI Desktop: es el software donde se procesa y maquila toda la

información que se importó desde cualquier fuente de datos. Se conecta con
varias extensiones de datos, permite realizar consultas, crear y diseñar
reportes e informes de inteligencia empresarial.
• Power BI Service: Es un servicio basado en la nube que proporciona una
vista única de los datos más críticos del negocio, ya que permite crear y
publicar informes para supervisar el estado de la empresa.
• Power BI Mobile: Es una aplicación que se conecta a cualquier dispositivo
móvil (teléfonos y Tablet) desde cualquier lugar, permite acceder a la
información empresarial mediante acceso directo e interactivo para ver los
informes. Disponible para Android como IOS.
Figura 10. Las partes de Power BI
Fuente: (Power Bi, 2018)
11.2.5. La empresa
En este apartado se documenta acerca de la empresa a dónde se dirige la
propuesta de uso de herramientas de visualización de datos.
Financiera Nacional de Desarrollo Agropecuario, Rural, Forestal y Pesquero

(FND) es un organismo descentralizado de la Administración Pública Federal,
483
sectorizado en la Secretaría de Hacienda y Crédito Público (Banca de Desarrollo),

que impulsa el desarrollo del medio rural a través de créditos accesibles para
pequeños productores y MIPYMES.
Actualmente existen 5 Coordinaciones Regionales (Centro-Occidente,

Noroeste, Norte, Sur y Sureste), que de acuerdo a su ubicación geográfica se
clasifican cada uno de los estados del país. Cada estado es representado por una
Agencia Estatal de Crédito, que también pueden subdividirse en Agencias de
Crédito y Módulos de Atención, según sea el caso.
Cabe mencionar que el Estado de Durango pertenece a la Coordinación

Regional Norte, cuenta con una Agencia Estatal de Crédito en el municipio de
Durango, una Agencia de Crédito en Guadalupe Victoria y 2 Módulos de Atención
en Santa María del Oro y Tamazula.
Figura 11. Distribución geográfica de las Coordinaciones Regionales de FND en el País
Fuente: (FND, 2018)
Misión:
Impulsar el desarrollo del medio rural y de las actividades del sector primario, a
través del crédito y servicios financieros accesibles a productores, intermediarios
financieros rurales y otros agentes económicos, con la finalidad de elevar la
productividad y contribuir a mejorar el nivel de vida de la población.
484
Visión:
Ser la mejor opción de financiamiento para el medio rural y actividades vinculadas

con el sector primario del país, reconocidos por la alta calidad en el servicio y
comprometidos con el éxito de cada proyecto, que resulta en la generación de valor
en la comunidad y la sustentabilidad de la institución.
Cada una de las Agencias Estatales, Agencias de Crédito y Módulos de

atención es evaluada y monitoreada diariamente conforme a la meta establecida
anualmente y mediante una serie de indicadores establecidos en los reportes que
se dan a conocer vía correo electrónico. Los reportes enviados obedecen a los
logros obtenidos del 1 de enero de cada ejercicio fiscal al día anterior del reporte y
las variables que se consideran, entre otras, son: avance en la colocación de
créditos, índices de cartera vencida, colocación acumulada al mismo periodo del
ejercicio anterior, porcentajes de cumplimiento de la meta establecida anualmente
y recuperación de cartera. Dichos reportes se realizan en una hoja de cálculo de
Excel, presentadas en una forma plana, es decir, sin gráficos.
En la institución, cada Agente de Crédito está familiarizado con el formato,

los indicadores y en cierta forma el renglón - columna donde va el porcentaje que
les falta para cumplir la meta, o el porcentaje de cartera vencida para considerarse
en la media.
Es preciso proponer una fuente de información más dinámica que les permita
en una forma casi instantánea ver el comportamiento de cada Agencia y/o Módulo
de atención e incluso los logros obtenidos por cada empleado con funciones de
Ejecutivo de Financiamiento. Como propuesta, es en primera instancia, poder
identificar mediante un comparativo cuál de las dos herramientas de visualización
de datos puede ajustarse mejor a las necesidades del usuario.
Se propone implementar la herramienta de visualización de datos en la

Agencia Estatal Durango a modo de prueba para “evaluar los logros obtenidos de
cada Ejecutivo de Financiamiento”, quienes son la parte fundamental para el logro
de las metas, debido a que son los ejecutores de dicha información.
485
La propuesta consiste en generar reportes que proporcionen información

valiosa para el Agente Estatal y poder detectar áreas de oportunidad para la
Agencia. Luego proponer la implementación de la herramienta a escalas mayores e
incluso su uso a nivel Corporativo.
11.3. Desarrollo
Existen en el mercado diversas y muy completas herramientas de
visualización. En este trabajo se tomaron en consideración Tableau y Power BI.
Estas herramientas van a permitir crear reportes de visualizaciones de datos

dinámicos y sencillos, además de ofrecer servicios que son gratuitos y de los cuales
se puede obtener muchos beneficios, además de que su interfaz es sumamente
amigable lo cual permite que el usuario pueda manejarlas sin problema.
A lo largo del desarrollo de esta propuesta se detallarán más aspectos acerca

de Tableau y PowerBI.
11.3.1. ¿Por qué Tableau?

La mayoría de los autores o publicaciones de artículos en internet hablan de
Tableau, por su facilidad y rapidez para generar reportes o informes de análisis de
datos. Es de las más utilizadas para la Inteligencia de Negocios lo cual es idónea
para la propuesta de implementación en “FND”, ya que se requiere tener al día la
respuesta a las preguntas ¿Cómo vamos?, ¿Cuánto nos falta?, entre otras.
Con esta herramienta resulta muy sencillo elaborar diagramas de interacción

dinámicos, además que los gráficos que utiliza y los colores que se pueden usar
realmente captan la atención deseada. Esto puede parecer una característica sin
trascendencia para muchos, pero hay estudios relacionados sobre el uso de los
colores y formas en que debe presentarse la información, de eso depende que el
usuario capte o no su atención. Es más fácil y práctico identificar la información a
partir de una imagen.
486
11.3.1.1. Instalación de la herramienta Tableau Desktop
La aplicación se descarga desde la URL https://public.tableau.com/s/. Por ser

un producto internacionalizado, son compatibles con Unicode y con los datos
almacenados en cualquier idioma. La interfaz y la documentación cuenta con 7
idiomas incluyendo el español.
Es necesario ingresar una cuenta de correo electrónico para realizar la

descarga. Se captura la cuenta de correo en la caja de descripción y enseguida
presionar botón de descargar la aplicación, se elige la opción correspondiente al
sistema operativo con el que cuenta el equipo de cómputo (Windows o Mac).
Al terminar la instalación, la herramienta ofrece un libro digital para su

aprendizaje. En Tableau Public se muestran las primeras opciones que tiene la
aplicación, como la fuente de datos con la que se desea trabajar. Ciertamente en
muchas empresas las principales fuentes de datos son archivos de Excel, aunque
existen múltiples opciones con las que se puede trabajar en Tableau Public:
Archivos de texto, Access, JSON, archivos de estadística, entre otros.
11.3.1.2. Requerimientos del Sistema

• Sistema Operativo: Windows 7 o posterior, para Mac OSX 10.11 o posterior.
• Navegadores web: Chrome en Windows, Mac y Android 4.4 o posterior,
Microsoft Edge e Internet Explorer 11 en Windows, Mozilla Firefox y Firefox
ESR en Windows y Mac, Apple Safari en Mac y iOS 8.x o posterior
• Fuentes de Datos: Microsoft Excel, Archivos de texto: archivos de valores
separados por comas (.csv), archivos JSON, PDF, Archivos espaciales
(ESRI Shapefiles, KML, GeoJSON y MapInfo), Archivos estadísticos; SAS
(*.sas7bdat), SPSS (*.sav) y R (*.rdata, *.rda), Odata, Hojas de Google,
Conectores de datos web.
11.3.1.3. ¿Cómo funciona Tableau?

Una vez terminado el proceso de instalación se ejecuta el acceso directo para
abrir una hoja de Tableau Public, Se selecciona el archivo de datos con el que se
desea conectar. Ver la figura 12.
487
Figura 12. Conectar archivo de datos

Fuente: (Tableau, 2018b)
Para este ejemplo se eligió un archivo de Excel, que al seleccionarlo

despliega una pantalla en la cual se deberá de indicar la ruta donde se encuentre
ubicado el archivo. Ver la figura 13.
Figura 13. Selección de la fuente de datos
488
En este punto Tableau Public se encuentra vinculado con el archivo

seleccionado, se puede visualizar arrastrando el archivo que aparece en el panel
izquierdo de la pantalla y soltarlo en el área que indica Arrastrar hojas aquí. Ver la
figura. 14.
Figura 14 Vinculación de datos de Excel
Se comenzará a tener una pequeña visualización en forma automática del

conjunto de datos que contiene el archivo, los cuales se pueden identificar mediante
el nombre del encabezado que aparecen en cada columna, también se podrá
modificar tanto el nombre de la columna como la estructura del conjunto de datos
si así se requiere. Ver la figura 15.
Figura 15. Visualización de los conjuntos de datos

489
Para comenzar a realizar análisis de los datos se requiere abrir una hoja de
trabajo, esta opción se encuentra ubicada en la parte inferior izquierda de Tableau
Public, tal y como se ilustra en la figura 16.
Figura 16. Ir a la hoja de trabajo

Enseguida se selecciona el campo a graficar y se arrastra el campo al lienzo llamado

Arrastrar un campo aquí, como se muestra en la figura 17. Esta representa una de las
formas más sencillas de crear gráficos.
Figura 17. Lienzo para crear gráficos

490
Esto permite visualizar los datos en forma casi instantánea y conforme se va

agregando datos al lienzo la gráfica, ésta va realizando cambios que permite a
primera vista identificar cual es el que más o cual es el que menos, conforme a las
variables que se estén evaluando.
En la Figura 18, se puede observar que la primera gráfica solo se señala que
países se evalúan, pero en la siguiente gráfica, cuando se le agrega otra variable
al lienzo de trabajo, la gráfica cambia para mostrar cada país del mundo y que
cantidad de CO2 son emitidas cada año.
Figura 18. Visualización de datos

11.3.1.4. Recursos adicionales que ofrece el portal de Tableau
• Videos paso a paso

• Datos de muestra
• Capacitación en vivo
• Además de brindar una certificación comprobando conocimientos técnicos
con un examen de Qualified Associate en la siguiente dirección url
https://www.tableau.com/es-es/support/certification.
491
11.3.2. Casos exitosos en la aplicación de la herramienta Tableau
A continuación, se presentarán algunos casos sobre empresas que

experimentan el uso de la herramienta Tableau en sus procesos de trabajo.
11.3.2.1. Nacional Financiera – Análisis Financiero
A manera de reflexión esto es lo que menciona Guillermo Martínez Ceballos,

Gerente de Información Financiera de Nacional Financiera:
“Si no tuviésemos a Tableau, lo que se estaría haciendo ahora es esperar a

que las áreas operacionales realicen compilaciones de informes, lo que tomaría de
10 a 15 días, o hasta un mes”. (Martínez, sf)
Hoy en día, los ejecutivos de Nacional Financiera tienen acceso a

importantes puntos de datos con 24 horas de antelación. Al ajustar su estrategia
de planificación sobre la marcha a lo largo de sus diferentes áreas de negocio
(marketing, promociones y contabilidad), se encuentran en una mejor posición para
alcanzar los objetivos anuales.
Con Tableau, el equipo trabaja desde una sola fuente, lo que conlleva una
mayor colaboración y precisión. El volumen de datos es de 30 millones de registros
debido a que tienen 15 años de historia. Cuentan con una data warehouse, el cual
les ha permitido almacenar tal cantidad de información. Al ser una institución
financiera, se debe dar seguimiento al cumplimiento de las metas, así como los
indicadores que se tienen proyectados anual y mensualmente e ir anticipando
incidencias.
Gracias a los tableros se puede comparar la información que se tiene con la

información programada para ir viendo si se va cumpliendo o no el objetivo. Tableau
permitió contar con la información 24 horas antes, lo que permite que tanto los
informes ejecutivos como los informes de análisis que se realizan se vayan viendo
con anticipación para ver incidencias, para los cierres de mes.
492
11.3.2.2. GNP centraliza sus datos y gana agilidad en la toma de decisiones
Con Tableau “se deja de ser un área que generaba reportes a ser un área
que genera estrategias para la venta” (Cisneros, s.f.). “Con un par de clics se puede
identificar quien es el que debe más y tomar acción para recuperar ese dinero”
(Cisneros, s.f.).
Con una facturación anual de 56 mil millones de pesos mexicanos, operando

en más de 40 oficinas, con 3,000 empleados y 4,250 agentes de ventas, el Grupo
Nacional Provincial (GNP), es una de las compañías de seguros más grandes de
México. Para gestionar sus datos y transformar el potencial de la información en
oportunidades de rentabilidad del negocio, GNP eligió Tableau.
Para llevar a cabo la implementación de Tableau empezó con una prueba

gratuita y en la actualidad se extiende por toda la compañía incluyendo el comité
ejecutivo. Con Tableau, GNP logró centralizar todas sus bases de información en
un único reporte y utilizar el poder de análisis de gerencia de inteligencia comercial
para el día a día de la empresa.
11.3.3. ¿Porqué Power BI?
Microsoft Power BI Desktop se creó para los analistas y en el cual se pueden

combinar visualizaciones interactivas con consultas y modelado de datos. Se
pueden crear y publicar informes en Power BI. Ayuda a facilitar a otras personas
información fundamental puntual, en cualquier momento y desde cualquier lugar.
Esta herramienta de visualización permite trabajar con orígenes de datos

muy complejos, con lenguaje de programación y opciones encaminadas a expertos
en tecnologías de la información. Pero, aun así cualquier usuario con conocimientos
medios o avanzados de Excel, será capaz de crear informes mediante la
importación de datos de Excel, para darle un giro significativo a la forma en que se
presentan los datos a la empresa.
493
Power BI se puede conectar a Excel, la cual sigue representando aun y

cuando existe la diversidad de opciones para el manejo de datos, la más utilizada
en el mercado laboral. En Power BI se pueden crear paneles de datos de manera
personalizados, lo cual nos aporta mayor flexibilidad de uso, ya que ubicamos el
lugar donde se encuentra cada instrumento para la creación de un reporte. (Wong,
2018).
11.3.3.1. Instalación de la herramienta Power BI
Nuevamente se usará el apoyo de secuencias de figuras para mostrar la

instalación de la herramienta Power BI Desktop. Se ingresará en el explorador de
internet la siguiente URL https://powerbi.microsoft.com/es-es/desktop/. Al igual que
Tableau, también ofrece múltiples opciones de idioma incluyendo español, lo cual
facilita su instalación. Una vez ubicada la URL, seleccionamos la opción Comenzar
gratis como se muestra en la siguiente figura.
Fig. 19. Instalación Power BI, comenzar gratis
En seguida se abrirá una ventana de diálogo que ofrece 2 opciones:

descargar Power BI Desktop para Windows y registrarse en Power BI online. Se
selecciona la opción descargar. Enseguida ir a opciones avanzadas de descarga
para el cambio de idioma.
494
Figura 20. Power BI Desktop, Descargar
Microsoft Power BI, puede enviar actualizaciones y trucos para usar la

herramienta, mediante un registro de correo electrónico que solicita en el proceso
de instalación del software. Elegir la opción Comenzar para iniciar descarga.
Es importante comentar que este instrumento cuenta con enlaces para

conectar con perfiles sociales de Facebook, de web, fuentes de datos para ejemplos
y canal de YouTube con cursos para el aprendizaje de la misma.
Finalmente se indica Siguiente, seguido de validar condiciones y términos de

licencia, se personaliza la descarga (accesos directos, ruta de la descarga, entre
otros) para terminar con la opción Instalar y Finalizar. En la siguiente figura se
muestra la hoja de trabajo que maneja Power BI Desktop.
495
Figura 21 Power BI Desktop, hoja de trabajo

11.3.3.2. Requerimientos del Sistema

• Sistema operativo: Windows 10; Windows 7; Windows 8; Windows 8.1;
Windows
• Server 2008 R2; Windows Server 2012; Windows Server 2012 R2
• Navegadores web: Internet Explorer 10 o superior.
• Plataforma: Disponible de 32 bits (x86) y 64 bits (x64).
• Fuentes de Datos: Microsoft Excel, Archivos de texto: archivos de valores
separados por comas .CSV, JSON, PDF, XML, SQL, Internet Explorer,
Access database,
11.3.3.3. ¿Cómo funciona Power BI?
Power BI consta de 3 partes importantes: Power BI Desktop, Power BI

Service y Power BI Mobile. Ahora bien, Power BI Desktop es el primer paso en el
flujo de trabajo ya que es donde se importan los datos de la fuente que necesite
analizar.
496
Dentro de las particularidades que tiene esta herramienta es que cada

usuario puede manejarla de distinta manera a otro usuario lo cual representa una
ventaja por la facilidad de adecuarla al rol que juega cada usuario. Entendiendo que
uno de ellos puede estar en un área diferente y aunque los datos sean los mismos
se puede extraer reportes diferentes o incluso el mismo, pero visualizarlo en un
informe Desktop o Power BI Server y algún otro desde su dispositivo móvil.
Después de la correcta instalación de la herramienta, se ejecuta el acceso

directo que habilito el asistente de instalación. Se abrirá una pantalla como se
muestra en la siguiente figura.
Figura. 22. Power BI Desktop, hoja de trabajo
Se debe conectar a la fuente de datos con la que se desea trabajar, en la

siguiente figura se muestran las opciones que ofrece. Por ser Excel la fuente de
datos que mayormente se utiliza, se ejemplificara con una base de datos.
497
Figura 23. Opción de selección de fuente de datos

A continuación, se busca el archivo a utilizar para el análisis de datos. Se puede desplazar

por los directorios y unidades de discos de almacenamiento para ubicar el archivo a utilizar.
Figura 24. Búsqueda de fuente de datos

Al seleccionar un archivo, en el lado derecho se muestra una vista preliminar

del archivo, tal y como se muestra en la siguiente figura.
498
Figura 25. Vista preliminar de la fuente de datos

11.3.4. Casos exitosos en la aplicación de la herramienta Power BI

Se presentan algunos casos de empresas y usuarios que utilizan Power BI.
11.3.4.1. Policía Municipal de Nezahualcóyotl
La Dirección General de Seguridad Ciudadana Nezahualcóyotl, fue

reconocida por la adopción de un programa de seguridad ciudadana de clase
mundial. De todos es sabido que hay lugares como Nezahualcóyotl en donde
existen mayores índices de actividad de bandas criminales.
Ahora, es reconocido por la implementación de un Modelo de Policía de

Proximidad, el cual recibió premios nacionales e internacionales, gracias a las
tecnologías de Microsoft aplicadas para maximizar y optimizar el uso de la
información. Se recopilar en forma automatizada la información de las 1,800
cámaras del “C4” (Centro de Comando, Control, Comunicación y Cómputo) y un
499
helicóptero “el coyote”, se desarrolló una solución de inteligencia policial, con la

capacidad analítica y predictiva lo cual conlleva a obtener inteligencia e información
que facilita toma de decisiones tácticas y estratégicas.
La solución fue construida completamente en la nube de Azure. Utiliza Azure

Data Factory para automatizar el flujo de datos y procesar la información, Microsoft
Machine Learning para ejecutar los modelos matemáticos de predicción y Power BI
para visualizar la información por medio de tableros.
Ahora se puede predecir el tipo de delito que se puede cometer en un

cuadrante o incluso el modus operandi de los delincuentes. Luego por medio de
tableros de Power BI se visualizan las tendencias de los delitos con distintas
mezclas de datos (zona, horario, geografía, y detalles de los actos delictivos y con
esto poder determinar en cierto tipo de delito cuando y a que se puede cometer. El
punto es llegar a que cada jefe de sector tenga en la palma de su mano información
fundamental para combatir la delincuencia mediante las aplicaciones móviles.
“La información es un punto central de la operación de la policía. Con base

en ella, se plantean operativos más eficientes, dirigidos a los delitos específicos que
se están cometiendo. Nos permite una planeación estratégica a corto, mediano y
largo plazo.” (Gavela, 2018).
11.3.5. Propuesta de trabajo

Para cada una de las áreas de Financiera Nacional de Desarrollo
Agropecuario, Rural, Forestal y Pesquero (FND) resulta muy importante el poder
tener a la mano información que sea fácil de interpretar, donde se identifique
claramente las áreas de oportunidad para mejorar el servicio que se ofrece.
Aunado a lo anterior, implementar acciones estratégicas que ayuden a

revertir o modificar el cómo se hacen las cosas. Financiera Nacional de Desarrollo
Agropecuario, Rural, Forestal y Pesquero (FND) es un organismo descentralizado
de la Administración Pública Federal, sectorizado en la Secretaría de Hacienda y
Crédito Público (Banca de Desarrollo), que impulsa el desarrollo del medio rural a
través de créditos accesibles para pequeños productores y MIPYMES. (FND, s.f.).
500
La institución anualmente se le asigna a una meta de colocación de créditos

a nivel nacional, por consiguiente, sus Coordinaciones Regionales, Agencias
Estatales, Agencias de Crédito y Módulos de Atención en cada uno de los estados
del País, son participes en el cumplimiento de la misma, además de ser sujetas a
evaluaciones constantes sobre sus logros. Sin embargo, este análisis para el
cumplimiento de la meta se hace diariamente y con proyecciones mensuales
tomadas del ejercicio anterior en el mismo periodo de tiempo.
Por tal motivo es indispensable que además de las herramientas con las que
cuenta para la medición o evaluación del cumplimiento de la colocación (bases de
datos en Excel), se pueda tener otra alternativa que proporcione nuevas y mejores
opciones de visualización y análisis de los datos que diariamente se generan.
No solo es importante medir el ¿Cuánto falta para la meta?, sino que se

requiere información con la cual se pueda detectar variables donde se pueda
proponer acciones o estrategias para el cumplimiento de su objetivo. La gestión de
la implantación de la herramienta Power BI se genera en principio en Agencia
Estatal Durango, que si bien es donde se concentra la información de todo el estado
se comenzara con la que se genera en dicha oficina. En la figura 27 se muestra el
organigrama de FND Agencia Estatal Durango.
CORPORATIVO
COORD. REG. COORD. REG. COORD. REG. COORD. REG. COORD. REG.
NTE NORESTE SUR SURESTE CENTRO -
OCCIDENTE
Agencia Estatal Durango
Agencia de Crédito Gpe. Victoria
Módulo Santa Módulo Tamazula

María del Oro
Figura 26. Organigrama FND – Agencia Estatal Durango
Fuente: Creación propia
501
La fuente de información que existe en la agencia es a través de los datos

que arroja el sistema Terminal Financiera “TERFIN”, el cual comienza desde el
registro del solicitante como cliente y como persona hasta la ministración del crédito.
Enseguida desde el área de TI quienes son los únicos con accesos para la
migración de datos, emiten un comunicado donde se envía por medio del correo
electrónico, la fuente de datos y reportes diariamente para su evaluación. Es aquí
donde entraría la herramienta de visualización Power BI, ya que ellos envían tanto
la base de datos como el reporte graficado con los indicadores más relevantes.
La propuesta consiste en generar la misma evaluación de los datos junto con

sus gráficos para analizar los resultados en Excel y Power BI, comparar cual resulta
más rápida y como se puede manipular la información de manera interactiva
fácilmente, además de presentar los gráficos visualmente más ejecutivos.
11.3.6. Comparativo de herramientas de visualización de datos Tableau

& Power BI
De acuerdo a la investigación realizada de ambas herramientas es difícil

precisar cuál opción es mejor que otra, en realidad ninguna es mejor que la otra
pues la diferencia radica en la utilidad que se le va a dar, el tipo de datos que se va
a manejar incluso el análisis que se va a desarrollar. En base a eso se puede elegir
la que mejor se adapte a las necesidades del usuario, sin embargo, no es que la
otra herramienta no cumpla con las necesidades, sino que una se adapte mejor que
la otra.
A simple vista parecieran similares, pero existen características las cuales

las diferencian, en base a eso se puede determinar que Power BI se adapta mejor
a la propuesta de trabajo ya que se integra perfectamente con bases de datos en
Excel, y estas son las fuentes de datos que se generar en el área de trabajo.
Si lo que se está buscando es utilizar una herramienta de visualización la

cual permita obtener información fácil de entender y poder mostrar, que además sea
502
a un costo razonable y que su fuente de datos principal sea el uso de bases de

Excel, la opción es Power BI, por el contrario, si se requiere de una herramienta
especializada en el análisis de datos más complejos que brinde opciones de gráficas
más elaboradas, en donde no importe que su licencia de uso sea hasta 7 veces más
cara la opción es Tableau por las siguiente razones:
• Mayor tiempo en el mercado, Tableau cuenta con 14 años de experiencia, lo

cual la coloca en las favoritas por los usuarios.
• Amplia gama de fuentes de datos.
• Facilidad para crear DashBoards visuales, esto debido a que agrupa datos
de distintas fuentes, carga descripciones emergentes con datos adicionales,
excluye los valores que son atípicos y llega a visualizar los datos en distintas
dimensiones geográficas al mismo tiempo.
• Gráficos fuera de lo tradicional, sobre todo para el uso de datos complejos
que puede llegar a manejar.
• Mayor número de visualizaciones incluso que el mismo Power BI.
• Versatilidad cuando se refiere a las fuentes de datos que pueden ser
procesados por la herramienta.
• Su valor comercial es mucho más caro y es necesario tener un poco más de
conocimientos informáticos e incluso de análisis de datos.
A continuación, se presenta un análisis FODA de la herramienta Tableau.
503
FORTALEZAS
Mayor tiempo en el mercado DEBILIDADES
Crea dasboards visuales Competencia de otras ofertas en el
mercado
Responde preguntas de negocios
Graficos novedosos.
TABLEAU
OPORTUNIDADES AMENAZAS
Diseñada para análisis profundo de Licencia profesional aprox. $1,339.00
datos por usuario y mes
Cuenta con una excelente versatilidad Su interfaz requiere de conocimientos
Mayor numero de visualizaciones más amplios
Cuenta con aplicaciones gratuitas.
Figura 27. Análisis FODA Tableau

Se sugiere PowerBi por las siguientes razones:
• Fácil integración con otras herramientas de Microsoft: como lo son Excel,

Azure, SQL Server y Cortana.
• Desde la aplicación ofrece una herramienta Training Videos, donde nos envía
a tutoriales en su canal de YouTube.
• Versatilidad cuando se refiere a las fuentes de datos que pueden ser
procesados por la herramienta más no se limita al ambiente Microsoft.
• Está diseñada para usuarios que no son expertos en análisis de datos.
• Interfaz amigable, por lo que la hace sencilla de manejar.
• Costo de la licencia profesional es de aproximadamente $191.00 por usuario
y mes, lo cual es una gran ventaja por sobre otras opciones.
504
Enseguida, se presenta el análisis FODA de la herramienta Power BI.
FORTALEZAS DEBILIDADES
Fácil integración con otras herramientas Menos potencia con el uso de datos
de Microsoft complejos o analiis profundos de datos
Trining Videos desde la aplicación
No requiere de conocimientos Competencia de otras ofertas en el
informáticos mercado
POWER BI
OPORTUNIDADES AMENAZAS
Esta diseñada para usuarios que no Menor número de graficos en relación a
son expertos en análisis de datos. otras opciones
Interfaz amigable, por lo que la hace
sencilla de manejar.
Licencia profesional $191.00 por
usuario y mes.
Figura 28. Análisis FODA Power BI
Como profesionales de las TIC, se construye una pieza importante en el

tratamiento automatizado de la información, de tal manera que debe existir el
compromiso para promover y gestionar el uso o actualización de las herramientas
que permitan brindar información en tiempo y forma.
Power BI es una excelente opción en lo que al análisis de datos se refiere.

Por medio de la implementación de esta herramienta en el área de trabajo, se podrá
obtener rápidamente un informe con las características que el usuario solicite, tan
simple o tan sencillo como se requiera.
Para muchos, es tanta la familiaridad con herramientas como Excel que, muy
probablemente exista cierta resistencia al cambio, pero es importante mencionar
que con el ritmo de trabajo y la facilidad con la que se generan datos, se debe optar
505
por cambiar las herramientas y los procedimientos para que los datos puedan fluir
tan rápido como son generados y poderlos transformar en información.
Vale la pena gestionar el uso de cualquiera de las herramientas Tableau

Desktop o Power BI Desktop, a partir de que son de uso gratuito y que su interfaz
realmente es muy amigable y fácil de usar para cualquier persona que maneje
datos, pero sobre todo la inmensa utilidad que se le puede obtener de ambas
herramientas.
Tableau y Power BI, sin duda dos de las herramientas más usadas en el
mundo de la visualización de datos, cada una tendrá sus defensores, pero también
sus detractores dependiendo cual se ajuste a las necesidades de información y
visualización que requieran. Ambas pueden generar reportes con información
relevante para la toma de decisiones, que finalmente es lo que el usuario requiere,
sin embargo, Tableau se enfoca más a datos especializados, trabaja con fuentes de
datos con mayor complejidad, como se ha descrito los usuarios que la usan deben
tener un nivel de conocimiento más alto, lo cual no es limitante, pues su interfaz
ayuda a aprender su modo de uso.
Power BI por su parte, es la opción que se adecua a cualquier usuario

promedio, pues generalmente las fuentes de datos con las cuales se trabaja en las
empresas son del tipo .xls. Como se ha mencionado es el tipo de gráficos que se
encuentra en una y otra herramienta lo que llamaría la atención, pero finalmente es
más el uso que se le va a dar, lo que pudiera ser la razón entre cual elegir e
implementar. Tableau puede estar en ventaja en este sentido, pero si está en
función la complejidad de la herramienta se elegiría Power BI.
Mediante la implementación de Power BI como herramienta de visualización

de datos, se puede incentivar el uso de la misma por los encargados de generar
reportes en la Agencia Estatal Durango. A través del tiempo observando los
beneficios que conlleva, se puede sugerir la implementación a un nivel superior.
Con la herramienta, se pretende tener acceso a información más precisa y

sencilla de comprender con la cual se puede apoyar al Agente Estatal de Crédito en
506
la toma de decisiones, sobre todo en implementar estrategias si así se requirieran

para cumplir con la meta proyectada.
Se podrá identificar las áreas de oportunidad o de atención prioritaria donde

nos indiquen los reportes obtenidos. Realizar cada vez mejor los reportes que son
emitidos en la Agencia, los cuales brinden información relevante. Minimizar el
tiempo de espera para generar un reporte, ya que en ocasiones la complejidad con
el uso de grandes volúmenes de datos, los equipos tienden a saturarse.
Con la característica de ser un software de interfaz amigable, con una

capacitación al personal, pudieran estar generando sus propios reportes, esto
permitiría un análisis de sus récords personales. Por ser una herramienta ligera, no
representa ningún inconveniente en el buen funcionamiento de los equipos de
cómputo.
11.3.8. Impacto y beneficios de aplicar
Para la Agencia Estatal Durango, es de suma importancia tener de manera

inmediata la información que nos indique diariamente, los niveles de cumplimiento
de meta. Una buena medida de control usando indicadores interactivos permitirá
estar informado sobre qué Agencia de Crédito o Módulo de atención e incluso que
Ejecutivo de Financiamiento no está cumpliendo con su meta. Incluso se puede
conocer qué tipo de financiamiento es el que mayor demanda tiene y por
consiguiente que región es la más beneficiada con estos programas.
Claro está que con este tipo de herramientas es posible obtener información
tan precisa y ser presentada de manera visualmente más interesante. Poder
generar un histórico de colocación y evaluar en que periodos los créditos son más
buscados aunado a esto, crear estrategias para los meses que con los datos
históricos se conoce que no hay tanta demanda.
La información que puede resultar de unas tablas de Excel, que a simple vista
no se encuentra relación entre sí, no tiene límites y el poder contar con estas
herramientas que facilitan estos procesos y que son gratuitas, no hay lugar a pensar
el por qué no usarlas.
507
Conclusiones
Quizás en el Estado de Durango existan numerosas empresas que no se han

podido beneficiar con soluciones de Inteligencia de Negocios que brinda el basto
mundo de las herramientas de visualización de datos tales como Tableau Desktop
y Power BI Desktop.
En principio una razón es el poco interés en el uso de tecnologías e

innovaciones, además del desconocimiento que existe de este tipo de herramientas,
cuando en otros estados y en el mundo, están siendo parte de la toma de decisiones
para que los negocios crezcan, sin distinción de giro al que se dediquen.
Gracias a este estudio, se pudo investigar de una manera generalizada a que

le llamamos Inteligencia de Negocios y cuál es la relación con las herramientas de
visualización de datos, esto conlleva a elegir dos de ellas para realizar un
comparativo con respecto a sus características, opciones y facilidad de uso.
Ahora bien, tanto Tableau Desktop como Power BI Desktop poseen

características que las hacen idóneas para aplicarlas en cualquier lugar de trabajo
donde se manejen bases de datos, incluso sin necesidad de comprar una licencia
pues de las grandes ventajas con las cuales cuentan son sus versiones gratuitas.
Ambas herramientas trabajan con fuentes de datos muy similares, cualquiera

de las dos nos va a permitir generar reportes de una manera rápida, sencilla y fácil
de interpretar.
Una ventaja importante de la implementación de estas herramientas es que

no será necesario esperar que el área especializada en el tratamiento de las bases
de datos genere los reportes especiales o necesarios para las áreas de trabajo, sino
que cualquier usuario al que se capacite en el uso de la herramienta, será capaz de
generar sus propios reportes para conocer un resultado, una tendencia, una moda,
entre otros. Esto gracias a la facilidad de uso y su interfaz amigable, lo cual las hace
atractivas, ya que prácticamente cualquier persona con conocimientos básicos de
computación puede realizarlos.
508
Sin duda existe la justificación suficiente para implementar cualquier

herramienta de visualización de datos en el área de trabajo, que en este caso es
Power BI, visualmente parece más sencilla de aprender, existe mucho material
audiovisual de tipo tutoriales para el aprendizaje, su instalación es muy sencilla e
incluso al momento del registro para su descarga contactan al usuario para ofrecerle
asistencia técnica mediante videoconferencias en Webmex, lo cual representa un
plus a la hora de comparar y elegir la mejor opción. A final de cuentas quien
determine cuál es la mejor opción, será el usuario final el cual probablemente lo
determinará a partir de cual le resulte más práctica y fácil de usar.
Bibliografía
Aguilar, L. J. (2016). Big Data, Análisis de grandes volúmenes de datos en organizaciones.
Alfaomega Grupo Editor.
Caralt, J. C. (2010). Introducción al Business Inteligence. Barcelona: UOC.
Carto (2018). Unlock the power of spatial analysis. Carto. Recuperado de: https://carto.com/
Cisneros, A. R. (s. f.). GNP centraliza sus datos y gana agilidad en la toma de decisiones.
Soluciones Tableau. Recuperado de: https://www.tableau.com/es-
es/solutions/customer/GNP-centraliza-sus-datos-y-gana-agilidad-en-la-toma-de-
decisiones
Datawrapper. (2018). Why DataWrapper. DataWrapper Solutions. Recuperado de:

https://www.datawrapper.de/why-datawrapper/
FND. (2018.). Acciones y programas. Financiera Nacional de Desarrollo Agropecuario,

Rural, Forestal y Pesquero. Recuperado de https://www.gob.mx/fnd
Gavela, R. (2018). Combatiendo el crimen en México con solución de AI y modelos

predictivos. Historias de clientes, Power BI, Microsoft. Recuperado de:
https://customers.microsoft.com/es-es/story/seguridadneza-azure-powerbi-sql-es-
mexico
509
Gómez, A. A. R., y Bautista, D. W. R. (2010). Inteligencia de negocios: Estado del arte.

Scientia et technica, 1(44), 321-326.
Macías, R. G. (2016). Business intelligence y logística empresarial. Obtenido de

https://www.gestiopolis.com/business-intelligence-logistica-empresarial/
Martínez, C. G. (s.f). Nacional Financiera alcanza sus objetivos financieros con el análisis
de datos de autoservicio. Soluciones Tableau. Recuperado de:
https://www.tableau.com/es-es/solutions/customer/nacional-financeria-hits-
financial-goals-self-service-analytics
Plotly (2018). Plotly Dash App Gallery. Plotly. Recuperado de https://dash-

gallery.plotly.host/Portal/
Power BI. (2018). Características Power BI. Power BI, Microsoft. Recuperado de:
https://powerbi.microsoft.com/es-es/features/
Qlik. (2018). Business Intelligence de Qlik: Analítica e integración de datos. Qlik.

Recuperado de: https://www.qlik.com/es-es
Rodríguez, C. I. (2017). Tendencias en Business Intelligence del Big Data al Social

Intelligence. Revista Tecnológica, no. 10.
Rud, O. P. (2000). Data Mining Cookbook Modeling Data for Marketing, Risk, and Customer
Relationship. John Wiley & Sons, 2001
Ruiz, R. Á. (2018). Minería de datos en redes sociales para pymes. Universidad de Jaén.
Recuperado de https://hdl.handle.net/10953.1/7836
Sinnexus (2018). ¿Qué es Business Intelligence?. Sinnexus. Recuperado de

https://www.sinnexus.com/business_intelligence/index.aspx
Tabares, L. F. y Hernández, J. F. (2014). Big Data Analytics: Oportunidades, Retos y

Tendencias. Universidad de San Buenaventura, 20.
Tableau. (2018a). Tableau Galería Visual. Tableau. Recuperado de

https://www.tableau.com/solutions/gallery
510
Tableau. (2018b). Tableau Resources. Tableau. Recuperado de

https://public.tableau.com/es-es/s/resources
Tascón, M. (2013). Introducción: Big data. Pasado, presente y futuro. Telos: Cuadernos de
comunicación e innovación, (95), 47-50.
Turner, V., Gantz, J. F., Reinsel, D., y Minton, S. (2014). The digital universe of
opportunities: Rich data and the increasing value of the internet of things. IDC
Analyze the Future, 16
Wong, V. (2018). Compare 6 Types and 14 Data Visualitations Tools. Recuperado de:
https://it.toolbox.com/blogs/vincentwong/compare-6-types-and14-data-
visualization-tools-091618
511
Capítulo 12
Herramientas para análisis y visualización de datos: Tableau y R
Nahibe Susana Orrante Vázquez

[email protected]
Jesús Raymundo Rodríguez Díaz

[email protected]

[email protected]
12.1. Introducción
Se dice que una imagen vale más que mil palabras, los seres humanos han
sido capaces de inventar diferentes herramientas de visualización a partir de la idea
de que una imagen puede transmitir una mayor cantidad de información que un
párrafo o una tabla.
“La visualización consiste en transformar información en imágenes que

faciliten la extracción de significado” (Alcalde Perea, 2015), el objetivo es permitir
512
identificar patrones y tendencias que serían invisibles si esos mismos datos se

presentaran de forma convencional”
Una imagen transmite una cantidad mayor de información que un complejo

párrafo. Es por ello que existen herramientas, técnicas y disciplinas de conocimiento
que hoy se integran en la “visualización de datos”, la cual consiste en transformar
información en imágenes, a veces la información es cuantitativa y la visualización
creada, muchas veces interactivas, puede ser llamada “de datos”; en ese caso, el
objetivo del gráfico es permitir identificar patrones y tendencias que serían invisibles
si esos mismos datos se presentaran en una tabla numérica.
Por otra parte, el análisis de datos es aplicado en las organizaciones y

compañías para identificar información valiosa de una manera analítica y confiable,
contribuyendo en la toma de decisiones en las empresas de una forma veraz, de
igual forma cumple con la función de determinar el cumplimiento de metas.
Un primer caso que se menciona en este capítulo es el relacionado al Sector

Salud. En este sentido, el análisis de la información es un factor determinante que
facilita conocer cuáles son los problemas de salud pública de manera concreta,
propositiva, oportuna y participativa para beneficio de los sectores sociales.
Para mejorar los resultados del análisis de información que se utilizan

actualmente en los Servicios de Salud de Durango, se tomarán en cuenta las
herramientas Tableau y R, los cuales tienen un enfoque de análisis estadístico, se
pretende comparar y conocer sus ventajas y desventajas, con ello, determinar la
factibilidad de la implementación para el mejoramiento del análisis de los datos.
En el Área de Vigilancia Epidemiológica se concentra la información de los

casos nuevos de enfermedades, la cual es recopilada directamente por personal
con preparación en el área médica, por lo cual se busca determinar cuál es la
herramienta viable para que se trabaje en conjunto con el Área de Informática y así
presentar el análisis estadístico con una interfaz gráfica (dimensiones, colores,
etiquetas, gráficas, tablas).
513
Este capítulo en su primer contexto busca analizar y comparar las

herramientas Tableau y R, para el análisis y visualización de la información que se
utiliza en el Área de Vigilancia Epidemiológica, ya que no se cuenta con un sistema
especializado para esa función.
Como justificación importante, el análisis de datos facilita que la organización

mejore la información que tiene disponible para ayudar a tomar decisiones.
Convertir los datos de la aplicación en representaciones visuales ayuda a los
usuarios a describir conceptos, descubrir oportunidades, explorar opciones y llegar
a tomar decisiones más óptimas, todo llevado a cabo por un medio muy persuasivo.
La importancia de este documento en su primer aspecto, busca ofrecer una

propuesta para el uso de alguna herramienta para análisis y visualización de datos
en el Área de Vigilancia Epidemiológica. Se busca que esté bien sustentada, dirigida
y enfocada a mejorar el proceso de toma de decisiones en el área de trabajo citada.
Se presenta una primera propuesta al departamento de Vigilancia

Epidemiológica, “la aplicación de la herramienta de análisis de información con base
en la investigación documental realizada, buscando cubrir las necesidades del área.
Un segundo contexto aborda el caso relacionado con la Residencia General

de Conservación de Carreteras del Centro de la Secretaría de Comunicaciones y
Transporte (SCT) Durango.
En esta dependencia, se generan informes periódicamente que incluye

presentaciones, gráficas y fichas técnicas a las diferentes áreas para dar a conocer
los avances físicos y financieros de los trabajos que se ejecutan en el ejercicio fiscal
vigente a los directivos de la institución, tales como el Residente General de
Conservación de Carreteras, la Subdirección de Obras, la Dirección General del
propio Centro SCT, así como a la Dirección General de Conservación de Carreteras.
Por tal motivo como segunda propuesta se pretende promover el uso de la

herramienta de visualización de datos Tableau para darle un giro de 360 grados a
la manera en que se ha presentado hasta hoy esta información a las distintas áreas.
514
Los objetivos principales de las propuestas son:
• Identificar, analizar y determinar una herramienta de análisis y

visualización de datos, para la implementación de una propuesta de
su uso en el Área de Vigilancia Epidemiológica.
• Realizar una propuesta para la implementación de Tableau como
herramienta de visualización de datos que permita a los diferentes
niveles de mando de la Residencia General de Conservación de
Carreteras, Subdirección de Obras y Dirección General del Centro
SCT Durango.
• Identificar aspectos de la Ciencia de los Datos, Bussines Intelligence

(BI), herramientas para visualización y análisis de datos.
• Comparar y evaluar las herramientas en el entorno (BI): Tableau y R.
• Identificar los procesos de trabajo del Área de Vigilancia
Epidemiológica.
• Identificar las características que se adecúan a las necesidades del
Área de Vigilancia Epidemiológica y que contemple las nuevas
tendencias de análisis de información.
• Identificar una propuesta del uso de Tableau o R en el Área de
Vigilancia
• Presentar características y funciones de la herramienta Tableau como
alternativa para la visualización de resultados.
• Presentar propuesta para presentar reportes con toda la información
necesaria mediante la herramienta Tableau para visualizar de manera
clara los resultados esperados para la toma de decisiones en la
Residencia General de Conservación de Carreteras, Subdirección de
Obras y Dirección General del Centro SCT Durango.
En el campo de la Ciencia de los Datos, existe una amplia gama de

herramientas para visualización de los datos, por lo que resulta necesario el
515
análisis de dichas soluciones para optar por la que mejor se ajuste a las
necesidades de la organización y al perfil de los usuarios.
En este sentido, en este documento se hace especial énfasis en las

características y ventajas de las herramientas Tableau y R para el análisis y
visualización de los datos.
Se pretende presentar dos propuestas basadas en aspectos de análisis y

visualización de datos, con lo cual se buscar transformar datos en información, la
información en conocimiento y el conocimiento en acción.
Así mismo se intenta con las propuestas, disminuir el tiempo de análisis,

realizando cruces de datos para beneficio del área.
El impacto esperado en la Residencia General al implementar la herramienta

Tableau, es la presentación de la información de forma visual y amigable facilitando
la comprensión de la misma a los diferentes niveles de mando y así poder extraer
el mayor conocimiento posible.
En consecuencia, el mayor beneficio que se tendrá es el poder identificar las

obras con problemática a partir de los avances físicos y financieros que
periódicamente se reportan a la Residencia General.

En los siguientes puntos, se identifican conceptos teóricos relacionados con
el título de este capítulo: Ciencia de los Datos, Bussines Intelligence (BI), Tableau,
lenguaje de programación R. De igual forma se abordan aspectos contextuales del
sector salud y del contexto de la Residencia General de Conservación de
Carreteras, Subdirección de Obras y Dirección General del Centro SCT Durango.
En el punto 12.2.1., se identifica un conjunto de términos necesarios para

una adecuada comprensión de este capítulo, más adelante, en párrafos siguientes,
se describen más ampliamente.
516
12.2.1. Conceptos
• Datos: Un dato es valor numérico discreto o continuo que representa algo de la
realidad. En el ámbito empresarial un dato es una transacción de compra, venta,
transferencia, depósito, retiro, entre otras cosas. Un dato por sí sólo no indica
nada si no se le asocia dentro de un contexto para tenga significado y propósito.
(Carrión, Diferencia entre Dato, Información y Conocimiento, s.f.)
• Información: Es aquello absolutamente esencial para comunicar algo de la
forma más clara y objetiva posible, es un conjunto organizado de datos capaces
de cambiar el estado de conocimiento en el sentido de las consignas
transmitidas. La información tiene una estructura interna y puede ser calificada
según varias características. (Carrión, Diferencia entre Dato, Información y
Conocimiento, s.f.)
• Conocimiento: El conocimiento es algo más complexo, más grande, más
profundo y más enriquecedor que los datos y la información. El conocimiento es
una combinación de experiencias, valores, información y saber hacer que se
utiliza como fuente la nuevas experiencias e información, y es trascendente para
la toma de decisiones. Su origen se aplica en la mente de las personas. (Carrión,
Diferencia entre Dato, Información y Conocimiento, s.f.)
• Ciencia de datos: Una acepción acerca de este concepto, es el arte de
combinar y utilizar varias herramientas, principios de aprendizaje automático y
algoritmos cuyo propósito es descubrir patrones ocultos y conocimiento a partir
de datos. (Jones, 2019).
• Big Data: Se describe como un conjunto de datos que tienen un tamaño que
supera la función normal de las herramientas de software de base de datos,
como el almacenamiento, la captura, el procesamiento y el análisis. Se refiere a
una colección de conjuntos de datos que son muy grandes y complejos, además
de estructurados trata con datos no estructurados de manera que no se puede
procesar utilizando herramientas de administración de bases de datos
tradicionales. (Jones, 2019)
• Visualización de datos: Consiste en la aplicación de técnicas para seleccionar,
procesar y poner a disposición de una audiencia una cantidad de datos,
517
dándoles significado para que, mediante su visualización, se conozcan sus

relaciones de causa o dependencia, con el objetivo de señalar, denunciar o
establecer conocimiento sobre un procedimiento, un fenómeno, una acción
(Sedeño Valdellós, La visualización de datos como recurso social: posibilidades
educativas y de activismo, 2016).
• Herramienta de visualización: Instrumentos para convertir la información en
conocimiento, que combina técnicas provenientes de la estadística o la
programación con el diseño artístico. (Sedeño Valdellós, La visualización de
datos como recurso social: posibilidades educativas y de activismo, 2016)
• Ofimática: Son aplicaciones o programas que puede ser utilizados en tareas
correspondientes a las oficinas, trabajos académicos y similares. Dichas
herramientas permiten crear, cambiar, organizar, imprimir y transferir
documentos de todo tipo, las aplicaciones ofimáticas pueden adquirirse por
separado o en un conjunto de aplicaciones, llamado suite ofimática. Un ejemplo
de suite ofimática es el la suite Micrososft Office que cuenta con múltiples
aplicaciones tales como Excel, Word, Power Point, entre otros (Olivo Cabezas,
2016).
• Tableau: Es una herramienta vista como un modelo para el análisis y
visualización de datos. (Tableau Softwate, LLC, s.f.)

La ciencia de datos es un conjunto de principios fundamentales que apoyan
y guían la extracción de información basada en principios y el conocimiento de los
datos. Posiblemente el más cercano concepto relacionado con la ciencia de datos
es la minería de datos, la real extracción de conocimiento a partir de datos a través
de tecnologías que incorporan estos principios.
Una gran parte de lo que tradicionalmente se ha estudiado en el campo de

las estadísticas es fundamental para la Ciencia de los Datos. Los métodos y
metodología para visualizar datos son vitales. La ciencia de datos es compatible con
518
la toma de decisiones impulsada por datos, y en ocasiones permite tomar decisiones

de forma automática a escala masiva, y depende de las tecnologías para el
almacenamiento e ingeniería de Big Data.
El estadístico John Tukey definió el análisis de datos en 1961 en su obra “The

future of data análisis” de la siguiente manera: procedimientos para analizar datos,
técnicas para interpretar los resultados de dichos procedimientos, formas de planear
la recolecta de datos para hacer el análisis más fácil, más preciso o más exacto
(Martínez, s.f.)
El proceso de análisis de los datos se divide en tres partes principales:

captura, procesamiento y consulta. La captura de los datos puede proceder de
diferentes fuentes, el procesamiento consiste en acumular y manipular elementos
de los datos capturados para poder producir información analizable, para la consulta
necesariamente debe tener un formato concreto, para visualizarlo o publicarlo.
En cuanto a las herramientas para funciones estadísticas disponibles en el

proceso de análisis y visualización de datos se encuentran algunas herramientas y
aplicaciones tales como: Minitab, SPSS y Watson Studio de la marca IBM, PowerBi,
KNime Analytics Platform, Tableau, entre otras.
Específicamente, Tableau es una herramienta de visualización de datos

utilizada en el área de la inteligencia de negocios.
En la clasificación de herramientas no comerciales se encuentra, opciones

como RapidMiner, Python y por supuesto R, estos dos últimos también etiquetados
como Lenguajes de programación.
12.2.3. Bussines Intelligence (BI)

La inteligencia empresarial o Inteligencia de negocios (BI) es la
infraestructura y conjunto de procedimientos que almacena, procesa y analiza los
datos de la empresa después de recopilarlos. Inteligencia empresarial es un
término amplio que cubre aspectos como el análisis de procesos, extracción de
datos, análisis descriptivo y evaluación comparativa de indicadores del negocio.
Está destinada a extraer todos los datos que genera una empresa y presentar
519
medidas de rendimiento fáciles de asimilar, y también tendencias que pueden

influir en la toma de decisiones (Jones, 2019).
Los Software de BI y otras tecnologías para capturar, almacenar, analizar

y generar información o conocimiento contribuyen para alcanzar el punto óptimo
de la decisión y tiene como principales características:
• El reconocimiento de la experiencia
• El análisis de los datos contextualizados
• La capacidad de extraer e integrar datos de múltiples fuentes
• El procesamiento de los registros obtenidos en información útil para el
conocimiento de la organización
• La búsqueda de relaciones de causa y efecto, trabajando con hipótesis y
desarrollando estrategias y acciones competitivas (Puerta Gálvez, 2016).
Algunas de las herramientas líderes en el mercado según las estadísticas

mostradas en el cuadro mágico de Gartner de febrero de 2018 son: Tableau,
Microsoft BI y Qlik. Se visualiza la figura 1.
520
Figura 1. Cuadro mágico de Gartner. (De Juana, 2019)
12.2.4. Tableau
Tableau es una herramienta de visualización de datos, es decir, el usuario
tiene la posibilidad de interactuar con los datos: comparar, filtrar, conectar unas
variables con otras; además, la plataforma y los paneles que se pueden crear con
la herramienta son muy visuales; facilita la comprensión rápida de los datos; tiene
algunas ventajas interesantes con bases de datos; acepta formatos con Excel,
Access y texto; se puede acceder a muchas bases de datos comunes como
Microsoft SQL Server, MySQL, Oracle, entre otros (Flores Avendaño & Villacís
Vera, 2017).
Tableau Desktop es una aplicación de software que permite a cualquier

persona analizar cualquier tipo de datos de forma rápida y fácil. Con Tableau, se
trabaja directamente con los datos, cambiando entre vistas fácilmente y sin soporte
de Tecnologías de la Información.
521
Tableau presenta una función de arrastrar y soltar para crear rápidamente

visualizaciones desde datos formados. Por lo tanto, utilizando datos recolectados
previamente y arrastrándolos y soltándolos en el software Tableau ahorra tiempo.
Además, las visualizaciones de Tableau se cambian fácilmente y analizado o
especificado de acuerdo con el usuario.
En lugar de tener que ingresar manualmente la información, el usuario

simplemente selecciona la parte de la visualización que necesita más exploración y
puede crear un panel para analizar los datos.
Algunas características que presenta Tableau son las siguientes:
• Capacidad de modelado y análisis de datos con acceso a una variedad de

fuentes de datos.
• Interfaz de usuario fácil de usar, intuitiva y con alta aceptación por parte de los
usuarios.
• Análisis visual con inteligencia integrada para usuarios empresariales.
• No requiere que los usuarios posean amplios conocimientos de programación.
• Permite la publicación de informes en la web corporativa o cualquier tipo de
sistema de la empresa que funcione sobre arquitectura web.
• Facilita la integración analítica de información procedente de diversas fuentes.
(Ayala, Ortiz, & Maya, 2018).
Algunas de sus desventajas de Tableau son:
• La integración y modelización de datos tiene lugar en el cliente de escritorio.

• Falta de soporte de navegación guiada en paneles y aplicaciones de BI.
• Se utiliza principalmente en despliegues de un solo usuario y departamentales,
causando un riesgo de “explosión” de informe cuando se utiliza Tableau como
una solución de BI empresarial.
Tableau es una herramienta de visualización capaz de entregar

visualizaciones interactivas en poco tiempo por su naturaleza de arrastrar y soltar,
aumenta la eficacia mediante el poder de los datos, ofrece algo único combinando
522
un enfoque totalmente centrado en cómo las personas ven y comprenden los datos
con una plataforma robusta y escalable, lo cual le ha permitido volverse efectiva
incluso para las organizaciones más grandes del mundo.
Tableau puede usarse para definir y calcular nuevas variables y realizar

manipulaciones de datos simples con el uso de fórmulas matemáticas como Excel,
pero es mucho más potente y puede manejar millones de registros donde Excel
falla. Además, cuenta con la capacidad para integrarse con varias plataformas,
incluidas la Big Data Hadoop, la herramienta de análisis estadístico R y su soporte
para Google BigQuery API.
Para acceder a la información almacenada en muchas bases de datos, los

usuarios requieren conectores y cierta experiencia, la cual se puede adquirir
mediante la práctica y el uso constante de esta herramienta de visualización de
datos.
En la figura 2, se muestra un ejemplo de visualización de datos con Tableau,

extraído de Tableau Softwate, LLC, (s.f.).
Figura 2. Visualización de datos en Tableau (Tableau Softwate, LLC, s.f.).
523
12.2.5. Lenguaje de programación R

R es un lenguaje de programación y un ambiente para análisis estadístico y
la visualización de gráficos. Debido a su naturaleza se puede utilizar en una gran
cantidad de tareas.
R abarca una amplia gama de técnicas estadísticas que van desde los
modelos lineales a las más modernas técnicas de clasificación pasando por los test
clásicos y análisis de series temporales.
Cuenta con la licencia GNU GPL o software libre, es decir, se puede instalar
sin licencia o de uso comercial, respeta la libertad de los usuarios, paquetes
descargables elaborados por una comunidad de programadores y software libre
publicado por otras personas.
Algunas características de R son las que se citan a continuación:
• Posee una instalación eficaz de manejo y almacenamiento de datos.

• Contiene un conjunto de operadores para cálculos en matrices.
• Una colección grande, coherente e integrada de herramientas (paquetes)
intermedias para el análisis de datos.
• Facilidades gráficas para el análisis y visualización de datos en pantalla o en
papel.
• Un lenguaje de programación bien desarrollado, simple y efectivo que incluye
condicionales, bucles, funciones recursivas definidas por el usuario e
instalaciones de entrada y salida (r-project.org, 2019).
12.2.6. Los Servicios de Salud de Durango (SSD)

En este apartado, se describe las generalidades de la unidad de trabajo
Servicios de Salud Durago (SSD) ya que es la unidad de trabajo en donde se
pretende impulsar la propuesta de uso de herramientas para análisis y visualización
de datos.
Los Servicios de Salud de Durango (SSD) son los encargados de establecer

y conducir la política nacional en materia de asistencia social, servicios médicos y
salubridad general, así como organizar y vigilar las instituciones de beneficencia
524
privada, en los términos de las leyes relativas, respetando la voluntad de los

fundadores.
Así mismo, los SSD propician y coordinan la participación de los sectores

social y privado en el sistema nacional de salud y determinan las políticas y acciones
de inducción y concertación correspondientes, además de poner en práctica las
medidas tendientes a conservar la salud y la vida de los trabajadores del campo y
de la ciudad y la higiene industrial, con excepción de lo que se relaciona con la
previsión social den el trabajo.
12.2.6.1. Antecedentes de los Servicios de Salud de Durango

En 1927 se iniciaron los trabajos de la primera delegación federal de
salubridad instalada en el estado de Durango por la actual Secretaria de Salud.
Durante las primeras décadas del siglo XX aún sin especificación de

documentos formales, la determinación de responsabilidades tenía cierta definición,
correspondiendo a la federación el control de enfermedades transmisibles, la
vigilancia, promoción del saneamiento ambiental, el control de los alimentos,
bebidas y medicamentos, la educación para la salud; así como las acciones solo
realizables mediante una organización nacional, tales como la vigilancia de los
puertos y fronteras para efectos de control de enfermedades.
La responsabilidad de la organización de los servicios asistenciales se

estaba a cargo de gobiernos estatales o municipales, incluyendo consultorios y
hospitales para la atención médica.
El 21 de enero de 1985 se modificó la denominación de la dependencia a

“Secretaría de Salud” conservando las siglas y el logotipo establecidos con
anterioridad. En el año de 1998 se concluyó con 145 centros de salud; para 1999
se amplió a 159 unidades de primer nivel y para el año 2000 la infraestructura
aumentó a 175; es decir, 30 Centros de Salud más en comparación a 1998.
Para el año 2000 es de relevancia señalar que en base a la sólida

infraestructura lograda se llegó a la certificación de cobertura universal del os
servicios de salud en el estado de Durango, por un organismo no gubernamental,
525
de carácter internacional como es la Organización Panamericana de la Salud (OPS).

Dicha certificación fue otorgada luego de una exhaustiva verificación en base a
indicadores internacionales de calidad, aplicados en las áreas del campo de trabajo
en las cuatro jurisdicciones sanitarias (Durango, Gómez Palacio, Santiago
Papasquiaro y Rodeo) incluyendo las zonas indígena, de la montaña, del
semidesierto, las quebradas y de los valles.
Teniendo como objetivo fundamental en los Servicios de Salud de Durango

mejorar y conservar las condiciones de salud de la población a la que se atiende, y
cumpliendo una de las principales acciones en lo relativo a la ampliación de la
cobertura de los servicios de salud, existía en la entidad para el año 2002 una
infraestructura física de 179 unidades de primer nivel con 233 consultorios; 51
centros de salud se ubican en área urbana y 128 en localidades rurales.
En febrero de ese año 2005, se incorpora Durango al Sistema de Protección

Social en Salud (Seguro Popular), con la finalidad de otorgar protección financiera
a las familias sin seguridad social y con esto limitar el gasto catastrófico en salud
realizado por las familias de menor capacidad económica.
Se crearon ese mismo año los institutos de salud preventiva y el de salud

mental, los cuales tienen como finalidad impulsar la investigación científica de la
medicina preventiva y los padecimientos mentales, así como coadyuvar en la
atención de calidad.
Es de relevancia mencionar que a fines del año 2006 se inició la construcción

del Hospital Regional de Alta Especialidad de Durango (HRAE); así, la transición
epidemiológica observada en la base de la estructura poblacional, da origen a este
hospital de tercer nivel de atención médica, con el objetivo de aumentar la capacidad
de resolución en materia de salud, elevando la calidad de atención de los Servicios
de Salud de Durango.
Durante el año 2007, se construyeron y se pusieron en operación el Hospital

Integral de la Comunidad de Mapimí, de ocho camas; el Centro de Salud de Arnulfo
526
R. Gómez y la Unidad de Investigación Oncológica del Centro Estatal de

Cancerología en la capital del Estado.
Para 2008, se entregaron varias Unidades de Especialidades Médicas

(UNEME) como son: 2 Centros de Atención Primaria de Adicciones (CAPA), uno en
Durango y otro en Gómez Palacio, UNEME-EC (Enfermedades Crónicas) en
Durango y UNEME Salud Mental en Gómez Palacio. Asimismo, se pone en
funcionamiento el Centro de Salud de Torreón de Cañas, el Hospital Integral de la
Comunidad de Nuevo Ideal y el de Las Nieves, ambos con 8 camas.
A principio de 2009, se inician operaciones de las siguientes Unidades de

Salud nuevas: UNEME-CAPA Sur en Durango, Dgo., UNEME-CAPA Santiago
Papasquiaro, Centro de Salud Bosques del Valle en Durango, Dgo., Centro de Salud
Col. La Virgen, en Durango, Dgo., Hospital Integral de Tamazula, Hospital Integral
de Huazamota, Centro de Salud de Santa María de las Flores, en El mezquital, Dgo.,
Centro de Salud de Tierras Coloradas, en Pueblo Nuevo, Dgo. Y la UNEME-EC en
Gómez Palacio, Dgo.
Durante el año 2010, se entregan varios proyectos de salud, entre los cuales
están: el Laboratorio Estatal de Salud Pública, el Hospital General de Lerdo, la
UNEME-CISAME en Durango, Dgo., el Centro de Salud de la Col. 5 de Mayo en
Durango, Dgo., el Hospital Integral de Villa Unión, en Poanas, Dgo. Y la UNEME-
EC de Santiago Papasquiaro.
Para el año 2011, se ponen en funcionamiento varias áreas del Hospital

General “Victoria de Durango”, entre las cuales están: consulta externa, laboratorio
e imagenología. También en este año inicia actividades el Hospital Integral de
Nazas.
En el año 2012 se inaugura y entra en funciones la UNEME-EC de Bermejillo,

en Mapimí, Dgo. Durante el año 2013, se pusieron en marcha el Centro de Salud
con Servicios Ampliados (CESSA) de Durango, el Centro de Salud de la Col. Luz
del Carmen y la UNEME-DEDICAM (Detección y Diagnóstico de Cáncer de Mama)
de Gómez Palacio, Dgo.
527
Para el año 2014, se abrieron las siguientes Unidades Médicas: el Centro de

Salud con Servicios Ampliados (CESSA) de Tepehuanes, Dgo., el día 20 de Enero;
el día 1° de Abril de 2014, se ha puesto en operaciones el UNEME-EC de Lerdo,
Dgo., así como el Área de hospitalización del Hospital General 450, en la Ciudad de
Durango, Dgo., y el día 24 de Noviembre, se inauguró el Centro de Salud con
Servicios Ampliados (CESSA) de Cd. Guadalupe Victoria, Dgo.
12.2.6.2. Servicios, funciones y objetivo que ofrecen los Servicios de Salud

de Durango (SSD)
• Establecer y conducir la política nacional en materia de asistencia social,
servicios médicos y salubridad general, con excepción de lo relativo al
saneamiento del ambiente; y coordinar los programas de servicios a la salud de
la administración pública federal, así como los agrupamientos por funciones y
programas afines que, en su caso, se determinen.
• Crear y administrar establecimientos de salubridad, de asistencia pública y de
terapia social.
• Aplicar a la asistencia pública los fondos que le proporcionen la lotería nacional
y los pronósticos deportivos para la asistencia pública; y administrar el
patrimonio de la beneficiencia pública en el Distrito Federal, en los términos de
las disposiciones legales aplicables, a fin de apoyar los programas de servicios
de salud.
• Organizar y vigilar las instituciones de beneficiencia privada, en los términos de
las leyes relativas, e integrar sus patronatos, respetando la voluntad de los
fundadores.
• Planear, normar, coordinar y evaluar el sistema nacional de salud y proveer a la
adecuada participación de las dependencias y entidades públicas que presten
servicios de salud, a fin de asegurar el cumplimiento del derecho a la protección
de la salud.
• Asimismo, propiciará y coordinará la participación de los sectores social y
privado en dicho sistema nacional de salud y determinará las políticas y acciones
de inducción y concertación correspondientes.
528
• Dictar las normas técnicas a que quedará sujeta la prestación de servicios de

salud en las materias de salubridad general, incluyendo las de asistencia social,
por parte de los sectores público, social y privado, verificar su cumplimiento.
• Ejecutar el control sobre preparación, posesión, uso, suministro, importación,
exportación de los de uso veterinario que no estén comprendidos en la
convención de Ginebra.
• Poner en práctica las medidas tendientes a conservar la salud y la vida de los
trabajadores del campo y de la ciudad y la higiene industrial, con excepción de
lo que se relaciona con la previsión social en el trabajo.
12.2.6.3. Residencia General de Conservación de Carreteras

La Residencia General de Conservación de Carreteras forma parte de la
Secretaria de Comunicaciones y Transportes la cual es una dependencia federal
que tiene su origen funcional en la Secretaria de Estado y Derecho de Relaciones
Exteriores e Interiores establecida el 8 de noviembre de 1821: Posteriormente,
debido a las modificaciones efectuadas en el aparato de gobierno, las funciones
relativas al ramo de comunicaciones y transportes se diseminaron entre varios
organismos.
Los Centros SCT son las representaciones de la Secretaría en cada uno de

los Estados que integran la Federación. Su misión es la de contribuir al desarrollo
de los sistemas de comunicaciones y transportes en la entidad federativa,
ejecutando y promoviendo los programas institucionales con seguridad, eficiencia y
calidad, para el bienestar económico, social y cultural, con respecto al medio
ambiente, al marco legal y ético.
La Residencia General cuenta con residencias de obras cuya función es

llevar la supervisión y la correcta ejecución de los trabajos que se realizan en cada
ejercicio fiscal, a cada una de estas residencias le corresponden diferentes tramos
que conforman toda la Red Libre de Peaje del Estado de Durango.
529
12.3. Desarrollo
En la actualidad la Ciencia de los Datos permite apoyar los sistemas y
procesos tecnológicos empleando las estadísticas recopilando una gran cantidad
de información, garantizando una rapidez, precisión y eficacia, impulsando a la
correcta toma de decisiones.
Hoy en día, en los Servicios de Salud de Durango se utiliza un sistema

desarrollado en el año 2004 por el área de Epidemiología de la Dirección General
de Epidemiología (DGEPI), el cual es el Sistema Único Automatizado para la
Vigilancia Epidemiológica (SUAVE) para la captura y análisis de información de los
casos nuevos de enfermedades registrados en el Estado, y como órgano rector en
salud se concentra y analiza dicha información de todas las instituciones del sector
salud (Secretaria de Salud, IMSS, ISSSTE, Prospera, DIF y SEDENA).
El SUAVE genera solamente reportes con información muy generalizada y

no permite el análisis de la información de manera gráfica ni comparativa con años
anteriores lo cual es fundamental para determinar el comportamiento de los
diagnósticos de interés fundamental para la toma de decisiones para el área médica.
Algunos de los reportes del sistema SUAVE y que representan diagnósticos

de interés Epidemiológico se citan a continuación:
• Enfermedades Diarreicas Agudas (EDAs).

• Infecciones Respiratorias Agudas (IRAs).
• Síndrome de Inmunodeficiencia Adquirida (SIDA).
• Virus de la Inmunodeficiencia Humana (VIH) .
• Conjuntivitis.
• Hepatitis A.
• Chicungunya.
• Enfermedades Febriles Exantemáticas (EFEs).
• Síndrome Coqueluchoide.
• Influenza.
530
En las figuras 3 y 4, se presenta un ejemplo de los reportes generados por el

sistema separados por año 2017 y 2018 respectivamente de algunos padecimientos
monitoreados constantemente.
Figura 3. Reporte de Enfermedades Diarreicas Agudas (EDAs) 2017. SUAVE. Elaboración propia
Figura 4. Reporte de Enfermedades Diarreicas Agudas (EDAs) 2018. SUAVE. Elaboración propia
531
En la figura 5, se presenta de manera general un archivo de la base de

datos que utiliza el sistema SUAVE con las variables que cuenta para la
generación de reportes.
Figura 5. Variables y datos del sistema SUAVE. Elaboración propia
Algunos significados de las variables que muestra la figura 5, son claves de

estados de la República Mexicana (estado 10 para Durango), claves de
jurisdicciones, claves de municipios, claves de unidades médicas, número de
semana, clave de diagnósticos, claves de pacientes atendido por edad masculinos
y femeninos, entre otros.
En cada área se llevan a cabo tareas de índole médico y administrativo

respectivamente, las cuales dan paso a la elaboración de reportes que proporcionan
un control de las actividades realizadas. Toda esta información es capturada en
cada área en formatos impresos y se ha venido haciendo el cambio en archivos
532
elaborados en computadora (Excel), con la finalidad de ofrecer el acceso inmediato

de la información de un paciente.
12.3.1. Propuesta para solución para Área de Epidemiología del Sector

Salud
Se proponen las herramientas de visualización R y Tableau ya que la
información que genera el sistema SUAVE además de ser compatible con dicho
software, no se requiere de una inversión económicamente hablando, ya que de
otra manera se tendría que hacer una propuesta y esperar a que se apruebe el
presupuesto de nivel federal.
Se busca que los informes generados por las dos propuestas permitan
visualizar la información requerida por el o las distintas áreas involucradas de
manera desglosada y comparativa por fecha para así observar el comportamiento
de los diagnósticos y permita evitar o prever epidemias, brotes, aumentos
inadecuados de enfermedades entre otras de interés social y epidemiológico
De manera adicional se tiene que tomar en cuenta, cuántos usuarios

(empleados) usan actualmente las hojas de cálculo para realizar los análisis
requeridos, si cuentan con conocimientos informáticos o conocimientos básicos en
programación, cuántos tipos de reportes realizan, si la información se recibe de
manera semanal, mensual o anual y que tipo de reporte son los de mayor interés.
12.3.2. Análisis de la propuesta para Área de Epidemiología del Sector

Salud
Una de las fortalezas de R es la facilidad con la que se pueden producir
gráficos de calidad de publicación bien diseñados, incluyendo símbolos
matemáticos y fórmulas donde sea necesario.
R ofrece una poderosa manera de realizar análisis estadísticos en conjuntos

de datos grandes. También es gratuito, lo que se convierte en un factor atractivo
para su crecimiento. Debido a que tiene código abierto, se crean funciones y
paquetes nuevos todo el tiempo. R se puede extender (fácilmente) a través de
paquetes.
533
Tableau permite consumir sus datos de manera segura en un navegador, en

el escritorio, con un dispositivo móvil o incorporados en una aplicación (Tableau,
s.f.). Puede diseñar un dashboard interactivo con menús desplegables, controles
deslizantes y otros elementos visuales en cuestión de minutos.
En las figuras 6 y 7, se muestran ejemplos visuales tanto de Tableau como

de R. En éstas representaciones visuales se da a conocer comparativos EDAs de
los años 2017 y 2018, con información real del sistema SUAVE, realizadas con base
a los requerimientos de los usuarios.
Figura 6. Dashborard de Tableau. Comparativos EDA’s 2017-2018. Elaboración propia
Figura 7. Comparativo generado en R. EDA’s 2017-2018. Elaboración propia
534
Como parte de la propuesta, se sugiere una revisión a toda la información

posible del Área de Vigilancia Epidemiológica, investigar documentos de estrategia
interna, los reportes generados, entrevistas con los usuarios, explicaciones y
capacitación de las ventajas de las herramientas de visualización de datos y de los
distintos análisis de aplicar alguna de las herramientas R o Tableau.
Ahora bien, hablando de cuestiones sanitarias y al momento que se está

viviendo con respecto a la pandemia denominada COVID 19 y que definitivamente
tiene que ver con aspectos del Sector Salud, la figura 8, muestra una visualización
de casos confirmados de la enfermedad en el todo el País con fecha de corte al 2
de agosto del año 2020.
Arriba en la imagen de la figura 8, se muestra el total de casos confirmados,

defunciones, negativos, sospechosos y tasa de letalidad; del lado izquierdo con el
mapa de la República Mexicana se pueden visualizar los casos por Estado, de lado
derecho la cantidad de casos confirmados por día y la curva de acumulados y por
debajo la distribución de casos por edad.
Figura 8. Datos Confirmado de COVID19, generados en Tableau. (Veláquez Luna, 2020).
535
Con la imagen anterior de la figura 8, del caso COVI19 extraído de la literatura

se intenta reforzar la propuesta del uso de herramientas de análisis y visualización
de datos como Tableau y el lenguaje de programación R para fortalecer procesos
de interpretación de datos y toma de decisiones en las organizaciones en este caso
en el Sector Salud.
12.3.3. Propuesta para solución para la Residencia General de

Conservación de Carreteras de la S.C.T
Existe diversos informes de gran importancia dentro de las funciones que día
con día se realizan en la Residencia General de Conservación de Carreteras, éstos
dan se dan conocer periódicamente a los distintos niveles de mando tanto en el
mismo Centro SCT como a Nivel Central en la Ciudad de México. En este apartado
se citan tres ejemplos de informes.
Los informes, se elaboran en hojas de cálculo de Excel y contienen bastante

información que implica que para visualizarlos sea necesario abrir el archivo con la
herramienta correspondiente, o si se imprime forzosamente sea en un plotter, lo
cual hace difícil de manipular al momento de analizar la información.
Un primer informe que se elabora quincenal y mensualmente, contiene la

información correspondiente a todo el proceso de licitación, contratación, ejecución
y terminación de las obras que se ejecutan en el Ejercicio Fiscal vigente.
Al principio de cada año personal del Departamento de Adecuaciones y

Control del Programa de Obras que está adscrito a la Dirección General de
Conservación de Carreteras turna a cada uno de los Centros SCT el formato en
Excel con el Presupuesto de Egresos de la Federación (PEF) autorizado para el
Ejercicio Fiscal en curso, a partir de las obras y recursos autorizados,
periódicamente y conforme se realicen los procesos de Licitación los campos se van
alimentando en el informe y se envía en las fechas correspondientes solo de manera
digital por medio de correo electrónico.
Por mencionar algunos de los campos que concentra este informe es Estado,
Programa, Tipo de Trabajos, Tramo, Ubicación, Meta, Asignación, Número de
536
Licitación, Fechas del procedimiento, Modalidad, Tipo de Contrato, Fecha de Firma

del Contrato, Número de Contrato, Oficio de Autorización, Datos de la Empresa y
así otros más hasta llegar a los avances físicos y financieros.
En la figura 9, se muestra con poca claridad este informe elaborado en Excel.

La idea de la figura 9 no es tratar de que el lector adivine los datos de las columnas,
sino que se genere una percepción de que la propuesta vertida en este documento
es que se puede utilizar de herramientas con mayores funcionalidades para el
análisis y la visualización de datos que ayuden a la comprensión y la toma de
decisiones. Ahora bien, tampoco se trata de recomendar en la propuesta eliminar la
herramienta Excel, se sugiere siga siendo usada como herramienta para
almacenar datos y sea utilizada como fuente de datos para Tableau y R.
Figura 9. Informe del proceso de licitación, contratación, ejecución y terminación de las obras.
Elaboración propia
Un segundo informe, existe el relacionado con el programa nacional de

conservación de carreteras, este reporte se elabora y envía mensualmente en la
Residencia General, a diferencia del primero este informe se envía en la fecha
correspondiente de manera electrónica y documental.
Debido a que antes de enviarlo a la Dirección de Planeación y Evaluación,

departamento adscrito a la Dirección General de Conservación de Carreteras; es
537
revisado, validado y rubricado por el Residente General, el Subdirector de Obras y

finalmente por el Director General del Centro SCT.
Algunos datos que contiene el reporte son Tipo de Red, Partida Presupuestal,
Número SAOP, Número de Contrato, Nombre de la Empresa, RFC, Tipo de Trabajo,
Nombre de la Obra, Ubicación, Meta, Asignación, Avances Físicos y Financieros,
fechas diversas, entre otros.
En la figura 10, se presente un ejemplo de un informe de conservación de

carreteras; de igual forma no se percibe con claridad ni variables ni sus valores, sin
embargo y de manera similar la propuesta es el uso de Tableau y R para diversos
análisis de datos.
538
Figura 10. Informe Programa Nacional de Conservación de Carreteras. Elaboración propia
Por otra parte en la figura 11 (primera parte) y figura 12 (segunda parte), se

presenta un reporte de dominio público extraído del portal de la SCT del enlace:
http://www.sct.gob.mx/fileadmin/DireccionesGrales/DGCC/PDF/DGO_aff_julio2020
.pdf que muestra el avance de obra para el Estado de Durango con fecha Julio 2020
y que de manera más clara se puede observar datos relacionados con este tipo de
informe.
539
Figura 11 Avance físico financiero de obra en Durango (Primera parte) de Julio 2020 (SCT.
Subecretaría de Infraestructura. Dirección General de Conservación de Carreteras, 2020).
540
Figura 12 Avance físico financiero de obra en Durango (Segunda parte) de Julio 2020 (SCT.
Subecretaría de Infraestructura. Dirección General de Conservación de Carreteras, 2020).
12.3.4. Análisis de la propuesta para para la Residencia General de

Conservación de Carreteras de la SCT
En la actualidad en la Residencia General de Conservación de Carreteras se
realizan periódicamente reuniones donde intervienen las Residencias de Obras
responsables de la ejecución de las obras, personal de la Oficina Técnica encargada
del trámite y pago de las estimaciones, así como de elaborar la presentación de los
informes de Avances Físicos y Financieros, y finalmente el Residente General y el
Subdirector de Obras, altos mandos que interpretan la información presentada para
la toma de las decisiones que tengan lugar.
La forma en que se han realizado la entrega de resultados es mediante

presentaciones elaboradas con Microsoft Power Point con gráficas simples
generadas mediante Microsoft Excel. Como ejemplo de ello la figura 13.
541
Figura 13. Visualización de la información de Avances Físicos y Financieros actualmente.

Elaboración propia
Dentro de la gran cantidad de características que proporciona Tableau

Desktop se pueden generar diferentes formas de visualización de la información la
cual permite interactuar con la misma y así ampliar el panorama del conocimiento
que se puede obtener para la toma de decisiones, si se cumple el objetivo de
implementar dicha herramienta para representar los avances físicos y financieros
en la Residencia General de Conservación de Carreteras, se generarían
dashboards o reportes ejecutivos como lo que se muestra en la figura 14.
542
Figura 14. Dashboard de Avances Físicos y Financieros de contratos a cargo de la RGCC.

Elaboración propia
Así mismo se recomienda aprovechar la funcionalidad de generación de

mapas que integra la herramienta Tableau para de una manera visual representar
la ubicación de las obras, la figura 15, muestra un mapa mundial con indicadores
que representan a cada País a manera de ejemplo de visualización de mapas que
se pueden hacer en Tableau.
Figura 15. Un ejemplo de mapas en Tableau. Elaboración propia
En la figura 16 se gráficos con datos de INEGI como una muestra de aspectos

visuales de población dispersa en estados de la República Mexicana haciendo una
semejanza y una recomendación de realizar informes y reportes de la Residencia
General de Conservación de Carreteras de la S.C.T utilizando herramientas
relacionadas con Ciencia de los Datos, en este caso la herramienta visual de
Tableau.
543
Figura 16. Ejemplo de visualizaciones en Tableau con de población de INEGI. (Sada, 2013).
Conclusiones
Debido a los avances de la tecnología producidos sobre todo a lo largo del
siglo XX, la humanidad se ha transformado en una sociedad de la información con
el uso de las nuevas tecnologías.
Está claro que las computadoras y las telecomunicaciones han reportado

numerosos beneficios a las organizaciones, de hecho, gracias a la informática se
permite estar comunicado independientemente del sector en donde se encuentre
científico, industrial, sanitario, artístico, económico, de salud, entre otros.
El gran volumen y variedad de datos tienen un impacto en el desarrollo de

tecnologías de análisis de datos empresariales, estos datos requieren mejoras más
amplias en las tecnologías de recolección, almacenamiento, procesamiento y
análisis.
544
Las herramientas de análisis y visualización de datos son intuitivas, fáciles

de usar, ofrecen capacidades de autoservicio, procesamiento de memoria,
visualización interactiva y flexibilidad. Con estas características se logra que las
aplicaciones sean más rápidas, flexibles y que los usuarios puedan acceder
directamente a los datos y a capacidades de análisis de datos con menos
dependencia de intermediarios.
Después de conocer y ejecutar algunas de las funciones de la herramienta

Tableau y ejecutar algunos comandos y funciones del lenguaje de programación R
además basado en los requerimientos de los usuarios del área de Vigilancia
epidemiológica de Los Servicios de salud de Durango, se determinó que ambos
sistemas cumplen con la finalidad de analizar y presentar la información requerida
por el área.
Sin embargo, se puede resaltar que a pesar de cumplir con el resultado

requerido existen diferencias que fueron determinantes para la selección de uno de
ellos.
Se observó que existen algunas limitaciones naturales desde el punto de

vista usuarios, para el caso de utilizar R y poder aprovechar el poder de análisis y
la capacidad para visualización que tiene lenguaje, se necesitan habilidades de
programación.
La herramienta que se sugiere más viable para implementar en el área, es el

sistema Tableau, ya que la curva de aprendizaje es más corta y por ser un sistema
más intuitivo, no se requiere de conocimientos de programación para el análisis de
la información.
A pesar de contar con personal informático en el área de Vigilancia

Epidemiológica se requiere que también el personal médico pueda realizar análisis
de información inclusive en otras áreas como las unidades u hospitales de las
cabeceras municipales.
Otra de las ventajas observadas con el sistema Tableau es la capacidad de

mostrar tableros (dashboard) de visualización del análisis de la información, lo cual
545
permite observar de manera más fácil y rápida y así poder detectar algo anormal en
el comportamiento de la información y poder tomar decisiones y realizar acciones
que beneficien a la población.
Se puede destacar que el uso de las tecnologías de la información y

utilizando los sistemas adecuados a nuestras necesidades sin duda mejora los
procesos y asegura un análisis, manejo y presentación de la información viable y
por lo tanto en resultados de beneficio para todos.
Con respecto a la propuesta de Residencia General de Conservación de

Carreteras, se plantea en base a una necesidad en el área de trabajo derivada de
la forma en que se visualiza la información referente a los Avances Físicos y
Financieros de las Obras que se ejecutan en la Residencia General.
Se puede destacar que el uso de las tecnologías de la información y

utilizando los sistemas adecuados a las necesidades sin duda mejora los procesos
y asegura un análisis, manejo y presentación, mediante los dashboards y aquellas
opciones para crear mapas permita tener un panorama más amplio de aquellos
detalles que tal vez con una presentación tradicional en Power Point o una tabla
generada en Excel pueda representar. De esta forma los diferentes niveles de
mando pueden extraer el mayor conocimiento posible y estén en la posibilidad de
tomar las decisiones correctas en el momento oportuno.
Este trabajo es una ventana a las diferentes herramientas de visualización

que están tomando fuerza, en específico Tableau Desktop, para aquel usuario que
dentro de sus funciones esté la de presentar los resultados de las actividades o
procesos que periódicamente se ejecuten en su lugar de trabajo, dejando atrás el
uso de herramientas tradicionales como Power Point y Excel, que si bien son
funcionales no cuentan con la capacidad de visualización que integra Tableau
Desktop o cualquiera de sus versiones.
Para la Residencia General de Conservación de Carreteras esta propuesta

de implementación deja una opción para cambiar el modo en que habitualmente se
viene presentando la información a los altos mandos.
546
Implementar Tableau Desktop en la Residencia General y ver reflejados los

resultados, puede ser el inicio de su uso no sólo en el área de trabajo objeto de éste
producto académico, sino en los diferentes departamentos que conforman el Centro
SCT Durango, por mencionar algunos como el Departamento de Recursos
Humanos, el Departamento de Recursos Materiales, el Departamento de
Autotransporte Federal, entre otros.
Referencias
Alcalde Perea, I. (2015). Visualización de la información: De los datos al conocimiento. Barcelona:
UOC.
Ayala, J., Ortiz, J. G., & Maya, E. (2018). Herramientas de Business Intelligence (BI) modernas,
basadas en memoria y con lógica asociativa . REVISTA PUCE. ISSN: 2528-8156. NÚM.106,
20.
Carrión, J. (s.f. de s.f. de s.f.). Diferencia entre Dato, Información y Conocimiento. Obtenido de
Diferencia entre Dato, Información y Conocimiento:
http://biblioteca.udgvirtual.udg.mx:8080/jspui/bitstream/123456789/869/3/Diferencia_entre_
dato_informaci%c3%b3n.pdf
De Juana, R. (18 de 02 de 2019). MCPRO. Obtenido de El Cuadrante Mágico de Gartner: casi todo
lo que tienes que saber: https://www.muycomputerpro.com/2019/02/18/el-cuadrado-magico-
de-gartner-casi-todo-lo-que-tienes-que-saber
Flores Avendaño, P. A., & Villacís Vera, A. E. (01 de 09 de 2017). Análisis Comparativo de las
Herramientas de Big Data. En la Facultad de Ingeniría de la Pontificia Universidad Católica
del Ecador. Quito, Quito, Ecuador: Pontifica Universidad Católica del Ecuador. Facultad de
Ingeniería de Sistemas y Computación.
Jones, H. (2019). Analítica de Datos. La guía definitiva de análisis de Big Data para empresas,
técnicas de minería de datos, recopilación de datos y conceptos de inteligencia empresarial.
México: Independently published.
Martínez, R. (s.f. de s.f. de s.f.). Empoderamiento de los ciudadnos en el análisis de los datos
abiertos. Obtenido de Empoderamiento de los ciudadnos en el análisis de los datos abiertos:
547
http://openaccess.uoc.edu/webapps/o2/bitstream/10609/72847/6/xyulexTFM0118memoria.
pdf
Olivo Cabezas, R. C. (01 de 08 de 2016). Uso de la Herramienta Ofimática Word y su Influencia en

el Proceso de Enseñanza–Aprendizaje a Estudiantes de la Escuela Educación Básica "Juan
E. VEerdeSoto" Cantón Babahoyo, Provincia los Ríos. Trabajo de Grado. Licenciatura en
Ciencias de la Educación. Babahoyo, Babahoyo, Ecuador: Universidad Técnica de
Babahoyo.
Puerta Gálvez, A. (2016). Business Intelligence Y La Tecnología de la Información.
r-project.org. (01 de 01 de 2019). r-project.org. Obtenido de r-project.org: https://www.r-project.org/
Sada, R. (04 de 09 de 2013). Tableau. Obtenido de Poblacion MX INEGI:

https://public.tableau.com/profile/ricardo.sada#!/vizhome/PoblacionMXINEGI/Panel
SCT. Subecretaría de Infraestructura. Dirección General de Conservación de Carreteras. (2020).

Programa Nacional de Conservación de Carreteras. Avance Avance Fìsico - Financiero.
SCT.
Sedeño Valdellós, A. (2016). La visualización de datos como recurso social: posibilidades educativas
y de activismo. Razón y palabra. Primera Revista Electrónica en Iberoamérica Especializada
en Comunicación. Vol. 20, Núm 1, 14.
Tableau. (s.f.). Tableau para equipos y organizaciones. Obtenido de https://www.tableau.com/es-

es/products/teams-organizations
Tableau Softwate, LLC. (s.f.). Tableau. Obtenido de Que es Tableau: https://www.tableau.com/es-

mx
Veláquez Luna, J. C. (02 de 08 de 2020). Tableau Public. Obtenido de COVID-19 en México:

https://public.tableau.com/profile/jos.carlos.vel.zquez.luna#!/vizhome/proyecto_1596408480
2330/Dashboard1
548

Libro Cien CIA Delos Da To S

Cargado por

Copyright:

Formatos disponibles

Libro Cien CIA Delos Da To S

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Libro Cien CIA Delos Da To S

Cargado por

Copyright:

Formatos disponibles

Ciencia de los Datos

Propuestas y casos de uso

Rubén Pizarro Gurrola

Docentes del Tecnológico Nacional de México del Instituto

Ciencia de los Datos.

Propuestas y casos de uso

Primera Edición: Septiembre 2020 ©

Rubén Pizarro Gurrola

José Gabriel Rodríguez Rivas

Marco Antonio Rodríguez Zúñiga

Jeorgina Calzada Terrones

Editado en Durango, Dgo, México

Universidad Pedagógica de Durango

Instituto Tecnológico de Durango

Luis Fernando Galindo Vargas

D.R. Universidad Pedagógica de Durango

Comité Científico Dictaminador

Dr. Omar David Almaraz Rodríguez. Universidad Pedagógica de Durango

Dr. Isidro Amaro Rodríguez, Tecnológico Nacional de México. Instituto

MES. Josefa del Carmen Hernández Ancona. Tecnológico Nacional de

D.C.C. Blanca Cecilia López Ramírez. Tecnológico Nacional de México.

MC. Javier Nájera Frías. Tecnológico Nacional de México. Instituto

MC. Liliana Elena Olguín Gil. Tecnológico Nacional de México. Instituto

MGTI Eliceo Manuel Martín Pacheco Can. Tecnológico Nacional de México.

MGTI Elías Gabriel Fidel Pacheco Can. Tecnológico Nacional de México.

Dr. Rafael Moisés Rosas Sánchez. Tecnológico Nacional de México. Instituto

M.S.L. Luis Ramón Sánchez Rico . Tecnológico Nacional de México.

MC. Francisco Vázquez Guzmán. Tecnológico Nacional de México.

MTI. Eduardo Vázquez Zayas. Tecnológico Nacional de México.

Juan Daniel Carrillo Mercado

Gabriel Arturo Lugo Morales

1.1. Introducción ............................................................................................................. 38

1.2. Marco de referencia.................................................................................................. 40

1.3. Desarrollo .................................................................................................................. 60

1.3.1.5. Seguridad ................................................................................................................. 63

Big Data y su impacto en la sociedad ........................................................ 79

Carolina Sosa Hernández

José Gabriel Rodríguez Rivas

2.1. Introducción ............................................................................................................. 79

2.2. Marco de referencia.................................................................................................. 82

2.3. Desarrollo .................................................................................................................. 89

2.4. Conclusiones ............................................................................................................ 117

Referencias ........................................................................................................................... 118

Capítulo 3 .................................................................................................. 120

Herramientas Big Data ............................................................................. 120

Jaime Alonso Chacón Soto.

Jeorgina Calzada Terrones

3.1. Introducción ............................................................................................................ 120

3.2. Marco de referencia................................................................................................. 123

3.2.4.1. Jupiter Lab............................................................................................................... 134

3.3. Desarrollo ................................................................................................................. 140

Conclusiones y Recomendaciones ........................................................................................ 158

Referencias ........................................................................................................................... 159

Capítulo 4 .................................................................................................. 162

4.2.10. ¿Qué es Marketing?...................................................................................................... 180

4.3. Desarrollo .................................................................................................................. 186

Conclusiones y Recomendaciones ......................................................................................... 191

Referencias ............................................................................................................................ 192

Capítulo 5 ................................................................................................... 195