CePETel SECRETARÍA TÉCNICA

Instituto Profesional de
Estudios e Investigación
Sindicato de los Profesionales
de las Telecomunicaciones

Formación Profesional en CePETel 2022

Desde la Secretaria Técnica del Sindicato CePETel convocamos a participar del
siguiente curso de formación profesional:

Big Data & Analytics – Parte 1

Clases: 8 de 3hs c/u de 18:00 a 21:00 hs.
Días que se cursa: los días miércoles 3, 10, 17, 24 y 31 de agosto; 7, 14, y 21 de
septiembre.
Modalidad: a distancia (requiere conectarse a la plataforma Zoom en los días y
horarios indicados precedentemente).
Docente: María Trinidad Aquino y Raúl Alejandro Grassi

La capacitación es:

 Sin cargo para afiliados y su grupo familiar directo.

 Sin cargo para encuadrados con convenio CePETel.
 Con cargo al universo no contemplado en los anteriores.

Informes: enviar correo a [email protected]

Inscripción (hasta el 2 de agosto): ingresar al formulario (se recomienda realizar el

registro por medio de una cuenta de correo personal y no utilizar dispositivos de la
empresa para acceder al link).

https://forms.gle/k64BVt8zouEP6E3u9

Temario:

Módulo 1 Surgimiento de Big Data (Clases 1 y 2)

• Surgimiento de Big Data
• La revolución de los datos masivos, la datificación. Nuevo
paradigma con cambio de escala.
• El Big Bang de Big Data. Razones del crecimiento explosivo de
datos. Evolución de costo de almacenamiento.
• ¿Qué es Big Data? ¿Para qué sirve?
• La Paradoja de los Datos. TTTI (Total Time to Insight)
• Roles y Perfiles en Big Data
TP Clase 1: Ejercicio de búsqueda: casos posibles de uso de Big Data
TP Clase 2: Detallar 3 características diferenciales de las bases de
datos relacionales y no relacionales.

Ing. Daniel Herrero – Secretario Técnico – CDC

http://www.cepetel.org.ar[email protected]  Rocamora 4029 (CABA)(+54 11)35323201
CePETel SECRETARÍA TÉCNICA
Instituto Profesional de
Estudios e Investigación
Sindicato de los Profesionales
de las Telecomunicaciones

Módulo 2 Los datos nos rodean (Clases 3 y 4)

• Implementación de Big Data

• ¿Qué es el procesamiento distribuido?
• Diferencias entra las bases de datos existentes: SQL/NoSQL
• Aproximación al Ecosistema Hadoop.
• La relación entre BigData y la nube: Cloud vs On Premise
• Ejemplos de aplicaciones de Big Data en distintos ámbitos – casos reales de uso
TP Clase 3: Identificar y describir al menos 3 diferencias entre los servicios de cloud vs on premise.
TP Clase 4: Diferenciación entre Inteligencia Artificial, Machine Learning y Deep Learning.
Ejemplos

Módulo 3 Obtención de los Datos y Proceso de Toma de Decisión (Clases 5 y 6)

• Inteligencia Artificial • Machine Learning y sus algoritmos

• Deep Learning • Definición y Tipos de Data Analytics
• Business Intelligence: Datos vs Información vs Conocimiento
• BI: tipos de sistemas. OLTP vs OLAP
• Desafíos de BI. La pirámide de la información
TP Clase 5: Marcar la diferencia entre los sistemas OLTP y OLAP. Traer un ejemplo de al menos 1
de ellos para compartir en la próxima clase.
TP Clase 6: Listar al menos 2 herramientas para la visualización de datos. Comparación con
ventajas y desventajas de cada una.

Módulo 4 Visualizar con datos (Clases 7 y 8)

• Los datos empiezan a hablar

• Niveles de realización de BI: Alertas, Dashboards, Monitoreos
• Análisis OLAP/Multidimensional
• Herramientas de Explotación de BI
• Gráfico cuadrangular de Gartner: clasificación
• Herramientas para la visualización con datos masivos
• KPI. Definición, Ejemplos. Diferencias entre KPI’s y Métricas
TP Clase 7: Buscar ejemplos de visualizaciones con las que trabajen o hayan trabajado. Armar
una presentación de no más de 3 minutos por alumno o por grupo (a definir según los
participantes). Ejemplos de KPI más comunes según la industria.

Acerca de los docentes

María Trinidad Aquino: 2007-12–03 al momento Analista Senior Marketing – Región

Patagonia Movistar, Neuquén.
* Proyecto Canal Presencial (Agentes y CEC) responsable de la construcción y
disposición de los datos (KPI´s) para ver su evolución con aporte analítico, diagnóstico y
sugerencia de planes de acción para su mejora.

Ing. Daniel Herrero – Secretario Técnico – CDC

http://www.cepetel.org.ar[email protected]  Rocamora 4029 (CABA)(+54 11)35323201
*Proyecto Educador Digital País, referente de la región Patagonia con seguimiento de
los KPI´s y evolución.
* Nuevos proyectos del área con análisis de datos, participación en el diseño,
elaboración y difusión de lo implementado.

Formación académica:
 2020-09 – 2021-10 (finalizada) Big Data, Data Engineer (Diplomatura) ITBA,
CABA
 1999-03 - 2003-12 (finalizada) Ciencias Sociales, Licenciada en Relaciones
Públicas Universidad Nacional de Lomas de Zamora, Lomas de Zamora

Raúl Alejandro Grassi: desde 1995 hasta la fecha TELEFONICA DE ARGENTINA S.A.
Puesto:Analista Senior - Sector Big Data Comercial.
Responsabilidades: Definición de inversiones anuales en capital (CapEx) en base a
análisis de proyección comercial. Gestión de proyectos y seguimiento de inversiones.
Diseño e implementación de modelos de aseguramiento de satisfacción de clientes.
Planeamiento y ejecución de tableros de control y análisis del negocio basado en
datawarehousing (heavy user) en los últimos 10 años, programando en SQL y modelado
de datos. Análisis y Evaluación de acciones que impacten en cumplimiento de objetivos
del Negocio B2C. Analista Senior BI, desarrollo en herramientas de explotación de BI
(Microstrategy; Tibco Spotfire, Power BI, Tableau, etc.) y ecosistema Hadoop (Spark,
Hive, SQL, procesos de ingestas ETL, ELT, etc.).
Desempeño durante 4 años en el sector Data Driven Comercial, promoviendo la cultura
Data Driven y desarrollando tableros de control predictivos y prescriptivos con
herramientas de explotación basadas en modelos relacionales/dimensionales.
Experiencia al menos 7 años como líder de proyectos, Manejo de Metodologías Agiles
en
posiciones como Stakeholder, Scrum Master y PO.

Formación académica:
 2020-2021 Licenciatura en Big Data – especialista en Data Engineer - ITBA
(Instituto Tecnológico de Buenos Aires)
 1999 Posgrado en Gestión Gerencial Avanzada (Managemente Executive
Program) Universidad Argentina de la Empresa (UADE)
 1986-1992 Ingeniero Electrónico Universidad de Buenos Aires

Ing. Daniel Herrero – Secretario Técnico – CDC

http://www.cepetel.org.ar[email protected]  Rocamora 4029 (CABA)(+54 11)35323201

3/3
 Instituto Profesional de
Estudios e Investigación

CePETel SECRETARÍA TÉCNICA

Sindicato de los Profesionales
de las Telecomunicaciones

BIG DATA & ANALYTICS I

TEMARIO
Módulo 1: Surgimiento de Big Data
Módulo 2: Los Datos Nos Rodean
Módulo 3: Obtención de los Datos y
Proceso de Toma de Decisión
Módulo 4: Visualizar con Datos

Disertantes: Lic. Maria Trinidad Aquino – Ing. Raúl Alejandro Grassi

 Instituto Profesional de
Estudios e Investigación

CePETel SECRETARÍA TÉCNICA

Sindicato de los Profesionales
de las Telecomunicaciones

BIG DATA & ANALYTICS I

Módulo 1: Surgimiento de
Big Data
Video Bienvenida Cronología de Big Data
Los datos nunca duermen!
El mundo pasa una media de 6 horas y 54
minutos al día en Internet, pero, en sólo un
minuto, ¿cuánta actividad digital se
genera? 60 segundos pasan rápidamente,
pero en este lapso de tiempo suceden un
sinfín de cosas en el mundo online.

Esto sucede en internet

en 1 minuto
CRECIMIENTO EXPLOSIVO DE DATOS VS. COSTO DE ALMACENAMIENTO

Costo de Almacenamiento - Evolución

 CRECIMIENTO EXPLOSIVO DE DATOS VS. COSTO DE ALMACENAMIENTO
Año 1989
CRECIMIENTO EXPLOSIVO DE DATOS VS. COSTO DE ALMACENAMIENTO
CRECIMIENTO EXPLOSIVO DE DATOS VS. COSTO DE ALMACENAMIENTO
Big Data
Una Primer Definición
“Volumen masivo de datos, tanto estructurados como no-estructurados, los cuales son

demasiado grandes y difíciles de procesar con las bases de datos y el software tradicionales."
(ONU, 2012)

Big Data no es sólo un repositorio de datos:

además de almacenar los datos, se aplican procesos para
tratarlos y analizarlos.
Big Data no es únicamente una herramienta de analítica: es
capaz de correlacionar datos procedentes de distintas fuentes y
en diferentes formatos.
Big Data es más que una plataforma de gestión de datos: es
capaz de trabajar con datos en tiempo real.
Big Data
Para que sirve?

•Predecir el consumo de energía, muy útil para los servicios

públicos
•Anticipar la deserción de clientes, por ejemplo, en compañías de
telecomunicaciones
•Analizar el sentimiento hacia una marca en redes sociales, muy
útil en marketing
•Mejorar el rendimiento de los sistemas de atención al cliente
•Crear sistemas de recomendación automatizados, con muchas
aplicaciones en el sector retail
•Detectar fraudes, una aplicación que puede ser muy útil para
aseguradoras y bancos, y también en recursos humanos
Big Data
nos ayuda a:

•Identificar personas, con la utilidad que supone para cuestiones

de seguridad y defensa
•Conocer mejor los gustos y necesidades de los clientes,
para ofrecerles productos y servicios personalizados
•Facilitar el día a día de las personas con dispositivos
inteligentes: neveras que hacen el pedido directamente al
supermercado, coches conectados que informan de que hay
retenciones en una vía o pulseras para diabéticos que miden el
nivel de glucosa a través de la piel.
ENTONCES
QUE ES EL
BIG DATA??
Big Data
Es el sector de IT que hace referencia a la gestión y análisis de grandes conjuntos de datos que
por la velocidad a la que se generan, la capacidad para tratarlos y los múltiples formatos y
fuentes, es necesario procesarlos con mecanismos distintos a los tradicionales.

CADA DÍA CREAMOS 2,5

QUINTILLONES DE BYTES DE
DATOS. (2,5 Exabytes)

EL 90% DE LOS DATOS DEL

MUNDO DE HOY SE
GENERARON EN LOS
ÚLTIMOS 2 AÑOS

Video: Big Data en 3 minutos!!!

De donde vienen los datos?

• Los datos pueden llegar desde las redes sociales, a través del correo electrónico, de las
apps... son datos que genera el usuario por sí mismo.

• Además, por ejemplo, con las transacciones del banco, de un e-commerce, o de las tarjetas
de crédito, estos datos también quedan registrados.

• Las propias máquinas también generan datos por sí mismas, y codifican información a
través de sensores.

• También se van archivando los datos relacionados con seguridad, defensa e inteligencia.
Un claro ejemplo de ello son los que generan los lectores biométricos.
Gestión de datos
A pesar de que puede haber cierta
controversia en cuanto a qué puede
considerarse Big Data y qué no,
prácticamente todos los analistas
profesionales y especialistas coinciden en
que el Big Data tiene cuatro dimensiones
con unas características propias: volumen,
variedad, velocidad y veracidad.
Las 4 V de Big Data VOLUMEN

#1 Volumen
Tradicionalmente, los datos se han venido generando de forma
manual.
Ahora provienen de máquinas o dispositivos y se gestan de
manera automática, por lo que el volumen a analizar es
masivo. Esta característica del Big Data se refiere al tamaño de
las cantidades de datos que se generan actualmente.
Las cifras son abrumadoras.
Y es que los datos que se producen en el mundo durante dos
días equivalen a todos los generados antes del año 2003.
Estos grandes volúmenes de datos que se producen a cada
momento suponen retos técnicos y analíticos
importantes para las empresas que los gestionan.
 Las 4 V de Big Data
VARIEDAD

#2 Variedad
El origen de los datos es altamente heterogéneo.
Provienen de múltiples soportes, herramientas y plataformas: cámaras,
smartphones, coches, sistemas GPS, redes sociales, registros de
viajes, movimientos bancarios, etc.
A diferencia de hace unos años, cuando los datos que se almacenaban
se extraían, principalmente, de hojas de cálculo y bases de datos.
Los datos que se recopilan pueden venir estructurados (son más fáciles
de gestionar) o no estructurados (en forma de documentos, vídeos,
mensajes de correo electrónico, redes sociales, etc.).
Dependiendo de esta diferenciación, cada tipo de información se tratará
de manera distinta, a través de unas herramientas específicas.
La esencia del Big Data reside en, posteriormente, combinar y
configurar unos datos con otros.
Las 4 V de Big Data

#3 Velocidad
El flujo de datos es masivo y constante.
En el entorno del Big Data, los datos se generan y almacenan a
una velocidad sin precedentes. VELOCIDAD
Este gran volumen provoca que los datos queden desfasados
rápidamente y que pierdan su valor cuando aparecen otros
nuevos.
Las empresas, por lo tanto, deben reaccionar muy
rápido para poder recopilarlos, almacenarlos y procesarlos.
El reto para el área de tecnología es almacenar y gestionar
grandes cantidades de datos que se generan continuamente.
El resto de áreas también deben trabajar a gran velocidad para
convertir esos datos en información útil antes de que pierdan su
valor.
Las 4 V de Big Data
#4 Veracidad
Esta característica del Big Data probablemente sea la que supone un
mayor reto.
El gran volumen de datos que se genera puede hacer que dudemos
del grado de veracidad de todos ellos, ya que la gran variedad de los
datos provoca que muchos de ellos lleguen incompletos o
VERACIDAD
incorrectos.
Esto se debe a múltiples factores, por ejemplo, si los datos provienen
de distintos países o si los proveedores utilizan diferentes formatos.
Estos datos deben ser limpiados y analizados, una actividad
incesante ya que continuamente se generan otros nuevos.
La incertidumbre en cuanto a la veracidad de los datos puede
provocar ciertas dudas sobre su calidad y su disponibilidad en un
futuro.
Por ello, las empresas deben asegurarse de que los datos que están
recopilando tengan validez, es decir, que sean los adecuados para
los objetivos que se pretenden alcanzar con ellos.
Rompiendo paradigmas: La 5ta V

#5 Valor
Esta característica representa el aspecto más relevante de Big
Data.
El valor que generan los datos, una vez convertidos en
información, puede considerarse el aspecto más importante. Con
ese valor, las empresas tienen la oportunidad de sacar el
máximo partido a los datos para introducir mejoras en su
gestión, definir estrategias más óptimas, obtener una clara
ventaja competitiva, realizar ofertas personalizadas a los clientes,
aumentar la relación con el público, y mucho más.

Para ser conscientes de todas las oportunidades que se pueden extraer mediante la aplicación del Big
Data es necesario entender cuáles son los principales elementos que le aportan valor y que
provocan que su aplicación a nivel empresarial sea una apuesta segura.
Roles en Big Data

Data Analyst/Business Analyst

Se especializa en el negocio y en realizar análisis de

datos, extrayendo conclusiones.
En general no tienen mucho conocimiento técnico, pero
utilizan herramientas de explotación y análisis gráficos
para realizar su trabajo.

Habilidades: los analistas de datos deben tener una

comprensión básica de algunas habilidades: recopilación
de datos, visualización de datos, análisis exploratorio de
datos.

Herramientas: Microstrategy, Qlik, Tableau, Power BI

entre otras.
Roles en Big Data

Data Architect - orientado a modelado de datos (Data Modeler)

Se especializa en el modelado de datos, tanto relacional o

no relacional y fundamentalmente dimensional.

Definen cómo los datos serán ingestados y almacenados,

conformados e integrados, administrados y explotados por
diferentes aplicaciones.
Responsable de la capa semántica para presentar la
información en términos de negocio.

Herramientas: MicroStrategy, Governance Catalog, Bus

Matrix (para documentar hechos y dimensiones), Diagrama
ER en Erwin
Roles en Big Data
Data Architect - orientado a tecnologías y plataformas

Se especializa en el conocimiento de tecnologías desarrolladas para Big Data,

encargándose de diseñar la topología, definir las soluciones, configurar,
mantener y soportar las plataformas tecnológicas.
Definen cómo los datos serán ingestados, almacenados, consumidos,
integrados, administrados y explotados por diferentes aplicaciones,
asegurando la integración de todas las plataformas con las bases de datos y
tecnologías tradicionales existentes en la organización.

Habilidades: Tiene conocimiento avanzado en plataformas de almacenamiento

y procesamiento de datos distribuidos tanto on premise como cloud.
Exhaustivo conocimiento de la arquitectura de la base de datos NoSQL.
Conocimiento de Herramientas de Extracción, transformación y carga
(ETL/ELT) Batch, microbatch, near real time y real time.

Herramientas: Plataforma Hadoop, Nifi, Kafka, Spark, MapReduce, Hive,

MongoDB, otras Bases de datos relacionales y nosql, entre otros
Roles en Big Data
Se encargan de analizar requerimientos y necesidades, investigar potenciales
fuentes de datos, diseñar modelos y procesos de carga/ingesta. Entre sus
principales tareas se incluye investigar fuentes de datos, descubrir patrones y
relaciones, modelar dimensionalmente procesos de negocio, establecer los
mapeos desde las fuentes de datos hasta el modelo propuesto, diseñar procesos
de preparación de datos contemplando la extracción, limpieza, conformación y
carga para su posterior uso analítico u operacional.
Entre sus principales tareas se incluye la preparación de datos para su posterior
uso analítico u operacional. Esta preparación implica la de construir y automatizar
pipelines para buscar datos de diferentes fuentes, ingestarlos, integrarlos,
consolidarlos, limpiarlos y enriquecerlos para su uso posterior.

Habilidades: Conocimiento de sistemas de base de Datos Relacionales y noSQL.

Modelado de datos y herramientas ETL/ELT Batch y Near real time. Desarrollo de
APIs para acceso a datos. Desarrollar y utilizar plataformas de almacenamiento y
procesamiento distribuido.
Herramientas: BD Relacionales, BD NoSQL, Hadoop, Spark, MapReduce, SQL,
HivE, Sqoop, Kafka, Nifi, entre otros. Lenguajes: Python, JavaScript, Java, Scala
entre otros
Roles en Big Data

Se encarga de realizar análisis y extracción de conocimiento y

conclusiones a partir de grandes volúmenes de datos. Para
realizar dicho análisis se basa en utilizar y combinar la
informática, con matemáticas y estadística, debiendo comunicar
el conocimiento extraído de los datos y la visión de negocio.

Habilidades: Conocimiento de Procesamiento distribuido,

algoritmos predictivos, matemáticas, estadísticas, algoritmos
orientados a machine learning, buena comunicación y
conocimiento del negocio, entre otros.

Herramientas: BD Relacionales, BD NoSQL, Hadoop, Spark,

MapReduce, Hive, Notebook Jupyter, Notebook Zeppelin, entre
otros. Lenguajes: R, Python, Scala.
Roles en Big Data
Roles en Big Data
Roles en Big Data
TP N° 1: Ejercicio de búsqueda: casos posibles
de uso de Big Data

- Identifique al menos 3 casos posibles de uso de Big Data. Pueden ser sobre
procesos/actividades cercanos a su espacio de trabajo y/o estudio o buscar casos
reales en internet.

- Para cada caso desarrolle brevemente cómo lo usaría (cuál sería el beneficio
específico del uso de las tecnologías del Big Data)

- Especifique cuáles serían los orígenes de los datos que necesitaría para su caso (por
ejemplo CRM, Redes Sociales, IoT, Información de Geoposicionamiento, etc.)

Armar una presentación en 1 hoja en base a lo solicitado. Éxitos!!

TP N° 2: Bases de Datos Relaciones vs No
Relacionales

- Detallar 3 características diferenciales de las bases de datos relacionales y no

relacionales (también conocidas como SQL y NoSQL).

- Buscar ejemplos de cada una de ellas

- Detallar la estructura de las principales base de datos no relacionales

Armar una presentación en 1 hoja en base a lo solicitado. Éxitos!!

 Instituto Profesional de
Estudios e Investigación

CePETel SECRETARÍA TÉCNICA

Sindicato de los Profesionales
de las Telecomunicaciones

BIG DATA & ANALYTICS I

TEMARIO
Módulo 1: Surgimiento de Big Data
Módulo 2: Los Datos Nos Rodean
Módulo 3: Obtención de los Datos y
Proceso de Toma de Decisión
Módulo 4: Visualizar con Datos

Disertantes: Lic. Maria Trinidad Aquino – Ing. Raúl Alejandro Grassi

 Instituto Profesional de
Estudios e Investigación

CePETel SECRETARÍA TÉCNICA

Sindicato de los Profesionales
de las Telecomunicaciones

BIG DATA & ANALYTICS I

Material Adicional 1:
La Ética del Data
La Ética del Data

• A medida que aumenta el uso y el potencial del Big Data, crece el debate sobre la
ética de los datos. La tecnología no es el problema, sino cómo la instruimos y para qué
la utilizamos.
• Imagine que todo lo que hace cada día está monitorizado. Qué compra en Internet.
Qué y con quién habla en las redes sociales. Qué fotos ha hecho. Qué vídeos o series ve.
En qué sitio está en ese momento (geolocalización móvil y reconocimiento facial). Qué
libros lee. Qué facturas tiene y si es buen pagador o no… Todo. Y ahora imagine que toda
esa información conjunta se utiliza para asignar un rating a cada ciudadano. Una
calificación que influirá en su posibilidad de obtener un crédito con ciertas condiciones y,
quizá en el futuro, también en su posibilidad de conseguir o no ciertos empleos, ir a
determinada universidad o acceder a una vivienda concreta. ¿Ciencia ficción? No.
La Ética del Data
La Ética del Data
La Ética del Data
Inteligencia Artificial
¿Cómo hacemos buenas a las máquinas?
El debate sobre la ética del dato se acrecienta a medida que avanzamos del Big Data al
siguiente estadio tecnológico, la Inteligencia Artificial. En realidad, ambas vienen de la mano,
porque no se entiende Inteligencia Artificial sin Big Data, que es la que alimenta a la primera.
Pensemos por ejemplo en el coche autónomo, un claro ejemplo de Inteligencia Artificial que no
podría funcionar si el vehículo no recibiera miles de millones de datos en tiempo real para “ver y
analizar” todo lo que sucede en la carretera y tomar decisiones al respecto.

En lo relativo a la Inteligencia Artificial, el debate en torno a la ética es mucho más amplio y

profundo. Porque hoy las decisiones las toman las personas. Pero en el futuro serán las
máquinas, que actuarán teniendo en cuenta los datos, los algoritmos programados y su propio
aprendizaje (Machine Learning). Y para que tomen buenas decisiones, tendrán que estar bien
instruidas. De ahí que algunos expertos del MIT sugieran hablar de Machine Teaching en lugar
de Machine Learning poniendo así el foco no en las máquinas, sino en las personas que les
enseñan.
La Ética del Data
Inteligencia Artificial

De momento, el debate sobre la ética en la Inteligencia Artificial no se ha traducido en

leyes, pese a que varios países como China, Estados Unidos, Reino Unido y Emiratos
Árabes se han propuesto liderar este campo en el horizonte de 2030. Emiratos incluso
tiene un ministro de Inteligencia Artificial.
Sí que existen algunos códigos de buenas prácticas a nivel internacional e incluso
de ciertas organizaciones. Pero de momento, el debate sigue siendo liderado por
prestigiosas universidades y organizaciones de todo el mundo. Varios ejemplos
interesantes: Ethics and Governance of Artificial Intelligence Fund, una asociación
pilotada por la Universidad de Harward y el MIT; Partnership on AI to benefit people and
society, fundada por Amazon, Apple, Facebook, Google, IBM y Microsoft; OpenIA, una
organización sin ánimo de lucro en la que participan compañías como Amazon,
Microsoft e Infosys. La universidad de Stanford, con la participación de expertos, está
liderando el proyecto One hundred year study on artificial intelligence, con el
compromiso de estudiar y anticipar durante cien años los efectos de las tecnologías
cognitivas en la sociedad y con este primer informe como resultado.
La Ética del Data
Inteligencia Artificial

¿Qué haría usted si condujera un coche autónomo y tuviera que

enfrentarse a estas delicadas situaciones?

Link: Test Moral Machine

 Instituto Profesional de
Estudios e Investigación

CePETel SECRETARÍA TÉCNICA

Sindicato de los Profesionales
de las Telecomunicaciones

BIG DATA & ANALYTICS I

TEMARIO
Módulo 1: Surgimiento de Big Data
Módulo 2: Los Datos Nos Rodean
Módulo 3: Obtención de los Datos y
Proceso de Toma de Decisión
Módulo 4: Visualizar con Datos

Disertantes: Lic. Maria Trinidad Aquino – Ing. Raúl Alejandro Grassi

 Instituto Profesional de
Estudios e Investigación

CePETel SECRETARÍA TÉCNICA

Sindicato de los Profesionales
de las Telecomunicaciones

BIG DATA & ANALYTICS I

Módulo 2: Los Datos Nos

Rodean
 Implementando BIG DATA
Las tres características principales de los datos que hacen necesario aplicar técnicas de Big
Data en un proyecto de análisis de datos son:
• Grandes volúmenes de datos
• la necesidad de procesar esos datos de manera rápida, y
• el uso de tipos de datos complejos.
En cualquier caso, eso se traduce en la necesidad de una gran capacidad computacional, para
así poder satisfacer los requerimientos analíticos de los usuarios.
En una solución de Business Intelligence (BI) tradicional, se trabaja en la gran mayoría de casos
con una arquitectura basada en un único servidor. Este servidor, a pesar de poder ser multi-core,
no puede paralelizar una tarea a alto nivel, con lo que debe asumir toda la carga computacional.
El resultado es la ejecución de largos procesos para resolver cálculos analíticos.

Big Data se basa en el paradigma de la computación distribuida. Es decir, existe una red
computacional (llamada cluster), formada por un conjunto de ordenadores (llamados nodos),
que trabajan de manera organizada y colaborativa para resolver el mismo problema.
 Implementando BIG DATA

Condiciones fundamentales

ESCALAMIENTO HORIZONTAL

ALTA DISPONIBILIDAD

DISTRIBUCIÓN DE DATOS

PROCESAMIENTO DISTRIBUIDO
 Implementando BIG DATA
Escalamiento Horizontal

Cuando un sistema informático puede llegar a procesar

grandes cantidades de datos, es muy importante que
éste sea escalable. Es decir, que pueda crecer para
soportar cargas de trabajo mayores a las que
originalmente soporta.
Una solución Big Data es un sistema escalable, puesto
que un clúster puede aumentar el número de nodos
existentes. Sin embargo, no todo sistema escalable
requiere de una solución Big Data.
 Implementando BIG DATA

Alta Disponibilidad
Un clúster de alta disponibilidad es un conjunto de dos o
más máquinas que se caracterizan por mantener una serie de
servicios compartidos y por estar constantemente
monitorizándose entre sí.
La redundancia es la capacidad de interconectar los Data
Centers en caso de que el principal falle y no perder tiempo
de actividad; mientras que la alta disponibilidad es la
capacidad de tener operando tus sistemas sin interrupción

La configuración de los sistemas HA consta de dos componentes: el principal (que es que

esta dando servicio continuo) y secundario (que es un clon del anterior para que de el
mismo servicio) tiene que ser totalmente idénticos para que el usuario final no se percate
de la caída del sistema y pueda seguir usándolo de manera transparente.
 Implementando BIG DATA

Distribución de Datos

Se define como sistema distribuido a un conjunto

o grupo de equipos que son independientes
entre sí y que actúan como un único equipo de
forma transparente y que tienen como objetivo la
descentralización del procesamiento o el
almacenamiento de información.
 Implementando BIG DATA

Procesamiento Distribuido
Cuando una tarea llega al cluster de Big Data, ésta se
descompone en un conjunto de subtareas, que son asignadas a
los distintos nodos del cluster.

Los nodos trabajan entonces en paralelo (a la vez) en cada una

de sus tareas, con lo que el tiempo de cálculo del conjunto de
tareas se ve reducido considerablemente.

Finalmente, es necesario un post-proceso para consolidar los

datos antes de ofrecer el resultado a los usuarios.

El hecho de disponer de una red de nodos trabajando en

paralelo permite acelerar el tiempo de proceso total de la tarea
hasta el punto que, a pesar de tener que realizar un trabajo
adicional, la computación distribuida es más eficiente en
procesos de cálculos repetitivos y con muchos datos.
 Implementando BIG DATA

Conclusión
La distribución de la carga de trabajo entre los distintos nodos de un
cluster en una solución Big Data, permite realizar las tareas en
paralelo, consiguiendo grandes mejoras en la eficiencia de los
procesos.

La computación distribuida es más eficiente en escenarios con unos o más eficiente y a un menor
cálculos a realizar sobre un gran conjunto de datos. De esta manera se coste
o mayor tolerancia a los fallos
paraleliza el trabajo y se reduce el tiempo total de cálculo.
o mayor rendimiento
A la hora de diseñar la arquitectura de un sistema Big Data, es o mayor velocidad en el
conveniente tener en cuenta el grado de paralelización de las tareas, procesamiento
que será función del número de procesadores y cores disponibles en el
sistema.
Si el grado de paralelización es bajo, el rendimiento en según qué
tareas, puede acabar siendo también muy bajo.
 Fuentes de Datos
Fuentes Internas: Fuentes Externas a la Organización

➢ ERP ➢ Redes Sociales

➢ CRM ➢ Datos de Cámaras empresariales
➢ SCM ➢ Open Data - Gobierno
➢ MES ➢ Web Crawling Data
➢ BPM
➢ Sistemas Legacy
➢ Planillas de Cálculo –
➢ Stream Events (Sensores, medidores)

Formatos

➢ Bases de Datos Relacionales

➢ Bases de Datos NoSQL
➢ Archivos (CSV, AVRO, JSON, XML, XLS,
VSAM, comprimidos -zip, zlib, bzip-)
 SQL vs. NoSQL

Bases de datos relacional o SQL

¿Qué es un sistema de base de datos relacional?

El modelo relacional es una forma intuitiva y directa de

representar datos. Las bases de datos relacionales son el
modelo más utilizado actualmente

Una base de datos relacional es, en esencia, un conjunto de

tablas (o relaciones) formadas por filas (registros) y columnas
(campos); así, cada registro (cada fila) tiene una ID única,
denominada clave y las columnas de la tabla contienen los
atributos de los datos.
Una de las principales características de la base de datos relacional es evitar la duplicidad de
registros y a su vez garantizar la integridad referencial, es decir, que si se elimina uno de los registros,
la integridad de los registros restantes no será afectada. Además, gracias a las claves se puede
acceder de forma sencilla a la información y recuperarla en cualquier momento.
 Implementando BIG DATA

BASES DE DATOS NoSQL

¿Qué es NoSQL?
Sistemas de gestión de bases de datos que difieren
del modelo clásico de bases de datos relacionales:
no usan SQL como lenguaje de consulta, los datos
almacenados no requieren estructuras fijas como
tablas, no garantizan consistencia plena y escalan
horizontalmente.

Not Only SQL

Surgieron para complementar a las bases de
datos tradicionales, no para reemplazarlas.
 Implementando BIG DATA

BASES DE DATOS NoSQL

Tipos de Bases NoSQL

Generalmente, las bases de datos NoSQL se clasifican

según su forma de almacenar los datos, y comprenden
categorías como:

▪ Bases de datos clave-valor

▪ Bases de datos columnares

▪ Bases de datos documentales

▪ Bases de datos orientadas a grafos.

Hadoop - Definición

¿Qué es Hadoop?
Hadoop es un sistema de código
abierto que se utiliza para almacenar,
procesar en paralelo y analizar
grandes volúmenes de datos.
 Hadoop - Principales Características

•Aísla a los desarrolladores de todas las dificultades

presentes en la programación paralela.

•Cuenta con un ecosistema que sirve de gran ayuda al

usuario, ya que permite distribuir los archivos en nodos, que
no son otra cosa que servidores con commodity-hardware.

•Es capaz de ejecutar procesos en paralelo en todo momento.

 Hadoop - Principales Características

•Dispone de módulos de control para la monitorización

de los datos.

•Cuenta con distintas herramientas para realizar

consultas de los datos.

•También potencia la aparición de distintos add-ons,

que facilitan el trabajo, manipulación y seguimiento de
toda la información que en él se almacena
 Hadoop - Cluster

La configuración habitual de Hadoop es tenerlo en un cluster

de máquinas.

De manera que debemos tener una máquina “maestra” y “n”

cantidad de máquinas “esclavas”.

La idea principal es que la máquina maestra gestionará todas

las tareas y las enviará a las máquinas “esclavas”.

Esas máquinas realizarán todo el procesamiento de los

datos y a continuación volverían a informar a la máquina
“maestra”.
 Cloud vs On Premise

Los programas se instalan y Los programas se instalan y

ejecutan sobre los datos en ejecutan sobre los datos en
servidores o granjas de servidores servidores locales en las
remotos en distintos proveedores instalaciones de la empresa.
de servicios web. Por ej. AWS,
Microsoft Azure, Google
Video: Entendiendo de que se trata On Premise y Cloud Storage
Cloud Services

¿Qué son los servicios en la nube?

Los servicios en la nube son servicios que se utilizan a

través de Internet. Es decir, no están físicamente
instalados en tu ordenador. Se trata de un nuevo
paradigma que surgió con el advenimiento de la World
Wide Web.
Antes de que apareciera la nube, todos los programas
informáticos se instalaban en el ordenador. Los
servicios en la nube son programas que se alojan en un
servidor accesibles desde cualquier dispositivo
conectado a Internet.
Las ventajas de este tipo de servicios son evidentes, ya que su uso no está restringido a un solo
equipo informático y la seguridad, capacidad de almacenamiento y recursos de la nube son mayores
que los de un ordenador.
Cloud Services

Tipos de servicios en la nube

Podemos agrupar los servicios de la nube en varias categorías:

•Software as a Service (SaaS)

El más utilizado. El software está alojado en servidores de los proveedores y el cliente accede a ellos a
través del navegador web. Todo lo relacionado con mantenimiento, soporte y disponibilidad es
manejado por el proveedor.

•Platform as a Service (PaaS)

En este tipo de servicios en la nube el proveedor ofrece acceso a un entorno basado en cloud en el cual
los usuarios pueden crear y distribuir sus propias aplicaciones. El proveedor proporciona la
infraestructura subyacente.

•Infrastructure as a Service (IaaS)

Un proveedor de servicios proporciona el software y las aplicaciones a través de Internet. Los usuarios
se suscriben al software y acceden a él a través de la web o las APIs del proveedor.
Un usuario estándar normalmente utilizará solo SAAS.
 Cloud

Ventajas Desventajas
Requisitos de hardware. La PC no Acceso a Internet. Si no hay conexión a
requiere un alto rendimiento, ya que Internet o está inestable, no se puede
se realiza en el centro de datos. usar el software.
Mantenimiento. Las actualizaciones
las lleva a cabo personal Protección de datos. El proveedor es
especializado, por lo que no debes quien maneja tus datos.
preocuparte por el mantenimiento.
Escalabilidad. Se pueden añadir o Independencia. Si el proveedor deja de
eliminar funciones o cuentas con operar en la nube, no podrás seguir
relativa rapidez. usando el software.
Costos. Ya que SaaS (software as a
Service) es un modelo de
suscripción, los costos iniciales son
bastante bajos. Pagas por el uso.
 On Premise

Ventajas On premise Desventajas On premise

Hardware. Los dispositivos que se
Compra. Utilizando un software no
utilizan deben ser adecuados para el
se añaden costos.
software.
Control. Tú eres quien decide qué Trabajo adicional. El mantenimiento del
hacer con el software. capital humano especializado.

Protección de datos. Los datos Escalabilidad deficiente. Las licencias

sensibles pueden permanecer en el son caras y deben adquirirse a largo
sistema y no se traspasan a terceros. plazo.

Acceso. Puesto que el software se

Soporte limitado. El desarrollo del
utiliza en tus instalaciones, siempre
software tras la adquisición suele
puedes trabajar con el programa sin
limitarse en el tiempo.
restricciones.
 Resumen comparativo - Cloud vs On Premise

On Premise Cloud
El precio de la licencia es relativamente alto, El modelo con suscripción supone un pago
Costos
se paga solo una vez. recurrente, aunque relativamente bajo.
Tú debes instalar el software en tu propio Puedes acceder al software a través de
Instalación
hardware. Internet.
Tú eres el encargado de realizar todas las Los proveedores del servicio, son los
Mantenimiento
actualizaciones. encargados de instalar las actualizaciones.
A veces es posible adquirir extensiones para
Se pueden añadir o eliminar funciones y
Escalabilidad el software, aunque en la mayoría de los
usuarios sin esfuerzo.
casos hay que comprar otro nuevo.
Tú debes contar con el hardware adecuado Como el software está alojado en servidores
Hardware y asegurarte de que el software es especiales, únicamente necesitas disponer de
compatible. conexión a Internet.
El proveedor debe asegurarse de que terceros
Protección de datos Los datos permanecen en tu equipo. no autorizados no puedan acceder a tus datos,
ni siquiera durante la transmisión en Internet.
Hadoop se enfoca en manipular grandes
La nube se enfoca en la performance del
Foco sets de datos estructurados y no
sistema, seguridad de datos y disponibilidad.
estructurados
Casos de Uso de Big Data
Conocimiento del cliente & Marketing
• Pasar de un modelo estático a uno dinámico.
• Campañas personalizadas.
• Retención de clientes insatisfechos.
• Captar potenciales clientes.
• Mejorar la experiencia de usuario.
• Perfiles para toma de decisiones.
• Anticipar el comportamiento.
• Visión 360 del cliente.
Casos de Uso de Big Data

Publicidad en Tiempo Real /

Predicción del Comportamiento
• Establecer patrones de conducta en base a la
información que los consumidores vuelcan a la red
• Ofrecer los productos adecuados en el momento
indicado, enviando el mensaje adecuado en el
momento indicado.
Casos de Uso de Big Data

Omnicanalidad
• Comprar dónde, cuándo y cómo quiera.
• Manejar la misma información en todos sus canales.
• Mantener una personalidad coherente en todos sus
canales.
• Tener sus equipos cohesionados
• Mantener una comunicación centralizada y de fácil
acceso
Casos de Uso de Big Data

Detección de fraude
• Modelado predictivo según el comportamiento.
• Análisis histórico del cliente y sus denuncias.
• Conductas en redes sociales.
• Lejos de poder ser detectado por el ojo humano
Casos de Uso de Big Data
Detección de fraude
El departamento de legales de Mercado Libre se encontró
ante el problema de responsabilizarse frente a los
productos que se comercializaban en su portal.
Dada esta situación todas las publicaciones debieron ser
analizadas para encontrar patrones de fraude o de posible
incompatibilidad legal, ya sea venta de artículos ilegales o
incluso usuarios que evadían la ley publicando datos
personales en sus comentarios o que no vendían realmente
el producto anunciado.
Casos de Uso de Big Data
Casos de Uso de Big Data
El uso de herramientas de IA no se tiene que limitar a unos
pocos casos residuales, sino que puede ser parte clave de la
estrategia de una empresa.
La tecnología está ampliamente implementada en la
plataforma y llega directamente tanto a los que desean
alquilar su espacio como a los que buscan dónde quedarse.
El uso de esta rama de la IA abarca “todo, desde cómo
recomiendan precios a sus anfitriones, comprendiendo el
valor de su espacio, a como hacen el ranking de búsquedas”.
Airbnb aplica el aprendizaje automático en un amplio rango
de campos, entre los que también se encuentra el de la
seguridad de los que emplean la plataforma, “todas las
cosas que hacemos para detectar fraudes y mantener a
nuestras comunidades a salvo ".
TP N° 3: Cloud vs. On Premise

- Identificar y describir al menos 3 diferencias entre los servicios Cloud vs On

Premise.

- Fundamente las ventajas/desventajas de esas 3 diferencias.

Armar una presentación en 1 hoja en base a lo solicitado para exponer en clase.

Éxitos!!
TP N° 4: Inteligencia Artificial

-Diferenciación entre Inteligencia Artificial, Machine Learning y Deep

Learning. Ejemplos.

- Detalle las características de una de las tres (a su elección).

Armar una presentación en 1 hoja en base a lo solicitado para exponer en

clase. Éxitos!!
 Instituto Profesional de
Estudios e Investigación

CePETel SECRETARÍA TÉCNICA

Sindicato de los Profesionales
de las Telecomunicaciones

BIG DATA & ANALYTICS I

TEMARIO
Módulo 1: Surgimiento de Big Data
Módulo 2: Los Datos Nos Rodean
Módulo 3: Obtención de los Datos y
Proceso de Toma de Decisión
Módulo 4: Visualizar con Datos

Disertantes: Lic. Maria Trinidad Aquino – Ing. Raúl Alejandro Grassi

 Instituto Profesional de
Estudios e Investigación

CePETel SECRETARÍA TÉCNICA

Sindicato de los Profesionales
de las Telecomunicaciones

BIG DATA & ANALYTICS I

Módulo 3: Obtención de
los Datos y Proceso de
Toma de Decisión
Inteligencia Artificial, Machine Learning y Deep Learning

Video Introductorio: Mapa Conceptual

Inteligencia Artificial

La inteligencia artificial es la
habilidad de una máquina de presentar
las mismas capacidades que los seres
humanos, como el razonamiento, el
aprendizaje, la creatividad y la
capacidad de planear.
Inteligencia Artificial – Ejemplos de Casos Fallidos

Nota: 5 fallos recientes de la Inteligencia Artificial

Inteligencia Artificial Débil

La Inteligencia Artificial débil trata de aquella de la cual ya

conocemos y hacemos uso en nuestra cotidianidad.

Piensa en Siri de iOS, Amazon Alexa, los sistemas que

permiten el hallazgo de información a través de distintas
plataformas. Todos estos son ejemplos de inteligencia
artificial débil.

¿Qué quiere decir esto?

Que se trata de aquella tecnología de la IA que hace uso

de técnicas más o menos complejas que se centran en
problemas concretos y que, más de allá, son incapaces de
reemplazar a los humanos, pues no cuentan con el poder de
razonamiento y conciencia propia.
Inteligencia Artificial Fuerte

La Inteligencia Artificial fuerte, por el contrario, es la

que busca igualar o exceder la inteligencia humana
promedio.

El Hombre Bicentenario, con Robin Williams (1999)

Este tipo de IA puede realizar con éxito cualquier tarea
intelectual de cualquier ser humano.

Además de poder realizar las funciones de los

humanos, este tipo de IA busca la construcción de
máquinas (robots) que tengan la capacidad de pensar y
ser conscientes de sí mismas y lo que ocurre a su
alrededor.

Son capaces de tomar decisiones y sentir

Her (2013)
emociones.
Inteligencia Artificial
Inteligencia Artificial
Algunas tecnologías de IA que se están aplicando hoy en día.
Inteligencia Artificial, Machine Learning y Deep Learning
Machine Learning

El 'machine learning' –aprendizaje

automático– es una rama de la
inteligencia artificial que permite que
las máquinas aprendan sin ser
expresamente programadas para ello.

Una habilidad indispensable para

hacer sistemas capaces de identificar
patrones entre los datos para hacer
predicciones.
Machine Learning
Tipos de Algoritmos
Machine Learning – Tipos de Aprendizaje
Aprendizaje supervisado

En el aprendizaje supervisado, la máquina se enseña

con el ejemplo.

De este modo, el operador proporciona al algoritmo de

aprendizaje automático un conjunto de datos
conocidos que incluye las entradas y salidas deseadas,
y el algoritmo debe encontrar un método para
determinar cómo llegar a esas entradas y salidas.

Mientras el operador conoce las respuestas correctas al problema, el algoritmo identifica patrones
en los datos, aprende de las observaciones y hace predicciones. El algoritmo realiza predicciones y
es corregido por el operador, y este proceso sigue hasta que el algoritmo alcanza un alto nivel de
precisión y rendimiento.
Machine Learning – Tipos de Aprendizaje
Aprendizaje No Supervisado

El algoritmo de aprendizaje automático estudia los datos para identificar patrones.

No hay una clave de respuesta o un operador humano para proporcionar

instrucción.

En cambio, la máquina determina las correlaciones y las relaciones mediante el

análisis de los datos disponibles.

En un proceso de aprendizaje no supervisado, se deja que el algoritmo de

aprendizaje automático interprete grandes conjuntos de datos y dirija esos datos
en consecuencia.

Así, el algoritmo intenta organizar esos datos de alguna manera para describir su
estructura. Esto podría significar la necesidad de agrupar los datos en grupos u
organizarlos de manera que se vean más organizados.

A medida que evalúa más datos, su capacidad para tomar decisiones sobre los
mismos mejora gradualmente y se vuelve más refinada.
Machine Learning – Tipos de Aprendizaje
Aprendizaje por refuerzo

El aprendizaje por refuerzo se centra en los procesos de

aprendizajes reglamentados, en los que se proporcionan
algoritmos de aprendizaje automáticos con un conjunto de
acciones, parámetros y valores finales.

Al definir las reglas, el algoritmo de aprendizaje automático

intenta explorar diferentes opciones y posibilidades,
monitorizando y evaluando cada resultado para determinar cuál es
el óptimo.

En consecuencia, este sistema enseña la máquina a través del

proceso de ensayo y error.
Aprende de experiencias pasadas y comienza a adaptar su
enfoque en respuesta a la situación para lograr el mejor
resultado posible.
Machine Learning
Deep Learning

Deep Learning
Es un subcampo específico del
machine learning: una nueva
forma de aprender
representaciones a partir de
datos que pone énfasis en el
aprendizaje de capas sucesivas
de representaciones cada vez
más significativas.
Deep Learning

Los modelos computacionales

de Deep Learning imitan las
características arquitecturales
del sistema nervioso humano,
permitiendo que dentro del
sistema global haya redes de
unidades de proceso que se
especialicen en la detección de
determinadas características
ocultas en los datos.
Deep Learning

En marzo de 2016, AlphaGo de

Deepmind venció al jugador de Go 18
veces campeón mundial Lee Sedol 4-1
en una serie vista por más de 200
millones de personas.

Una máquina había aprendido una

estrategia sobrehumana para jugar al
Go, una hazaña que antes se creía
imposible, o al menos, al menos a una
década de realizarse.

Nota: Una victoria de la IA que desnuda los secretos de la mente

Deep Learning

Esto en sí mismo fue un logro notable. Sin embargo,

el 18 de octubre de 2017, DeepMind dio un gran
paso más allá.

El artículo " Dominando el juego del Go sin

conocimiento humano " reveló una nueva variante
del algoritmo, AlphaGo Zero, que había derrotado a
AlphaGo 100-0.

Increíblemente, lo había hecho aprendiendo

únicamente a través del autojuego y encontrando
gradualmente estrategias que superarían
encarnaciones anteriores de sí mismo.

Ya no se necesitaba una base de datos de juegos de expertos humanos para construir una IA
sobrehumana.
Data Analytics
 Video: ¿Qué es Big Data Analytics?
Data Analytics
¿Por qué es importante conocer los tipos de Data Analytics?

Con varios tipos de business analytics, las empresas son libres de elegir la profundidad a la que deben
sumergirse en el análisis de datos.
El análisis descriptivo es fundamental para la toma de decisiones ágiles en las unidades de negocio, y las
empresas deben buscar ser sólidas en esta área al mismo tiempo que desarrollan habilidades en campos
más sofisticados de business analytics.
Por otro lado, el análisis predictivo y prescriptivo hace que las empresas sean proactivas en el uso de los
datos y en muchos casos permiten generar ventajas competitivas.
Data Analytics
Data Analytics
Analítica Descriptiva
Por medio de los datos
El análisis descriptivo es una etapa ayudamos a las empresas a
preliminar del tratamiento de datos que comprender cómo se están
consiste en sintetizar los datos desempeñando y responder
históricos para obtener información útil la pregunta ¿Qué pasó?. Esto
o incluso prepararlos para un análisis por medio de Inteligencia de
posterior. Negocios, visualización de
datos, gráficos, cuadros,
Este análisis se utiliza para buscar
informes y paneles.
y resumir datos históricos con el fin de
identificar patrones o significados.

El análisis descriptivo consiste en tratar de describir o resumir los datos. Aunque no hace
predicciones sobre el futuro, puede ser muy valioso en los entornos empresariales. Esto se debe
principalmente a que el análisis tipo descriptivo facilita el consumo de datos, lo que puede facilitar la
actuación de los analistas.
Se centra únicamente en los datos históricos.
Data Analytics
Analítica de Diagnostico

La analítica diagnóstica también es retrospectiva, pero en cambio,

busca el por qué ocurrió el problema que se presentó en el análisis
descriptivo y es el siguiente paso esencial.

El análisis de diagnóstico también aprovecha los datos históricos de

una empresa proveniente de diversas fuentes internas.
Con la analítica de diagnostico
Este análisis es más complejo y requiere que los analistas de datos vamos un paso más allá y
utilicen estructuras de datos multidimensionales, algoritmos proporcionamos un análisis
profundo para responder la
estadísticos y capacidades de slice-and-dice, drill-through, drill- pregunta ¿Por qué pasa esto?. Esto
down, roll-up, etc. para poder encontrar fácil y rápidamente las lo logramos mediante la aplicación
causas de algún problema, patrones, tendencias y correlaciones. de minería de datos.

La mayor ventaja de las analíticas de diagnóstico es poder

proporcionar contexto a un problema empresarial a través de una
serie de modelos de datos.
Data Analytics
Analítica de Predictiva El análisis predictivo es una forma de análisis avanzado que
utiliza datos nuevos e históricos para pronosticar la actividad,
el comportamiento y las tendencias.

Implica aplicar técnicas de análisis estadístico, consultas

analíticas y algoritmos de aprendizaje automático para crear
modelos predictivos que otorguen un valor numérico —o
puntuación— a la probabilidad de que ocurra un evento en
particular. Por ejemplo para predecir el comportamiento
probable de las personas, la maquinaria u otras entidades.

Se puede utilizar para una variedad de casos de uso. Por

Utilizando la información histórica y ejemplo, es probable que una compañía de seguros tenga en
actual hacemos predicciones cuenta las posibles variables de seguridad en la conducción,
acerca del futuro para ayudar a las
como la edad, el sexo, la ubicación, el tipo de vehículo y el
empresas a identificar riesgos y
oportunidades. Contestar la historial de conducción, al fijar los precios y emitir pólizas de
pregunta ¿Qué podría pasar si?. seguro de automóvil.
Para este fin aplicamos métodos de
Machine Learning.
Data Analytics
La analítica predice lo que ocurrirá, cuándo ocurrirá y las
Analítica Prescriptiva razones por las que ocurrirá. Su trabajo consiste en sintetizar
de forma automática grandes datos, ciencias matemáticas,
reglas de negocio y aprendizaje automático para hacer
predicciones y sugerir opciones que ayuden a decidir.

Va más allá de predecir los resultados futuros, ya que también

sugiere acciones para beneficiarse de las predicciones y
mostrar al tomador de decisiones las implicaciones de cada
opción.

El análisis prescriptivo se encarga de encontrar una solución

Abordamos la pregunta ¿qué se
debe hacer?. Sugerimos varios
entre una gama de variantes con el objetivo de optimizar los
cursos de acción y describimos recursos y aumentar la eficiencia operativa.
las posibles implicaciones para
cada uno. Esto lo logramos Esta herramienta utiliza diferentes técnicas de simulación y
utilizando técnicas de optimización para señalar el camino que realmente conviene
optimización de decisiones. seguir.
Data Analytics - Comparativo
Data Analytics
Hasta donde llega el ser Humano
Business Intelligence

Datos Vs. Información Vs. Conocimiento

Video: El ABC del Business Intelligence: estos conceptos no significan lo mismo

Business Intelligence
“Conjunto de procesos y herramientas orientadas al análisis
de información con el objetivo de hacer uso de datos reales
en el proceso de toma de decisiones.”

El término Business Intelligence (BI por sus siglas en inglés)

hace referencia al uso de estrategias y herramientas que sirven
para transformar información en conocimiento, con el objetivo de
mejorar el proceso de toma de decisiones en una empresa.

En plena era digital, tomar decisiones bien informadas es uno

de los principales factores de diferenciación de las empresas.
Business Intelligence
Hoy en día las empresas tienen a su alcance cantidades
inimaginables de datos, los cuales pueden generarse
internamente u obtenerse desde fuentes externas, la pregunta
es:

¿qué hacen con los datos?

¿Obtienen algún beneficio de ellos?
¿Se consideran para la toma de decisiones?

Justamente para responder estos cuestionamientos está

la Inteligencia de Negocios o Business Intelligence (BI)

Para esto se usa software especializados en Inteligencia de Negocios los cuales contribuyen a que esta
visión y estrategia pueda ocurrir, es a través de ellos que se pueden concentrar, visualizar y analizar los
datos.
Algunos ejemplos de herramientas para análisis de datos son: Power BI, Tableau, Qlik, Microstrategy.
Business Intelligence
Fuentes de Datos

En cuanto a estos
datos que tanto se
mencionan en
Business
Intelligence, surge
la pregunta
respecto a las
fuentes de las que
se obtienen son:
Business Intelligence

Desafíos que hay que resolver:

Business Intelligence
Business Intelligence
Tipos de Sistemas

Ejemplo de OLTP: operaciones de supermercado, reservas

aéreas, operaciones bancarias.

El ejemplo típico de cubo OLAP consiste invariablemente

en un cubo comercial con las ventas en unidades e
importes. Así, tenemos las ventas por producto, por familia,
por categoría, o por fechas, semanas, meses, años, o por
cliente, provincia, región o país.
Business Intelligence
Tipos de Sistemas
Business Intelligence
Business Intelligence
TP N° 5: Sistemas de Información

-Marque la diferencia entre los sistemas OLTP y OLAP.

-Traer un ejemplo de al menos 1 de ellos para compartir en la próxima clase.

Armar una presentación en 1 hoja en base a lo solicitado para exponer en clase.

Éxitos!!
TP N° 6: Visualización de datos

-Listar al menos 2 herramientas para la visualización de datos.

-Incluir las ventajas y desventajas de cada una.

Armar una presentación en 1 hoja en base a lo solicitado para exponer en clase.

Éxitos!!
 Instituto Profesional de
Estudios e Investigación

CePETel SECRETARÍA TÉCNICA

Sindicato de los Profesionales
de las Telecomunicaciones

BIG DATA & ANALYTICS I

TEMARIO
Módulo 1: Surgimiento de Big Data
Módulo 2: Los Datos Nos Rodean
Módulo 3: Obtención de los Datos y
Proceso de Toma de Decisión
Módulo 4: Visualizar con Datos

Disertantes: Lic. Maria Trinidad Aquino – Ing. Raúl Alejandro Grassi

 Instituto Profesional de
Estudios e Investigación

CePETel SECRETARÍA TÉCNICA

Sindicato de los Profesionales
de las Telecomunicaciones

BIG DATA & ANALYTICS I

Módulo 4: Visualizar con Datos

Business Intelligence
“Conjunto de procesos y herramientas orientadas al análisis
de información con el objetivo de hacer uso de datos reales
en el proceso de toma de decisiones.”

El término Business Intelligence (BI por sus siglas en inglés)

hace referencia al uso de estrategias y herramientas que sirven
para transformar información en conocimiento, con el objetivo de
mejorar el proceso de toma de decisiones en una empresa.

En plena era digital, tomar decisiones bien informadas es uno

de los principales factores de diferenciación de las empresas.
Business Intelligence

Datos Vs. Información Vs. Conocimiento

Video: El ABC del Business Intelligence: estos conceptos no significan lo mismo

 Video: ¿Qué es visualización de datos?
Business Intelligence
Toma de decisiones

¿Como se toman las decisiones?

Intuición vs. Realidad?

Realidad implica…
1. Identificar el problema
2. Encontrar alternativas
3. Evaluar resultados de cada una

Información y conocimiento forman la base

del proceso de toma de decisiones
Sistemas de Información

“Un sistema de información (SI) es un conjunto de

elementos orientados al tratamiento y administración
de datos e información, organizados y listos para su
uso posterior, generados para cubrir una necesidad o
un objetivo.” – Wikipedia 2019
Sistemas de Información
OLTP - On-Line Transactional Processing
• Bases de datos orientadas al procesamiento de
transacciones.

• Una transacción genera un proceso atómico, puede

involucrar operaciones de inserción, modificación y
borrado de datos.

• El proceso transaccional es típico de las bases de datos

operacionales

• El acceso a los datos está optimizado para tareas

frecuentes de lectura y escritura.

• Los datos se estructuran según el nivel aplicación

(programa de gestión a medida, ERP o CRM implantado).

• Los formatos de los datos no son necesariamente

uniformes en los diferentes departamentos
OLAP - On-Line Analytical Processing

• Bases de datos orientadas al

procesamiento analítico. Este
análisis suele implicar,
generalmente, la lectura de grandes
cantidades de datos para llegar a
extraer algún tipo de información
útil: tendencias de ventas, patrones
de comportamiento de los
consumidores, elaboración de
informes complejos, etc.

• Acceso a los datos de sólo lectura.

La acción más común es la consulta.
OLAP - On-Line Analytical Processing

• Los datos se estructuran según las áreas

de negocio, y los formatos de los datos
están integrados de manera uniforme en
toda la organización.

• El historial de datos es a largo plazo,

normalmente de dos a cinco años.

• Las bases de datos OLAP se suelen

alimentar de información procedente de
los sistemas operacionales existentes,
mediante un proceso de extracción,
transformación y carga (ETL).
Sistemas OLTP vs OLAP
Niveles de realización de BI
Análisis OLAP/Multidimensional
Niveles de realización de BI
Análisis OLAP/Multidimensional
Visualización de datos
“La Visualización es toda representación de datos en forma de gráfico, diagrama, matriz o tabla, un
número o texto, y todos esos elementos que aplicados correctamente nos ayudarán a comprender
una situación, y en conjunto nos permitirán una toma de decisiones informada y eficiente.”
“La visualización de datos es el proceso de convertir tus datos en representaciones gráficas que
comunican relaciones lógicas y conducen a una toma de decisiones más informada.”

• Permite a los tomadores de decisiones clave ver

análisis complejos en un diseño visual, para que
puedan identificar nuevos patrones o captar
conceptos desafiantes.
• Desde las métricas de la página web y el
rendimiento del equipo de ventas hasta los
resultados de la campaña de marketing y las tasas
de adopción de productos, hay una variedad de
puntos de datos que tu organización necesita
rastrear.
• Cuando tienes varios proyectos a la vez, necesitas
un método de informe rápido y efectivo que te
permita tener claridad de lo que tienes que realizar.
Tipos de visualización de datos
Existen multitud de técnicas de análisis y aproximaciones según la naturaleza del dato. Por lo general,
podemos establecer tres tipos de visualizaciones gráficas:
1. Elementos básicos de representación de datos. Un elemento
básico de visualización puede ser un gráfico, un mapa, un KPI, tablas
de datos, un grafo, etc.

2. Cuadro de mando. Es una composición compleja de visualizaciones

individuales que guardan una coherencia y una relación temática entre
ellas. Son ampliamente utilizados en las organizaciones para análisis
de conjuntos de variables y toma de decisiones.

3. Infografías. Es una composición de visualizaciones que

construye, a partir de diferentes elementos, un significado
complejo para el usuario. Estas están más enfocadas a la
construcción de narrativas a partir de los datos; es decir, para
contar historias.
Visualización de datos
Consejos para conseguir una visualización de datos óptima

Por lo general, cuando llegue el momento de presentar los datos extraídos durante el proceso de
análisis es recomendable seguir estas pautas:
Utilizar un gráfico adecuado. No todos comunican o expresan lo mismo y pueden confundir o no
ajustarse a lo que quieres comunicar.
•Resaltar la información más importante. Ayuda al lector en el proceso de comprensión de la
información y de las conclusiones.
•Evitar la representación de los datos por medio de tablas. En el caso de utilizarlas, asegurarse de
incluir colores, tamaños y elementos distintivos que faciliten su entendimiento.
•Centrarse en sacar conclusiones. Al final esto es lo primordial en el proceso analítico.
•Destacar lo positivo y lo negativo. De ambas se extraen enseñanzas: se deben resaltar las acciones
que han provocado la obtención de ratios positivos y aprender de las acciones que han desfavorecido
dicho propósito.
•Reunir a las partes implicadas en la mejora del proceso. Así ofrecemos una visión general a todos
aquellos que participan en la evolución y desarrollo de la empresa.
•Proponer “next steps” u objetivos de mejora para el siguiente período.
•Hacer comparativas tanto de meses anteriores como de años previos al actual, para identificar y
medir tendencias.
Business Intelligence
Niveles de realización de BI

Monitoreo:
Alertas &
Notificaciones
Niveles de realización de BI
Monitoreo: Dashboards (Tableros) & Scorecards
Niveles de realización de BI
Reportes
Herramientas de explotación de BI
Herramientas de
explotación de BI

Gartner Magic Quadrant Gráfico cuadrangular

se clasifica las empresas clasifica a las empresas en 4
proveedoras categorías:
de plataformas de • Leaders (líderes)
análisis y business • Visionaries (visionarios)
intelligence (ABI) más • Niche Players (actores de
relevantes del sector. nicho)
Los criterios en los que se • Challengers (desafiadores)
basa Gartner a la hora de
evaluar a las compañías
son la visión y
la capacidad de
ejecución.
Herramientas de explotación de BI
¿Qué herramientas puedo usar para conseguir todo esto?
Herramientas de explotación de BI

MS Excel

Excel no es la primera herramienta en la que

pensamos cuando hablamos de visualización de
datos en un sistema de Business Intelligence,
pero es la herramienta analítica más utilizada por
los usuarios de negocios, ya que es
muy accesible.

Hoy, Excel ofrece funcionalidad end-to-end self-

service BI a través de capacidades como Power
Query, Power Pivot, Power View y Power Map.

Con la accesibilidad de Excel, la rigurosidad que otorga la conexión a los servicios analíticos y la
proliferación de Office 365, se reduce la barrera de entrada para las empresas que desean empezar a
aprovechar los beneficios de la inteligencia empresarial.
Herramientas de explotación de BI

Power BI
Power BI, de Microsoft, nos permite incorporar datos de
diferentes orígenes y crear un modelo que permita
relacionarlos para su posterior visualización.
Tendremos la posibilidad de analizar nuestra información
y compartirla con otros usuarios de la empresa tanto online
como offline, en la oficina o a través de dispositivos móviles.

Ventajas:

•Integración con todo el ecosistema de Microsoft y

de Azure (Excel, Teams, etc.) Desventajas:
•Capacidades de inteligencia artificial
•No es necesaria experiencia técnica, es muy fácil de •Las versiones empresariales tienen un precio elevado
aprender •Difícil de migrar fuera del ecosistema Microsoft
•Accesible con aplicaciones móviles
•Automatización de reportes y limpieza de datos
•Herramienta líder en el mercado
Herramientas de explotación de BI
Tableau

Es una herramienta de visualización de datos que ayuda a simplificar los datos y a convertirlos a formatos
muy fácilmente comprensibles. Esta herramienta permite la creación de dashboards y worksheets,
además de un análisis de datos rápido. Las visualizaciones que se consiguen con Tableau son sencillas, de
modo que incluso los usuarios no técnicos pueden desenvolverse fácilmente con la herramienta.
Ventajas:

•Integración con servicios cloud

•Fácil de usar (Drag and Drop)
•Extensible con addons para gobierno

Desventajas:

•Enfocado solamente en tareas de reporting, sin

capacidad de ETL y transformación de datos.
Herramientas de explotación de BI
QlikSense/QlikView
QlikSense permite que usuarios no técnicos puedan visualizar datos y hacer preguntas. El objetivo de
QlikSense es permitir preguntar y responder las cuestiones que surgen de la representación gráfica de los
datos.
Esta herramienta nos permite integrar y combinar
diversas fuentes de datos para crear informes y
extraer métricas y conclusiones fácilmente.
La herramienta QlikSense es una solución basada
en cloud que usa machine learning para mejorar la
analítica.

Ventajas:
•Dashboards interactivos
•Despliegue en cloud
•Exportación de datos y dashboards a formatos de
imagen, excel o PDF
•Acceso con API y dispositivos móviles
Desventajas:
•Curva de aprendizaje elevada para nuevos usuarios
•Soporte empresarial
Herramientas de explotación de BI
Microstrategy
Microstrategy Workstation nos permite analizar
datos visualmente sin coste de licencia

Ventajas:
•Alto grado de personalización
•Analítica de datos en tiempo real
•Microstrategy dispone de un SDK
•Minería de datos y analítica predictiva

Desventajas:
•Opciones de exportación limitadas
•Plataforma compleja de administrar

Otras herramientas interesantes a considerar al elegir una solución para BI son Sisense, SAS
BI, Pentaho BI, SAP BI, Business Objects, Carto, Domo y Oracle BI.
Herramientas de explotación de BI
¿Cómo Decidir qué Herramienta de BI usar?

Muchas de estas herramientas de BI

comparten las funcionalidades
básicas. Para tomar una buena
decisión deberemos determinar si
necesitamos capacidades
adicionales, como integración con un
ecosistema en particular, por ejemplo
Microsoft con Power BI o capacidades
de despliegue en la nube.

Si necesitamos hacer analítica predictiva

o más avanzada y apoyarnos en
inteligencia artificial, deberemos valorar
soluciones como Power BI o Qlik.
Herramientas de explotación de BI
¿Cómo Decidir qué Herramienta de BI usar?

Algunos de los factores más importantes para tomar esta decisión son los siguientes:

El grado de compatibilidad técnica con herramientas y tecnologías de almacenamiento ya usadas en

la organización. Es muy importante que la herramienta de BI elegida sea capaz de conectar a bases
de datos diversas directamente o a través de conectores hechos a medida.

Capacidad colaborativa: La herramienta puede ofrecer la capacidad de compartir entre sus usuarios
espacios de trabajo para colaborar y compartir dashboards. También, la capacidad de definir equipos
de trabajo y aislar estos espacios de trabajo entre sí.

Precio: Debemos determinar si la solución nos ofrece un precio competitivo y si aporta

funcionalidades que realmente necesitamos frente a opciones gratuitas.

Facilidad de uso: Cuanto más sencilla es de usar y menos experiencia técnica requiere es más
sencilla de introducir en el equipo o encontrar personas adecuadas.
BI - KPIs

Key Performance Indicators

● Ayudan a definir y medir el progreso hacia las

metas de una organización.
● Son indicadores clave de rendimiento, son
mediciones.
● Son diferentes para cada organización.
● Son medibles, alcanzables, relevantes.
● Reflejan compromiso y responsabilidad.

Video: ¿Qué es un KPI?

BI - KPIs Key Performance Indicators
BI - KPIs Key Performance Indicators
¿Cuál es la diferencia entre KPI y métrica?

Esta es una confusión muy común.

KPIs no son lo mismo que métricas, pero una métrica puede

convertirse en un KPI.

Los KPIs son indicadores importantes para tu negocio y su

objetivo, una métrica es apenas algo para ser medido.

Si por algún motivo esa métrica se vuelve relevante para tu

estrategia, se convierte en un indicador clave.
Lo importante es entender qué es lo que puede ayudar en la
toma de decisiones dentro de tu empresa. Esta es la premisa
básica para escoger cualquier KPI y es así como una métrica
se convierte en un indicador.
TP N° 7: Ejemplos de visualizaciones

-Buscar ejemplos de visualizaciones (gráficos más convenientes) con las que

trabajen o hayan trabajado. Armar una presentación de no más de 3 minutos por

alumno o por grupo (a definir según los participantes).

Armar una presentación en 1 hoja en base a lo solicitado para exponer en clase.

Éxitos!!