datos
<<
de
Nos referimos a la examinación e interpretación de
una base de datos, con el fin de llegar a la
resolución de un problema o cuestionamiento, los
datos pueden ser objeto de operaciones, por
ejemplo, para obtener indicadores estadísticos.
Es un proceso de la ciencia de datos que se da luego
de la recolección de la información, este análisis
incluye todas las herramientas a las que podemos
recurrir para el estudio de una base de datos, incluso las visuales como el
histograma, el diagrama de barras, el gráfico circular, entre otros.
El análisis de datos puede tener distintas
aplicaciones, tanto para empresas como para
Herramientas del análisis de datos:
organizaciones estatales o aquellas que
Para el análisis de datos existen tienen objetivos no lucrativos. Por ejemplo,
diferentes herramientas que una entidad que busca reducir la desnutrición
provienen de campos de estudios infantil en un país, estará constantemente
como la estadística, la econometría evaluando los índices de anemia de los niños
o las matemáticas. en un determinado rango de edad.
El análisis de datos puede ser de dos tipos:
Cuantitativo: Cualitativo:
La información es numérica a partir de Se trata de información obtenida de
la cual se pueden elaborar estadísticas una base de datos presentada
exactas. Por ejemplo, las usualmente en forma textual. Por
calificaciones obtenidas por los ejemplo, un grupo objetivo donde se ha
alumnos de una clase en el último consultado a los participantes su
semestre. opinión sobre un nuevo producto.
Entrada de datos
Captura de datos
Tipos de datos
La depuración de los datos
Integridad de los datos
Codificación (cifrado) de datos
Transformación de datos
Traducción de datos
Resúmenes de datos
Agregación de datos
Validación de datos
Modelado de datos
El análisis de datos
El análisis de datos estadístico
Visualización de datos
Almacenamiento de datos
Minería de datos
Interpretación de datos
La importancia del análisis de datos ha seguido aumentando en los últimos años,
lo que ha dado lugar a una importante apertura del mercado mundial. Así, las
herramientas de análisis de datos también han tomado un lugar central y ahora
hay un número tan elevado de ellas que se hace difícil escoger la más adecuada.
El análisis de datos ya no se puede entender como un proceso único y debe estar
relacionado con la integración de datos, el data consolidation y el data quality. A
continuación, se presentan algunas herramientas de análisis de datos que puede
utilizarse para una gestión de datos perfect
1. Microsoft Power BI
Power BI es la herramienta analítica de Microsoft y una de las más populares, ya
que ofrece visualizaciones interactivas de datos, así como una integración sencilla
con otras herramientas de la corporación. Además, Power BI puede integrarse en
aplicaciones de terceros mediante Power BI Embedded y permite compartir
reports y análisis de datos de forma muy segura. Puede conectarse con más de
60 fuentes de datos, como Spark, Hadoop o SAP y es fácil de utilizar incluso para
usuarios sin conocimientos técnicos.
Bismart es partner Power BI de Microsoft y llevamos años trabajando con esta
herramienta para conseguir aportar las mejores soluciones a nuestros clientes.
2. Programación en R
Esta es una de las mejores herramientas analíticas disponibles en la industria hoy
en día. Se utiliza principalmente para el modelado de datos y estadísticas. Esta
herramienta es muy fácil de usar y hace posible y fácil manipular y presentar los
datos de muchas maneras. Supera a muchas otras herramientas en términos de
rendimiento, capacidad de datos y resultados. Funciona en múltiples plataformas,
incluyendo MacOS, Windows, UNIX, etc. Dependiendo de los requerimientos, tiene
más de 11.000 paquetes y se clasifican por categoría y se instalan
automáticamente.
3. SAS
Esta herramienta fue desarrollada inicialmente en 1966 en el Instituto SAS, y luego
mejorada en los años 80 y 90, y es también una de las herramientas líderes en
análisis de datos. Es un lenguaje de programación que permite manipular los
datos fácilmente. Es muy manejable, accesible y tiene la capacidad de analizar un
dato independientemente de la fuente de datos. En 2011, SAS lanzó un conjunto de
productos, para sus múltiples módulos SAS que incluyen redes sociales, web,
análisis de marketing, etc. Ahora se usa ampliamente para hacer perfiles tanto de
clientes como de prospectos y para predecir sus comportamientos y optimizar la
comunicación con ellos.
4. Rapid Miner
Esta es una potente herramienta para el data science integrado. Fue desarrollada
por una compañía que también realiza análisis predictivos y algunos análisis más
avanzados como machine learning, análisis de texto, análisis visual y minería de
datos sin necesidad de programación. Esta herramienta puede incorporarse a
cualquier tipo de fuente de datos, incluyendo Excel, Oracle, IBM SPSS, Teradata,
Access, Microsoft SQL, Dbase, Sybase, etc. Esta herramienta es capaz de generar
análisis tomando como base los ajustes de transformación de los datos de la vida
real, lo que significa que puede controlar los conjuntos de datos y los formatos
para el análisis predictivo.
5. Excel
Excel es una herramienta analítica muy popular y casi fundamental. Es una
herramienta bastante básica, aunque muy versátil y se utiliza en prácticamente
todas las industrias. No importa si eres experto en SAS, Tableau o programación
en R, o incluso si solo te dedicas a escribir ensayos personalizados, necesitas
aprender a usar Excel también. Esta herramienta juega un gran papel cuando
deben analizarse los datos internos de un cliente. Aunque que es una herramienta
básica, también tiene una opción avanzada de business analytics para las
capacidades de modelado con opciones preconstruidas como la agrupación de
tiempo, funciones DAX y relación automática.
6. Tableau Public
Tableau Public es un software gratuito que conecta diferentes fuentes de datos,
como Microsoft Excel, Data Warehouse, datos basados en la web, etc. y crea
dashboards, mapas y visualizaciones que tienen actualizaciones en tiempo real
desde la web. También puedes compartirlos con un cliente o a través de los
medios sociales. Una vez que tienes acceso, puedes descargar diferentes
formatos para un archivo. Para disfrutar típicamente de esta herramienta y ver
su poder, tu fuente de datos debe ser muy buena. La capacidad de Big Data de esta
herramienta la hace importante y el hecho de que puedas analizar y visualizar los
datos mucho mejor que otros programas de visualización de datos les da una
ventaja.
7. Apache Spark
Apache fue desarrollado en 2009 en el laboratorio de AMP de Berkeley en la
Universidad de California. Esta herramienta es un motor de procesamiento de
datos que funciona a gran escala y puede ejecutar aplicaciones que ya están en
clusters Hadoop más rápido (hasta 10 veces) en disco y hasta 100 veces más rápido
si está en memoria. El concepto de esta herramienta hace que la ciencia de los
datos (en la que se basa) sea muy fácil. Es una herramienta muy popular para el
desarrollo de modelos de aprendizaje de máquinas y pipelinesde datos. También
tiene una biblioteca llamada MLib, de donde se pueden obtener técnicas para data
sciencerepetitivo como el filtrado de colaboración, regresión, clasificación, etc. a
partir de un conjunto avanzado de algoritmos.
8. Python
Se trata de una herramienta de open source y un lenguaje de scripts orientado a
los objetos y muy fácil de mantener, leer y escribir. Python fue desarrollado a
finales de los 80 por Guido van Rossum para soportar tanto métodos de
programación estructurados como funcionales. Aprender a usar esta herramienta
es muy fácil y tiene muchas similitudes con otros lenguajes como Ruby, JavaScript
y PHP. Tiene bibliotecas para el aprendizaje automático y puede usarse en
plataformas como JSON, base de datos MongoDB, servidor SQL.
9. Qlik View
Esta herramienta tiene una serie de características únicas, algunas de las cuales
son el procesamiento de datos en memoria y la tecnología patentada para
ayudarle a ejecutar su resultado rápidamente y almacenar todos los datos que
están presentes en el informe. Esta herramienta mantiene automáticamente la
asociación de datos y puede comprimirlos a sólo el 10% del tamaño inicial.
Visualiza la relación de los datos con los colores, con un color dado a los datos
relacionados y otro a los datos no relacionados.
Todas estas herramientas facilitan enormemente el análisis de datos y
cualquiera de ellas optimizará la gestión de los datos. Todas funcionan de manera
diferente, con diferentes capacidades y ofrecen diferentes características.
Solo debemos conocer bien nuestras necesidades para poder elegir la que mejor
se adapte a ellas.
Cuantificación y optimización de rendimiento personal
El big data no sólo es para empresas y para instituciones públicas o grandes
organizaciones. Todos podemos beneficiarnos de los datos generados de
dispositivos wearables como smart watches o pulseras. Estos dispositivos
registran automáticamente datos de consumos de calorías (Fitbit), niveles de
actividad y condición física (Google Fit, Apple Watch), o patrones de sueño. Aunque
a nivel particular ya nos desvelan información interesante, el verdadero valor
reside en analizar el conjunto de datos de todo el colectivo. Una de estas
empresas, Jawbone, recoge en torno a 60 años de datos de sueño cada noche.
Analizando estos volúmenes de datos desvelarán insights que beneficiarán a
todos los usuarios.
Otro ejemplo donde la gente se beneficia del análisis del big data es para buscar
a cupido. A la hora de encontrar a la mejor pareja compatible hacerlo sin la ayuda
de algoritmos y técnicas de big data sería prácticamente imposible.
Mejorando la Salud Pública
Una área de uso de datos masivos colectivos es el de la codificación de material
genético. Cuantos más usuarios participan más beneficios se obtienen, bien para
saber más sobre nuestros ancestros, qué dieta o alimentos son más adecuados
para nuestro genotipo, o para descubrir cómo o porqué se activan determinados
genes que pueden derivar en enfermedades crónicas.
La capacidad de procesamiento de plataformas de análisis de big data nos permite
ya descodificar cadenas enteras de ADN en cuestión de minutos y permitirá
encontrar nuevos tratamientos y comprender mejor las enfermedades, sus
desencadenantes y los patrones de propagación. Piense qué sucederá cuando
todos los dispositivos y sensores que llevamos encima (y cada vez llevaremos
más) con marcadores de nuestro cuerpo se apliquen a millones de otras personas.
Los ensayos clínicos del futuro no tendrán que estar limitados a muestras
pequeñas sino que todo el mundo podrá formar parte.
El Instituto de Tecnología de la Universidad de Ontario (UOIT) junto con el
Hospital de Toronto, utilizan IBM InfoSphere, una plataforma de Big Data que
permite monitorear bebés prematuros en salas de neonatología para
determinar cualquier cambio en la presión arterial, temperatura, alteraciones
en los registros del electrocardiograma y electroencefalograma.
Las técnicas de big data ya están empleando por ejemplo para monitorizar
bebés en la unidad de neonatos de un hospital en Toronto. Grabando y
analizando latidos y el patrón de respiración de cada bebé, la unidad ha
desarrollado unos algoritmos que pueden predecir infecciones 24 horas antes
de que los primeros síntomas aparezcan. De esta manera, el equipo médico
puede intervenir y salvar vidas en un entorno en el que cada hora cuenta.
El objetivo es detectar hasta 24 horas antes, aquellas condiciones que puedan
ser una amenaza en la vida de los recién nacidos.
El análisis de datos masivos también se utiliza a la hora de controlar y predecir la
evolución de las epidemias y brotes de enfermedades. Integrando datos de
historiales clínicos con análisis de datos de redes sociales pueden detectar brotes
de gripe en tiempo real simplemente escuchando lo que la gente publica en sus
perfiles públicos.
Otras aplicaciones científicas prácticas llevan más tiempo: reconocimiento del
habla, procesamiento imágenes en el cerebro para ciegos,… pero es con el big
data cuando los resultados están consiguiendo avances significativos.
