LA

IMPORTANCIA
DEL DATO
En el panorama reciente, la mejor manera de
tener éxito en el desempeño de un nuevo
negocio es invirtiendo tanto en Big Data
como en Inteligencia Artificial. En este curso
estudiaremos la tipología de los datos y su
obtención, varios modelos de negocio
rentables que aplican estas herramientas de
forma paralela y su posible evolución.
¿Comenzamos?

CAPÍTULO 1

INTRODUCCIÓN A
LA CIENCIA DE
DATOS

CAPÍTULO 2

NUEVOS
MODELOS DE
NEGOCIO EN
TORNO AL DATO
 CAPÍTULO 3

TIPOLOGÍA DE
DATOS Y MODO
DE OBTENCIÓN

CAPÍTULO 4

¿CÓMO
RENTABILIZAR EL
DATO?

CAPÍTULO 5

EL AVANCE DEL
BIG DATA Y LA IA
 LA IMPORTANCIA DEL DATO

CAPÍTULO 1

INTRODUCCIÓN
A LA CIENCIA
DE DATOS
La ciencia de datos puede ser un gran aliado
en nuestros negocios y afecta a todos los
sectores. En este capítulo nos introduciremos
en ella más a fondo. ¡Adelante!

Introducción a la ciencia de datos

El método en ciencia de datos

El método por seguir cuando queremos resolver un problema en la ciencia de datos puede verse de una forma lineal
según el siguiente esquema:

• Todo parte de una pregunta que se quiere resolver (una predicción, la segmentación de un grupo de individuos, una
reducción de datos, una búsqueda de relaciones, etc.).
• Una vez tenemos la pregunta clara buscamos los datos necesarios que contienen la información sobre esa
pregunta.
• El siguiente paso es realizar una exploración de los datos, en esta fase se aplican técnicas de estadística, análisis de
datos, etc. de tal forma que podemos sacar información de los datos comenzando a poder entender de alguna
forma el proceso que estamos estudiando y ayudándonos a dirigir nuestros pasos hacia como será la mejor forma
de modelar el problema.
Introducción a la ciencia de datos

Otras fuentes de datos

En esta fase también suele ser común el encontrarnos con
la necesidad de obtener más datos desde otras fuentes
que complementen la información que ya disponemos.

Una vez tenemos los datos preparados procedemos a

realizar una serie de modelos que nos permita modelar el
problema, esto se realiza utilizando distintos algoritmos
adecuados al problema en cuestión que estemos
realizando.

Una vez tenemos un modelo adecuado el último paso

sería el proceso de visualizar los resultados y visualizarlos.
Como se puede ver en el esquema hemos colocado
flechas en las dos direcciones pues la naturaleza de este
proceso suele ser iterativa de tal forma que muchas veces
se da un paso atrás a la fase anterior para completar la
información de alguna manera y que nos permita mejorar
el proceso en su conjunto.

Introducción a la ciencia de datos

La naturaleza iterativa del modelo

Casi siempre, con un solo paso completo de ese proceso
no llegamos a una solución adecuada y se procede a
realizar una nueva iteración de todo el proceso.

Por lo tanto, normalmente se utiliza un esquema iterativo

para indicar cómo suele ser la metodología para seguir en
la ciencia de datos.

Todo comienza con una fase en que debemos entender el

problema de la mejor forma posible, buscar datos relativos
al problema, explorarlos y entenderlos. Una vez hemos
conseguido esto se procede a prepararlos para realizar los
correspondientes modelos que serán evaluados para
comprobar la validez de éstos. En este punto es donde
surge la naturaleza iterativa, pues normalmente los
primeros modelos obtenidos no son totalmente válidos
para su uso y se procede a volver a realizarse preguntas
sobre el problema, buscar más datos y realizar una nueva
iteración.

Este proceso continúa hasta que se consigue un

modelo que consideramos válido desplegándolo para
su utilización en una herramienta adecuada.
Introducción a la ciencia de datos

El valor intrínseco de los datos

Vivimos rodeados de datos, y generamos nuevos datos
continuamente. El desayuno de hoy, por ejemplo, puede
constituir un dato por sí mismo.

A priori, este dato no aporta mucha información, tan solo

los hábitos alimenticios del sujeto de estudio.

Sin embargo, obtener datos sobre los hábitos alimenticios

de millones de personas nos permite elaborar planes
empresariales de producción que atiendan la demanda de
determinados bienes de consumo. Los datos poseen un
valor intrínseco. Sin embargo, no tienen ninguna utilidad
hasta que dicho valor se descubre.

Introducción a la ciencia de datos

La era de la información
Actualmente, estamos inmersos en la era de la
información. Según Eric Schmidt, CEO de Google, la
humanidad había producido un total de cinco exabytes
hasta el año 2003. Desde entonces, no hemos cesado de
generar y almacenar ingentes cantidades de información.

En 2017, se alcanzaron los 281 exabytes, mientras que, en

2021, solo cuatro años más tarde, logramos sobrepasar
los 1800. De tal volumen de información, las grandes
empresas del Big Data son capaces de aprovechar hasta
un 90% del total.

Un estudio, realizado en 2018, mostró el número de

interacciones que los usuarios mantenían al estar
conectados a la red durante un minuto.
Las cifras hablan por sí solas. Más de 4 millones de
reproducciones en la plataforma YouTube; más de 450 mil
tuits y 176 mil llamadas por Skype. Alrededor de 49 mil
fotos subidas a Instagram, y 750 mil canciones
escuchadas desde Spotify. Y esos números no han dejado
de crecer a un ritmo vertiginoso. La generación de
información es exponencial, y plantea nuevos retos a la
hora de organizarlos.
Introducción a la ciencia de datos

Flujo ininterrumpido de datos

Pero no solo producimos información de forma voluntaria.
Por ejemplo, los dispositivos móviles que habitualmente
llevamos encima están en constante comunicación con
otros dispositivos, bien a través de internet, bluetooth, GPS
u otros medios. En realidad, el flujo multidireccional de
información se detiene en muy raras ocasiones.

La emergente ciencia del manejo de los datos dispone

actualmente de potentes herramientas, que son ofrecidas
por grandes consultoras, como los proveedores de cloud o
la gestión basada en IA.

Solo en España, existen más de una decena de empresas

líderes en Big Data a nivel mundial, que diseñan proyectos
adaptados a las necesidades específicas de PYMES y
grandes corporaciones.

Introducción a la ciencia de datos

El Big Data y los outputs

El uso y conocimiento del Big Data trae consigo notables
mejoras en la eficiencia de las empresas, así como nuevos
servicios y productos o una mejor toma de decisiones en
los distintos departamentos de esta.

La información obtenida en estos procesos, a su vez

sumada a la experiencia, darán como resultado nuevos
outputs, entendidos estos como “un conjunto de bienes y
servicios que obtiene una empresa o industria al combinar
distintos factores de producción”.

¿Qué busca el Big Data?

Lo que viene a buscar el empleo del Big Data, es el
uso de grandes cantidades de datos para
transformarlos en conocimientos que repercuten, por
ejemplo, en la mejora de procesos existentes
reduciendo costes, el descubrimiento de procesos,
productos o servicios nuevos, el mejor conocimiento
del funcionamiento efectivo de la empresa, así como
una mejor adaptación al entorno económico y social
en el que desarrolla su actividad.
Introducción a la ciencia de datos

Las ventajas competitivas del Big Data

Esto cobra una gran relevancia ya que tener un mejor
conocimiento sobre cómo se comportan, qué sugieren o
qué expectativas tienen y cómo satisfacerlas, tanto
clientes como grupos de interés (grupos financieros,
competencia…) nos aporta una gran ventaja competitiva,
es ya sin lugar a duda la piedra angular en torno a la que
basculan las empresas en la actualidad.

El avance, la reducción de costes y la simplificación de la

tecnología hacen que a día de hoy no haya excusa para
que cualquier empresa, de cualquier sector, no se
beneficie de los conocimientos del Big Data, así como de
otros modelos de análisis.

Introducción a la ciencia de datos

Campos de actuación de datos

La forma de empezar es recopilando datos a través de
distintos tipos de software dedicados a ello, pero es
importante saber que es el análisis y el tratamiento de
estos, lo que realmente genera el valor para empresa y no
son los datos en sí.

Por supuesto no debe quedarse en la obtención de

información interna de la empresa. Otro campo de
actuación es el uso y combinación para con fuentes
externas de información, véase la Redes Sociales, para
profundizar en los detalles, sugerencias/opiniones,
preferencias o menesteres de nuestros clientes.

A lo largo de las pantallas siguientes, haremos un breve

reconocimiento de distintos modelos de negocios que han
basado en los datos sus servicios o productos y en cómo
estos han mejorado las distintas actividades
empresariales.

Introducción a la ciencia de datos

El motor de recomendación
El primero que vamos a conocer y que está presente en muchos servicios que utilizamos cotidianamente como usuarios
es el motor de recomendación.
Vamos a desarrollar este concepto y descubrir quiénes fueron las primeras empresas en implementarlo:
Definición
Es un conjunto de algoritmos o sistemas que promueven
recomendaciones en muchos servicios populares en la
actualidad.
Estos sistemas o algoritmos recopilan datos sobre las
personas y cómo interactúan con el contenido. Luego
usan estos datos para predecir qué otro contenido podría
desear cualquier usuario individual.

Amazon: pionero de esta tecnología

Uno de los pioneros en la implementación de esta
tecnología es el hoy en día gigante Amazon cuando allá
por el año 1998 seguía siendo una tienda de libros online.
Fue en este año cuando la empresa “se expandió más allá
de los libros” por primera vez.

Ese año compró a Junglee Corp., una empresa dedicada a

bases de datos; y a PlanetAll, una de las primeras redes
sociales de Internet.

¿Cómo lo hizo?
Amazon absorbió las patentes y conocimientos de esas
compañías para mejorar su plataforma de comercio
electrónico y expandirse con nuevas funciones.

En definitiva, se sustituyó la forma de recomendar libros

basada en los críticos editores a una implementada en el
uso del Big Data cuyo éxito es innegable y posteriormente
patentada.

Existen numerosos ejemplos similares que implementan

tecnologías similares.

Mejor información
En resumen, estos motores de búsqueda implementan las
técnicas que se conocen como Filtrado Colaborativo a
través de modelos de coocurrencia y algoritmos basados
en Machine Learning, que tienen como resultado una
información menos sesgada.
Introducción a la ciencia de datos

El análisis de campaña de marketing

Otra clara orientación estratégica basada en el dato es el
análisis de campañas de marketing.

Los departamentos de marketing obtienen una gran

cantidad de datos de ventas. Saber identificar y
segmentar con mayor precisión dichos datos de nuestros
clientes tiene como resultado un mejor conocimiento de
estos, así como un avance en la personalización de los
contenidos publicitarios para ellos.

Nuestras fuentes de datos serán en qué páginas web

interactúan nuestros clientes (flujo de webs) y cómo
navegan (clics), cuáles son sus gustos expresados en
Redes Sociales, etc.…todo ello orientado a mejorar el
conocimiento sobre los patrones de compra e
interacciones de nuestros clientes.

Introducción a la ciencia de datos

Ponte a prueba

¿Cuál es el primer paso del método en ciencia de datos?

El primer paso es plantearnos una pregunta a resolver.

El primer paso es plantearnos posibles soluciones a un problema y buscar su correspondencia en datos.
El primer paso es buscar las fuentes de los datos.

Todo parte de una pregunta que se quiere resolver (una predicción, la segmentación
de un grupo de individuos, una reducción de datos, una búsqueda de relaciones, etc.).
Introducción a la ciencia de datos

Ponte a prueba

¿Qué significa que el modelo de ciencia de datos es iterativo?

Que debemos de buscar cuantos más datos, mejor, porque se necesita mucha información para resolver los
problemas.
Que una vez terminado el proceso de búsqueda y análisis de datos debemos repetir el proceso y volver a
realizarnos más preguntas y buscar más datos.
Que debemos analizar y explorar los datos minuciosamente, porque puede haber errores.

Después de analizar y explorar los datos surge la naturaleza iterativa pues

normalmente los primeros modelos obtenidos no son totalmente válidos para su uso y
se procede a volver a realizarse preguntas sobre el problema, buscar más datos y
realizar una nueva iteración.
Introducción a la ciencia de datos

Ponte a prueba

¿Qué son los outputs?

Es un conjunto de algoritmos o sistemas que promueven recomendaciones en muchos servicios populares en

la actualidad.
Los outputs son un conjunto de bienes y servicios que obtiene una empresa o industria al combinar distintos
factores de producción.
Los outputs son los productos estrella de una compañía.

Los outputs son un conjunto de bienes y servicios que obtiene una empresa o
industria al combinar distintos factores de producción. El uso y conocimiento del Big
Data trae consigo notables mejoras en la eficiencia de las empresas. La información
obtenida en estos procesos, a su vez sumada a la experiencia, darán como resultados
nuevos outputs.
 LA IMPORTANCIA DEL DATO

CAPÍTULO 2

NUEVOS
MODELOS DE
NEGOCIO EN
TORNO AL
DATO
En las siguientes pantallas verás ejemplos de
modelos de negocio empresariales que
aplican la tecnología de datos, además de
conocer los factores tecnológicos importantes
en base a estos. ¡Continuamos!

Nuevos modelos de negocio en torno al dato

Una nueva realidad

La irrupción del Big Data hace que las empresas trabajen
desde una perspectiva muy diferente, de servicio más que
de producto y es necesario que los ejecutivos se preparen
para esta nueva realidad, en un entorno donde los
algoritmos y la inteligencia artificial ya automatizan
muchas interacciones entre empresa y cliente.

Los nuevos modelos de negocio de Big Data se han

concentrado en manos de empresas intensivas en
información, como bancos, compañías de
telecomunicaciones, aseguradoras o empresas de
consumo, que o bien los venden a otras empresas que no
disponen de datos suficientes o la calidad necesaria, o
generan servicios o productos basados ​en datos que les
ayuden a tomar decisiones para optimizar la venta de
dicho producto o prestación de servicios personalizados.

Nuevos modelos de negocio en torno al dato

Diferentes modelos de negocio

A continuación te mostramos diferentes modelos de negocios basados en la tecnología del dato:
Personalización

Se trata de ofrecer un producto o servicio personalizado

a los clientes, como analizar los patrones de tráfico en
función de los datos de ubicación de los dispositivos
GPS.

La especialización genera un tipo de relación con el

cliente estrecha y personal, además, crea barreras de
entrada para nuevos competidores con propuestas más
genéricas o despersonalizadas.

Servicios paquetizados

El modelo incluye la combinación de múltiples

productos o servicios en uno solo, como la medición del
consumo de gas y electricidad, para que los
distribuidores de energía puedan asesorar a sus clientes
sobre cómo ahorrar energía.

Las empresas suministradoras de telefonía e internet,

aseguradoras… La agrupación es rentable, expulsa a los
competidores del mercado y brinda oportunidades de
venta cruzada.

Producto estándar

Se ofrece el mismo producto a todos los clientes.

Un claro ejemplo es un banco que vende informes

basados ​en datos agregados y anonimizados sobre los
patrones de gasto de sus clientes.

Son servicios fáciles de entregar con descuentos

asequibles y márgenes sensibles escalables.

Pago por uso

Esta opción brinda a los clientes una amplia selección

de ofertas, elijan la que más les convenga o realmente
usen y por la que van a pagar únicamente.

Este modelo ofrece mayores ganancias que las

suscripciones y membresías.
Comisiones

Permite crear planes de comisiones para empresas que

colaboren en la venta de productos o servicios.
Un ejemplo podemos encontrar en bancos o financieras
que analizan las transacciones de las tarjetas de crédito
de sus usuarios y les ofrecen descuentos en comercios,
restaurantes, estaciones de servicios… etc., a cambio de
recibir una comisión basada en el volumen de ingreso
generado por las transacciones en esos
establecimientos. Este método vincula de forma más
estrecha empresa y cliente, creando una relación más
sólida y estable en el tiempo que el modelo anterior de
pago por uso.

Valor compartido

Este modelo permite con la asociación de empresas, al

interactuar con un cliente común, puedan ofrecerle
algún tipo de descuento, mejora o servicio adicional
que si lo hicieran de forma individual.

Siguiendo el mismo ejemplo, un banco ofrece un

descuento en un comercio a través de un tercero o
intermediario, el cual paga cuando el cliente finaliza la
compra; incluso la entidad financiera oferta seguros, en
colaboración con otras compañías, para los productos
comprados.

Membresía o suscripción

El cliente debe abonar una cuota periódica para recibir

o acceder de forma ilimitada a un servicio durante la
vigencia del contrato.

Podemos observar un ejemplo en aseguradoras de

salud, que, analizando los historiales médicos de los
pacientes, ofrecen información anónima sobre los
resultados obtenidos periódicamente.

Este método proporciona a las empresas un ingreso

constante, predecible y facilita la venta cruzada.
Nuevos modelos de negocio en torno al dato

El dato es imprescindible en las empresas

En los últimos años, las tecnologías de la información y el
procesado de datos poco a poco han ido obteniendo
mayor importancia en las organizaciones. Por un lado, se
han transformado en un componente imprescindible para
las operaciones, automatizando parte o incluso todo el
proceso y, por otro, confieren soporte a las diferentes
necesidades en los distintos departamentos de una
empresa.

Evidentemente ha sido un progresivo cambio y

transformación digital y aún muchas empresas se
encuentran en este proceso de digitalización.

En años anteriores, la transición se está acelerando por

diversas razones, como la democratización de internet, el
uso explosivo de las redes sociales, la emergencia de los
dispositivos inteligentes Smart Devices y/o el despliegue
de la internet de las cosas.

Nuevos modelos de negocio en torno al dato

Los 4 factores tecnológicos principales

Nos encontramos frente un periodo de competitividad y
evolución disruptiva basada en TIC´S para las empresas.
Que se puede fundamentar en cuatro factores
principalmente: cloud, social, movilidad y analítica.

Desarrollemos estos conceptos tecnológicos bases:

• Cloud: referente a tecnologías que permiten consumir

recursos TI desde almacenamientos gestionados por
terceros y cuyo uso normalmente facilita el trabajo
colaborativo, es decir, que varios usuarios puedan
modificar un documento de forma simultánea y en
tiempo real.
• Social: referente a las tecnologías que facilitan las
comunicaciones, relaciones o interacciones a través
de las redes sociales.
• Movilidad: referente a las tecnologías que permiten
el acceso y modificación de los datos del usuario
desde cualquier localización.
• Analítica: referente a las tecnologías que
administran, gestionan y operan con los datos para
optimizar su utilidad.
Nuevos modelos de negocio en torno al dato

Funcionalidades diferentes
Estos cuatro factores permiten que los modelos de
negocio se basen en funcionalidades diferentes:

• Cloud nos otorga flexibilidad en la implementación,

en el despliegue y en la escalabilidad.
• Social nos presenta una forma nueva de llegar a los
clientes, comunicarnos con los empleados y
proveedores.
• Los dispositivos móviles amplían los canales de
interacción y presenta un nuevo paradigma para las
empresas.
• La analítica nos permite, no solo conocer lo que
ocurre en la empresa, sino también aumentar y
automatizar los procedimientos en ella.

En esencia, es una transformación que ocurre en

consonancia entre personas, negocios y la tecnología.

Nuevos modelos de negocio en torno al dato

Nuevas formas de acercarnos al mercado

Asistimos a la elevada aparición de nuevas formas de
acercarnos al mercado y generar valor para el cliente y la
propia organización. Por ejemplo, hay empresas que han
conseguido crear los conocidos sistemas de
recomendación de productos para sus clientes, como
Amazon, diseñar productos casi personalizados basados
en preferencias del cliente, como Netflix, o identificar el
riesgo crediticio basado en fuentes tan dispares de
información como las redes sociales o las compras en
eBay y Amazon, como la empresa de financiación y
préstamos Kreditech.

Si es verdad que compañías como Facebook, TikTok,

Amazon, Google o Netflix acaparan toda la atención por
sus increíbles avances en el uso de las tecnologías de
datos, la realidad es que estamos asistiendo a una
revolución de amplio espectro, donde la mayoría de las
empresas ya se han subido al tren de la implementación
de este tipo de proyectos.
 Las empresas que no han
realizado su adaptación a la
digitalización de sus servicios,
se colocan a la cola de la
carrera por obtener y fidelizar
clientes. Hace años era
impensable que la formación, y
concretamente del idioma
inglés, se pudiera hacer con
éxito desde una plataforma
virtual. Sin embargo, hoy es
posible hasta realizar Yoga
Online.
D. Jesús Enrique Giró, CEO de Hometeacher
Nuevos modelos de negocio en torno al dato

Ejemplos de la aplicación de la tecnología de

datos
De hecho, es posible encontrar más ejemplos en
diferentes sectores, como muestra en los massively
multiplayer online game (MMOG). Empresas como Jagex
ya monitorizan las transacciones de micropagos y el
funcionamiento de los sistemas que soportan las
operaciones usando tecnologías de Big data.

Otro ejemplo, en el mundo del deporte, equipos como el

Sevilla FC, el Betis, el FC Barcelona… procesan inmensas
cantidades de datos en diferentes formatos (imágenes,
vídeos, estadísticas, datos geolocalizados, ...) para ayudar
a los responsables a comprender mejor el rendimiento
propio de su equipo y conocer las estrategias de los
equipos contrarios, para poder diseñar estrategias
adecuadas más eficientes para ganar los partidos.

El sector de la agricultura
Aunque resulte menos comprensible, en el sector de la
agricultura Big data permite crear modelos que
mejoren la actividad de los sistemas de riego,
analizando y cotejando datos de estaciones
meteorológicas para conocer la meteorología,
informes de plagas y enfermedades, sensores en
plantas, bocas de riego, tipología de suelos, además
del uso de sistemas como CRM y ERP para la gestión
de clientes, productos o proveedores. En conclusión,
como ocurre cada vez que aparece una tecnología
innovadora y de vanguardia que tiene el potencial de
transformar profundamente la sociedad, no resulta
sencillo llevar a buen puerto la implementación.
Nuevos modelos de negocio en torno al dato

Ponte a prueba

Un modelo de negocio donde analizan las transacciones de las tarjetas de crédito de sus usuarios y les ofrecen
descuentos en comercios se llama…

Valor compartido.
Membresía.
Comisiones.

Las comisiones permite crear planes de comisiones para empresas que colaboren en
la venta de productos o servicios. Un ejemplo podemos encontrar en bancos o
financieras que analizan las transacciones de las tarjetas de crédito de sus usuarios y
les ofrecen descuentos en comercios, restaurantes o estaciones de servicios.
Nuevos modelos de negocio en torno al dato

Ponte a prueba

¿A qué se refiere el concepto de Cloud?

Se refiere a las tecnologías que facilitan las comunicaciones, relaciones o interacciones a través de las redes
sociales.
Se refiere a tecnologías que permiten consumir recursos TI desde almacenamientos gestionados por terceros.
Se refiere a las tecnologías que administran, gestionan y operan con los datos para optimizar su utilidad.

Cloud se refiere a tecnologías que permiten consumir recursos TI desde

almacenamientos gestionados por terceros. Su uso normalmente facilita el trabajo
colaborativo, es decir, que varios usuarios puedan modificar un documento de forma
simultánea y en tiempo real.
 LA IMPORTANCIA DEL DATO

CAPÍTULO 3

TIPOLOGÍA DE
DATOS Y
MODO DE
OBTENCIÓN
Podemos clasificar los datos según su origen,
naturaleza y nivel de procesamiento. En este
capítulo profundizaremos en todos estos tipos
de datos y en cómo se obtienen cada uno de
ellos. ¡Sigue adelante!

Tipología de datos y modo de obtención

Contextualizando el Big Data

El Big Data es complejo, un proceso global, que empieza
cuando recibimos un dato y finaliza cuando lo convertimos
en información útil para su empleo en los negocios,
empresas, investigaciones… Esto implica un proceso que
debe comenzar con la verificación del dato y su
contrastación con otros datos para extraer modelos o
patrones.

Por lo tanto, debemos considerar los siguientes puntos:

• La estructura o tipología propia de los datos masivos.

• Las herramientas o aplicaciones con las que se
almacenan esos datos.
• Las herramientas o aplicaciones con las que
administramos y gestionamos esos datos.
• La información que finalmente extraemos del
procesamiento de esos datos.
• La finalidad o aplicación de dicha información
obtenida de dicho procesamiento de esos datos.
Tipología de datos y modo de obtención

Categorización de los datos

Para poder categorizar los datos debemos considerar
estas clasificaciones principales:

• Según su propia naturaleza.

• Según su nivel de procesamiento.
• Según su origen o procedencia.

Todas estas categorías y subtipos, las veremos a lo largo

de las pantallas siguientes.

¡Sigue avanzando!

Tipología de datos y modo de obtención

Los datos según su naturaleza

Los datos según su naturaleza se dividen es:

• Cualitativos: datos que provienen de medidas

categóricas que se expresan en lenguaje natural
descriptivo, formato alfabético o alfanumérico.
• Cuantitativos: datos que se expresan en formato
numérico.

Tipología de datos y modo de obtención

Los datos según su nivel de procesamiento

Los datos se dividen en cuatro tipos según su procesamiento:

Datos primarios o no estructurados

Son aquellos que provienen directamente de la fuente y
aún no han sido tratados o procesados para su análisis.
En definitiva, carecen de una estructura interna básica
diferenciable.

Por ejemplo, la cantidad de datos que generan los relojes

inteligentes o las pulseras de actividad, como
posicionamiento GPS, pulsaciones, pasos o temperaturas.
También no estructurados son los datos generados por los
usuarios, como los vídeos, audios, imágenes, PDF, etc. La
característica común y más destacable en ambos casos,
es precisamente que estos datos podrán tener muchísimo
potencial futuro, pero no se obtendrá hasta que se
analicen, se ordenen, se estructuren y se almacenen
adecuadamente.
Datos procesados o estructurados
Son aquellos que han sido tratados, digitalizados,
traducidos, transcritos, limpiados, validados, verificados
y/o anonimizados. Nos encontramos frente a datos
ordenados, con un formato definido, con patrón
distinguible, con tamaño y longitud definida. Esto facilita
su procesamiento, siendo más sencillo que en el caso de
datos primarios o no estructurados.

Por ejemplo, podemos hablar de una hoja de cálculo con

sus columnas y filas bien definidas con sus datos
perfectamente ordenados.

Datos híbridos o semiestructurados

Son aquellos que no mantienen una regularidad y que no
siguen una pauta estándar. Es decir, están entre los
primarios y los estructurados, porque sin tener una
estructura definida concreta si poseen una organización
distinguible.

Como ejemplo para este caso, serían datos

semiestructurados los datos que observamos en
lenguajes de programación característicos para el
desarrollo de páginas webs como HTML o datos en
formato XML.

Datos analizados
Son aquellos que se obtienen como resultado del
procesamiento de los datos primarios y los procesados,
con los que se pretende desprender la información útil
para tomar decisiones o establecer conclusiones. En este
tipo ya nos encontramos con modelos estadísticos,
modelos predictivos, gráficos, tablas avanzadas y
cruzadas, macros, bases de datos complejas, …
Tipología de datos y modo de obtención

Los datos según su origen

Los datos según su origen o procedencia se dividen es:

• Webs
• Redes sociales
• Big Transaction Data
• Biométricos
• Datos generados por seres humanos
• Dato M2M

A continuación desglosaremos estos conceptos.

Tipología de datos y modo de obtención

Webs
Son todos aquellos datos que se recolectan a través de la
interacción de los usuarios de internet en las diferentes
páginas webs que visitan.

Son los datos que se recogen en las páginas web a partir

de la navegación, los clics que hacemos, el tiempo que
permanecemos, las páginas que visitamos dentro de un
portal, los formularios que rellenamos, las ventas en
tiendas online, los resultados que obtenemos en
buscadores…

Tipología de datos y modo de obtención

Redes sociales

Evidentemente las redes sociales se han convertido en fuentes continuas e ilimitadas de datos de los usuarios.

Cada comentario, cada foto, fechas de nacimientos, amistades, relaciones, publicaciones, reels, likes, …
Tipología de datos y modo de obtención

Big Transaction Data

Son datos algo más complicados de categorizar, porque
provienen de los datos que se generan en grandes
transacciones, por ejemplo, todos los registros de
contabilidad de una empresa, de las compras y ventas que
ha hecho y los diferentes canales que se emplean para
ello, la gestión de su stock, la cartera de clientes,
albaranes o presupuestos.

Podemos encontrar estos datos en formatos híbridos o

semiestructurados o directamente no estructurados.

Tipología de datos y modo de obtención

Biométricos
Cada vez más empleados como mecanismos de seguridad
o protección frente a la intrusión o robo de nuestros datos.

Son los que aportamos los seres humanos a partir de

nuestras características de conducta, físicas o fisiológicas.

Por ejemplo, la voz, la huella dactilar, la retina ocular, el

escáner facial… que tienen la característica de ser únicos,
personales e intransferibles.

Tipología de datos y modo de obtención

Datos generados por los seres humanos

En este grupo incluimos los datos generados por los seres
humanos.

Como ejemplo, una llamada a un servicio de atención al

cliente donde las llamadas son grabadas para recolectar
datos de interés del usuario, el correo electrónico que
dejamos cuando nos creamos una cuenta de usuario en
una plataforma o los formularios electrónicos que
rellenamos con nuestros datos y teléfono cuando hacemos
una compra, solicitamos información de cursos o servicios,
o simplemente nos suscribimos a una newsletter o grupo
de difusión.
Tipología de datos y modo de obtención

Datos M2M
Esto es lo que por sus siglas se conoce como Machine to Machine o de
máquina a máquina.

Los M2M son los datos que se reciben a través de tecnologías que conectan a
unos dispositivos con otros. Esta interconexión de máquinas genera una gran
cantidad de datos que precisa de un análisis constante automatizado para
poder ser entendido o tener sentido.

Por ejemplo, si una empresa implementa un software de gestión de stock

inteligente, las propias máquinas de las que dispone la fábrica deben compartir
e interpretar los datos, solo de esta forma se podría realizar un inventario
automatizado correcto. También podemos pensar en los electrodomésticos
actuales inteligentes, como los frigoríficos capaces de proponer listas de la
compra con los datos que obtienen del consumo frecuente que haces de
alimentos básicos, e incluso llegan a hacer la gestión y la compra online del
pedido a tu supermercado de confianza.

El dato disponible
Sea cual sea el origen de los datos, los consumidores
de productos o servicios, los clientes, en cualquiera de
las formas de valor, tienen expectativas que han de
ser cumplidas por parte de la empresa. Nos referimos
a que para tomar una decisión el dato debe estar
disponible, capturado y almacenado, accesible, que
existe un mecanismo para su consumo, de calidad y
que tiene el nivel de calidad suficiente en el momento
adecuado.

Para ello se han tenido en cuenta las necesidades

temporales de negocio para su disponibilidad y
accesibilidad, lo que significa que está protegido y
solo se puede acceder a él con permisos y
transformado en información, que se traduce en que
quien consume el dato, no necesita transformar el
dato en información.

Tipología de datos y modo de obtención

Las magnitudes físicas de los datos

Se han definido tres magnitudes físicas de los datos que mostramos a continuación:
Volumen
Hacemos referencia al tamaño del conjunto de los datos
creado en cada muestra.

En apenas una década, las organizaciones han pasado de

trabajar con terabytes a petabytes o magnitudes incluso
superiores.

Velocidad
Cuando hablamos de velocidad, nos referimos tanto al
procesamiento de datos como a su latencia.

El procesamiento es la administración o gestión del

volumen de datos. Esta magnitud es medida en términos
de gigabytes o terabytes por segundo.

La latencia se refiere a la diferencia entre la entrada de

datos y el análisis de los mismos, esta magnitud es
medida en milisegundos. Esto se traduce en tratar con
datos mediante procesos batch o procesamiento por lotes
(ejecución de un programa sin el control o supervisión
directa del usuario) que además se desarrollan en tiempo
real o streaming.

Variedad
Cuando tratamos la magnitud física de variedad,
hacemos referencia tanto a la cantidad de fuentes
diferentes de donde provienen como a la heterogeneidad
del dato, que como ya veremos más adelante, pueden ser
de diferentes tipologías: estructurados, semiestructurados
o no estructurados…
Tipología de datos y modo de obtención

El byte
Cuando hablamos de byte hacemos
referencia a una unidad de medida
de información digital.

En esta tabla hacemos un repaso de

esta unidad, mostrando cómo van
subiendo todas las unidades y el
valor en bytes en cada una de ellas:

Tipología de datos y modo de obtención

Otras características del dato

Más allá de las magnitudes físicas es posible encontrar
otras características, como:

• Veracidad: Que hace referencia a la incertidumbre en

el dato producto de su baja calidad, la ambigüedad
en su definición o simplificaciones en su
modelización.
• Variabilidad: Que se refiere a que los flujos de datos
pueden tener comportamientos erráticos o
inconsistentes en ciertos periodos.
• Vinculación: Que denota la dificultad de relacionar
diferentes y dispares fuentes de datos.

No siempre nos encontramos con estas características

y que dependen de la naturaleza del problema que se
pretende resolver. Por ello solo se habla de las tres
primeras. Diferentes problemáticas de negocio
tendrán asociadas diferentes combinaciones de las
magnitudes físicas, como se ilustra en la figura.
Tipología de datos y modo de obtención

El valor del dato

Hay un último punto que comentar con respecto la
naturaleza del dato: el valor.

Aunque hayamos explicado para que podamos entender

la complejidad del dato, lo importante no es si una
organización es capaz de gestionar el dato en reposo, en
movimiento y/o en sus múltiples formas y fuentes.

Lo más relevante es cómo una organización es capaz de

generar valor a partir del dato y qué impacto tiene para el
negocio y para los clientes.

Las formas del valor del dato

Las formas del valor del dato son:

• Toma de decisiones: El uso del dato nos permite

tomar mejores y/o más rápidas decisiones, lo
que se traduce en que la organización es más
competitiva en su respectivo mercado. Es decir,
somos capaces de tomar decisiones informadas.
• Ingresos: El uso del dato permite mejorar los
ingresos en líneas de negocio o habilita la
creación de nuevas.
• Costes: El uso del dato permite optimizar
nuestros procesos de negocio a nivel de
sistemas, procesos, clientes, empleados o
proveedores, lo que se traduce en que podemos
hacer más con menos.
Tipología de datos y modo de obtención

Ponte a prueba

¿Qué tipo de dato (según su procesamiento) es una hoja de cálculo bien definida y ordenada?

Dato procesado o estructurado.

Dato primario o no estructurado.
Dato híbrido o semiestructurado.

Los datos procesados son aquellos que han sido tratados, digitalizados, traducidos,
transcritos, limpiados, validados, verificados y/o anonimizados. Por ejemplo, podemos
hablar de una hoja de cálculo con sus columnas y filas bien definidas con sus datos
perfectamente ordenados.
Tipología de datos y modo de obtención

Ponte a prueba

¿Qué son los datos biométricos?

Son los datos que aportamos los seres humanos a partir de nuestras características de conducta, físicas o
fisiológicas.
Son datos algo más complicados de categorizar, porque provienen de los datos que se generan en grandes
transacciones.
Son los datos que se reciben a través de tecnologías que conectan a unos dispositivos con otros.

Son datos que aportamos los seres humanos a partir de nuestras características de
conducta, físicas o fisiológicas. Por ejemplo, la voz, la huella dactilar, la retina ocular o
el escáner facial. Se usan como mecanismo de seguridad o protección.
Tipología de datos y modo de obtención

Ponte a prueba

¿Cuáles son las magnitudes físicas de los datos?

Los bytes.
Veracidad, viabilidad y vinculación.
Volumen, velocidad y variedad.

Las magnitudes físicas son el volumen (el tamaño del conjunto de los datos), la
velocidad (procesamiento y latencia) y la variedad (cantidad de fuentes diferentes y
heterogeneidad del dato).
 LA IMPORTANCIA DEL DATO

CAPÍTULO 4

¿CÓMO
RENTABILIZAR
EL DATO?
El Big Data ayuda a las empresas a ser más
productivas en general, disminuyendo riesgos
y aumentando la productividad. Vamos a ver
en este capítulo qué se necesita para que esto
sea posible y ejemplos prácticos en el mundo
empresarial.

¿Cómo rentabilizar el dato?

Trabajar el valor del dato

Vamos a intentar conocer dónde se encuentran los datos
relevantes para el negocio, los que su tratamiento va a
generar modelos de negocios acertados, así que
trabajaremos el aspecto más importante del dato, como
es su valor.

Una cruzada por descubrir qué datos son relevantes para

el negocio y cuáles no.

En este nuevo contexto en que estamos inmersos, las

organizaciones necesitan trabajar con los datos dejando
atrás la noción de que la información de valor se
encuentra tan sólo en el seno de la empresa.

Este hecho obliga a pensar no sólo en las magnitudes del

dato, sino en el origen o la fuente de los mismos.
¿Cómo rentabilizar el dato?

Los datos según su procedencia

En el capítulo anterior definimos los tipos de datos según
su procedencia, pero en esta ocasión sería interesante
hacer una nueva clasificación para entender este punto
crítico:

• Datos internos
• Datos externos

¡Profundizaremos sobre esto en las pantallas siguientes!

¿Cómo rentabilizar el dato?

Datos internos
Hace referencia a datos que provienen de la propia
empresa.

Dentro de los datos internos tenemos aquellos que ya

existen o se crean en los propios sistemas de información
de la organización, aplicaciones software como pueden
ser el ERP o el CRM, o bien que se están capturando y
almacenando mediante mecanismos automáticos a través
de diferentes estrategias, como sensores y dispositivos de
monitorización.

Como ejemplo, un podómetro con localización geográfica,

GPS, cámaras termosensibles y el crowdsourcing, que es
una práctica por la cual se convoca a una gran cantidad
de empleados para aportar ideas con la finalidad de
encontrar la solución de una tarea.
¿Cómo rentabilizar el dato?

Datos externos
Son datos de procedencia de terceros, que deben ser
contratados por la organización como un servicio externo,
o en ocasiones estas fuentes de datos pueden estar
disponibles de acceso libre.

Los datos de libre acceso pueden ser a su vez de tres

tipos:

1. Datos capturados mediante técnicas de

crowdsourcing, que ya hemos comentado en qué
consisten.
2. Datos de redes sociales, como pueden ser Facebook,
Twitter o LinkedIn…
3. Open data, que hace referencia a conjuntos de datos
que son considerados un bien común y que, por ello,
son gratuitos, de acceso libre y bien estructurados para
su descarga, análisis y uso. Las tipologías de estos
datos son variadas: de transporte, financieros,
meteorológicos, estadísticos, científicos, culturales y
geolocalizados.

¿Cómo rentabilizar el dato?

Colaboración entre la empresa e IT

Las empresas necesitan emplear procesos adecuados,
optimizados y en ocasiones complejos para poder integrar
resultados analíticos de los datos obtenidos en los
sistemas operacionales de estas mismas.

Por lo tanto, es importante y se requiere de la

colaboración estrecha entre la empresa y la IT
(Information Technology) para que de manera ordenada
identificar las oportunidades de negocio y las
arquitecturas o modelos predictivos de Big Data que sean
necesarios para alcanzar dichas oportunidades de
negocios.

Con el fin de rentabilizar los datos, todo el proceso debe

funcionar conjuntamente entre los roles y las
responsabilidades de los usuarios de una empresa, los
equipos que conformen el BI (Business Inteligente) y los
científicos encargados de datos que vayan a operar
directamente para realizar los análisis y obtener los
resultados.
¿Cómo rentabilizar el dato?

Tomando acción
Esto que acabamos de ver se puede resumir en los
siguientes puntos:

• Nuevos requisitos de negocio con la comunicación

continua con los usuarios y futuros clientes
potenciales.
• Recolectando, procesando y enriqueciendo los datos:
buscando nuevas fuentes de datos estructuradas o
desestructuradas, tanto internas como externas a la
empresa.
• Actualizando y desarrollando nuevos modelos
analíticos constantemente, comprobando
periódicamente estos modelos para saber si
continúan siendo efectivos.
• Publicando los descubrimientos analíticos en los
sistemas de aplicaciones, operacionales y de gestión.
• Midiendo la efectividad de las decisiones y todo ello
con el fin de ajustar los modelos analíticos a los
procesos.

¿Cómo rentabilizar el dato?

Ejemplos de cómo rentabilizar el Big Data

Para rentabilizar el Big Data de una institución existen diversas formas según la forma en la que exploten o procesen la
información resultante de los datos recopilados. A continuación te mostramos varios ejemplos dependiendo del sector del
negocio.

Sector turístico
El sector turístico recopila datos de sus clientes para
medir el grado de satisfacción que les producen aquellos
servicios de los que hacen uso. De este análisis se pueden
obtener no solo las preferencias agregadas de un
determinado conjunto poblacional, sino que además
permite localizar aquellos nodos que repercuten en
posibles pérdidas de capital.

En este sentido, el Big Data sirve para anticiparse a

muchos problemas antes de que se magnifiquen, e
incluso antes de manifestarse. Qué lugares son visitados,
con qué frecuencia son visitados, y por qué son una cosa
o la otra, son algunas de las preguntas para las cuales se
acude al Big Data en busca de respuestas, y dichas
respuestas impulsan la creación de nuevos espacios
donde los clientes se sientan cada vez más felices.
Sector farmacéutico y sanitario
Otro de los sectores que explota de forma amplia las
bondades del Big Data es el de los cuidados y la salud.

Las industrias sanitaria y farmacéutica juntas movilizan al

año cientos de miles de exabytes en forma de registros de
pacientes, datos analíticos de contraste o planes de
seguros, entre otros muchos formatos. La obtención y
posterior tratamiento de la información clave proporciona
potentes herramientas de diagnóstico u opciones
inmediatas de tratamientos específicos, adaptados a las
necesidades de cada paciente en particular.

Sector del retail

El comercio minorista digitalizado, conocido
habitualmente como Retail, se sirve del Big Data para
comprender bien las necesidades exactas de sus
compradores.

Los programas de fidelización de clientes o los hábitos de

consumo aportan grandes flujos de información que
permiten incluso predecir tendencias en el mercado, lo
que a su vez permite recomendar nuevos productos o
servicios, creando un entorno de mercado mucho más
plural y diverso, al tiempo que es capaz de aumentar la
rentabilidad de los mismos.
¿Cómo rentabilizar el dato?

Ponte a prueba

¿Qué son los datos internos?

Los datos internos de otras empresas que compramos para nuestra propia compañía.
Los datos que provienen de la misma empresa.
Los datos de procedencia de terceros.

Hace referencia a datos que provienen de la propia empresa.

Dentro de los datos internos tenemos aquellos que ya existen o se crean en los
propios sistemas de información de la organización, como pueden ser el ERP o el
CRM.
 LA IMPORTANCIA DEL DATO

CAPÍTULO 5

EL AVANCE
DEL BIG DATA
Y LA IA
Es el momento del Big Data y la inteligencia
artificial y la mayoría de las empresas lo
saben, porque utilizan estas herramientas
para estar a la vanguardia de la innovación y
mantenerse por delante de su mismo sector.
¡Continúa avanzando en estas últimas
pantallas si quieres saber su evolución en los
siguientes años!

El avance del Big Data y la IA

La era de los datos

El continuo avance en la tecnología que marca nuestros
tiempos nos brinda multitud de posibilidades en los
distintos ámbitos de nuestra vida. Las tendencias que
marcan la actualidad son muy variadas, pero destacan
especialmente el Big Data y la inteligencia artificial (IA).

Actualmente estamos inmersos en la era de la generación

constante de datos que necesitan ser estructurados y
analizados. Gracias al concepto de Big Data, estos datos
son transformados en información útil y esencial para el
desarrollo de diversos sectores y actividades tanto
empresariales como personales.

Como uno entre tantos ejemplos que nos rodean pueden

citarse las Smart Cities (ciudades inteligentes),
electrodomésticos inteligentes, smartphones (teléfonos
inteligentes)… que hacen la vida más cómoda al
ciudadano precisamente gracias al tratamiento y uso
eficiente de los datos.
El avance del Big Data y la IA

El momento de la IA
Por otro lado, la inteligencia artificial, aunque todavía para
muchos se considera como ciencia ficción, se refiere a
sistemas o máquinas que intentar emular la inteligencia
humana para aprender a realizar tareas cada vez mejor a
partir de la información que recopilan, lo cual está
confiriendo un especial protagonismo a las máquinas de
nuestro entorno.

Solo con echar un vistazo alrededor podemos comprobar

que la implementación de robots y máquinas cada vez
más “inteligentes” ya es una realidad, están presentes en
campos como la ingeniería, la medicina y la economía,
entre muchos tantos.

Las soluciones tecnológicas desarrolladas en

inteligencia artificial permiten a las personas nuevas
maneras de interactuar con el mundo que les rodea.
Les suministra nuevos conocimientos sobre sus
empresas y sus audiencias.

El avance del Big Data y la IA

Big Data e IA trabajando a la vez

Por lo tanto, el potencial de ambas tecnologías por
separado es bastante obvio. Pero, ¿qué ocurre si usamos
ambas tecnologías combinadas?

Se están estudiando las formas de retroalimentar el Big

Data y la IA y de qué manera esta retroalimentación
puede generar resultados beneficiosos para los seres
humanos en el desempeño de nuestras tareas cotidianas.

El resultado que obtenemos en esta simbiosis de

tecnologías se basa en cómo la IA analiza el Big Data de
maneras que los humanos son simplemente incapaces de
hacer debido que dichos cálculos, comparaciones
múltiples y cantidades desorbitadas de información, son
imposibles de realizar o gestionar con nuestras
privilegiadas mentes.
El avance del Big Data y la IA

El análisis de datos de la IA
Sin embargo, las soluciones de inteligencia artificial se
encuentran en el análisis de los datos, patrones
identificativos en lugares donde ni hubiéramos investigado
ni podíamos imaginar que existían.

De sus resultados deriva el conocimiento de nuevas

tendencias en fuentes de datos procedentes de redes
sociales, datos financieros e incluso datos geográficos,
que establecen modelos y pautas.

Al mismo tiempo, la inteligencia artificial recopila

información mientras busca modelos repetitivos o
patrones. La información que almacena se hace acopio en
grandes bases de datos repletas de información, que es lo
que genera en definitiva la infraestructura del Big Data.

Ejemplo
Por ejemplo, la IA puede predecir si alguien va a
comprar un producto o contratar un servicio en
función de sus inclinaciones políticas, sus relaciones
sociales o sus hobbies. Solo necesita bucear a través
de los perfiles de usuarios en las redes sociales y
compararlos con la cantidad de información
estructurada disponible gracias al fenómeno del Big
Data.

De esta manera, podemos decir que los datos son

como el combustible que mantiene la inteligencia
artificial en funcionamiento.
El avance del Big Data y la IA

Invertir en el futuro de los datos

En resumen, vemos en la actualidad que el Big Data y la
inteligencia artificial se apoyan mutuamente para crear la
más potente de las máquinas de análisis y por tanto, las
soluciones de tecnología de inteligencia artificial son
partes importantes e imprescindibles del Big Data.

Su acción conjunta extrae de las cantidades infinitas de

información de la que disponemos los modelos
entendibles para que las personas podamos tomar las
mejores decisiones, empleando más información de la que
humanamente pueda ser posible.

Sin embargo, también significa que invertir en tecnologías

de Big Data no es suficiente para mejorar nuestro
desempeño empresarial. Debemos también invertir en
nuevas formas de analizar los datos y estar
constantemente atentos a futuras perspectivas. Los datos
en lotes y la información en bruto que contienen, por sí
sola no se traduce en un modelo de éxito.

El avance del Big Data y la IA

El potencial ilimitado de la IA
Un programa de inteligencia artificial inicia de manera
parecida a un niño recién nacido, mostrando curiosidad
por el mundo que le rodea.

Este tipo de programas están diseñados de forma

preestablecida por nosotros para interactuar solo con
tipos específicos de información y para que una vez que
interactúe con estas parcelas de datos, vaya necesitando
mayor cantidad y aprendiendo más sobre ellos. Este
proceso hace que vaya mejorando el algoritmo
responsable de la gestión y análisis de la información que
va recibiendo.

Los modelos de aprendizaje artificial se nutren de datos

como imágenes o tablas de información. Por sí solo, este
tipo de información puede no parecer suficiente, pero el
potencial ilimitado de la inteligencia artificial permite la
capacidad de comparar dos conjuntos de datos en
apariencia completamente diferentes y detectar patrones
entre ellos.
El avance del Big Data y la IA

¿Quién define la función de la IA?

A cuantos más datos tenga acceso un programa de
inteligencia artificial, más potente se volverá, puesto que
podrá descubrir modelos para describir las tendencias con
más detalle y con más precisión.

Es importante tener en cuenta que los programas de

inteligencia artificial son desarrollados en esencia por
humanos, que definen su función y cuál será su propósito.
Así que, aunque pueda parecer comportarse por sí
mismos, en realidad, están realizando la labor para la que
han sido diseñados.

El equipo de ingenieros que desarrollan estos programas

es en consecuencia el que decide a qué información
crucial se expondrá por primera vez y cuál es su finalidad
de funcionamiento.

La información es universal, básica y se ha convertido en

los pilares de construcción para la industria de la
inteligencia artificial.

El avance del Big Data y la IA

Beneficios del Big Data y la IA en las empresas

Actualmente las empresas invierten mucho en Big Data y
en la implementación de programas de inteligencia
artificial, porque de esta forma están invirtiendo en la
longevidad de la empresa, su relevancia y la mejora del
rendimiento.

Conocer mejor el mercado y los consumidores te permitirá

crear productos y servicios con aporte de valor que
mejoren las ventas a corto y largo plazo.

Estos sistemas permiten a los empresarios consultar sus

resultados o análisis de los datos para tomar decisiones
efectivas de negocio, puesto que pueden cualificar a sus
potenciales clientes y examinar acciones de sus
competidores.
El avance del Big Data y la IA

Posible evolución futura

El Big Data se ha creado un hueco importantísimo en muchos sectores
profesionales, incluso se ha vuelto una herramienta fundamental en nuestro
tejido empresarial. Pero puede que realmente no sepamos cómo afrontar todos
los retos y desafíos que supone el Big Data y el análisis de datos en un futuro
inmediato.

El año 2021 ha sido relevante en la consolidación de perfiles de reciente

creación como son los científicos y analistas de datos, dos perfiles que tienen
como objetivo obtener el máximo rendimiento de los datos para generar con su
resultado un impacto positivo en cualquier tipo de organización. Ambos perfiles
tienen enfoques diferentes, el científico de datos se encarga de limpiar y filtrar
el dato, mientras que la función del analítico de datos consiste en extraer
información relevante del dato referente al negocio. El trabajo de ambos y el
apoyo de la dirección son fundamentales y decisivos para convertirse en una
auténtica empresa Data Driven.

Evolución del Data Strategy

La estrategia de datos integrada en el proceso de
crecimiento de las empresas, conocida como Data
Strategy, era hasta ahora gestionada de forma
independientemente por los equipos de IT o de Data
dentro de las organizaciones, y su creación se
entiende como la suma a la estrategia global de la
empresa.

Pero resulta que se está observando un cambio de

rumbo y las empresas ya introducen proyectos de
data en sus estrategias primarias formando parte del
core business.

El avance del Big Data y la IA

¿Qué nos espera en los siguientes años?

Veamos en las siguientes pantallas qué podemos esperar en Big Data e inteligencia artificial a partir del 2022:
Más Data Strategy

Los planes estratégicos de numerosas organizaciones incluirán cada vez

más elementos distintivos de Data Strategy.

De hecho, hay que sumar y tener en cuenta que la gran mayoría de las
estrategias en materia de transformación digital que están realizando las
empresas, se basan en un concepto de trato de datos.

Una señal más inequívoca de que nos encontramos frente a una de las
tendencias clave de Big Data en un futuro inmediato.

Cambio de contexto y social

Muchos expertos coinciden que 2022, año de la evolución de la analítica

aumentada, será el año en que el Big Data logrará una evolución
tecnológica tan considerable que se traducirá en un cambio de contexto
económico y social abismal.

Analítica aumentada

Con el desarrollo de la analítica aumentada, veremos la aparición de

conocimientos o cambios más importantes, que servirán a los negocios
para acertar en la toma de decisiones y rentabilizar sus inversiones.

Este tipo de analítica usa el aprendizaje automático y la inteligencia artificial

para mejorar el estudio de los datos y este método está empezando a ser
una elección por la mayoría de las empresas para reducir los errores y
sesgos humanos de los métodos tradicionales.

Se pretende conseguir con estas herramientas que el proceso sea algo

sencillo y accesible para todos, así como democratizar la ciencia de datos y
el aprendizaje automático a toda la compañía.

Más rapidez y precisión

Otra palabra clave cuando hablamos de avances tecnológicos y de la

optimización de la toma de decisiones empresariales, es como ya hemos
mencionado anteriormente, la IA que está permitiendo que seamos más
rápidos y precisos a la hora de realizar estas funciones estratégicas en
muchos sectores empresariales.

Se prevé un auge de las tecnologías digitales, el almacenamiento de datos

a un menor coste, el hardware de alto rendimiento y el software integrado,
que facilitarán un importante cambio en el paradigma de las grandes,
medianas y pequeñas empresas.
Más interés en la IA

Las empresas que implanten programas de IA, incorporándolos como parte

de sus procesos de negocio serán cada vez más numerosas.

Es lógico que sea así, puesto que los beneficios que ofrece esta tecnología
son muchos incluso en diferentes planos, por ejemplo, a nivel de procesos,
de creación de nuevos modelos de negocio, de interacción con el cliente o
de relaciones entre las propias personas de una organización.

El avance del Big Data y la IA

Ponte a prueba

¿Qué ocurre si usamos el Big Data y la IA combinadas?

Son conceptos consecutivos: al utilizar Big Data podemos diseñar la IA.

Son conceptos independientes y los resultados aún no muestran beneficios para los seres humanos.
El resultado es beneficioso para los seres humanos porque desempeñan tareas que los humanos son
incapaces de hacer.

Se están estudiando las formas de retroalimentar el Big Data y la IA y cómo generar

resultados beneficiosos para los seres humanos en el desempeño de las tareas
cotidianas. El resultado que obtenemos en esta simbiosis de tecnologías se basa en
cómo la IA analiza el Big Data de maneras que los humanos son simplemente
incapaces de hacer.
El avance del Big Data y la IA

Ponte a prueba

¿Quién define la función de la IA?

La propia máquina.
Los humanos, cualquier persona de la organización.
Los humanos, en concreto los equipos de ingenieros.

La define los humanos, en concreto el equipo de ingenieros que desarrollan estos

programas es en consecuencia el que decide a qué información crucial se expondrá
por primera vez y cuál es su finalidad de funcionamiento.
El avance del Big Data y la IA

Ponte a prueba

La analítica aumentada usa…

El aprendizaje automático y la inteligencia artificial.

La compatibilidad y el Data Strategy.
La retroalimentación entre Big Data y la inteligencia artificial.

Este tipo de analítica usa el aprendizaje automático y la inteligencia artificial para

mejorar el estudio de los datos y este método está empezando a ser una elección por
la mayoría de las empresas para reducir los errores y sesgos humanos de los métodos
tradicionales.