3.1. Datos Adquisición

Luis David Narváez
Capítulo 3: Todo genera
datos
Introducción a Internet de las cosas

2
© 2016 Cisco y/o sus filiales. Todos los derechos reservados. Información confidencial de Cisco.
 3.1 Datos masivos
• Explique el concepto de datos masivos.
• Describir las fuentes de datos masivos.
• Explique los desafíos y las soluciones para el almacenamiento de datos masivos.
• Explique cómo el análisis de datos masivos se utilizan para apoyar las actividades
empresariales.
Capítulo 3: Secciones y objetivos

3
3.1 Datos masivos

4
 Los datos son la información que proviene de una
variedad de fuentes, como personas, imágenes, texto,
sensores, sitios web y dispositivos de tecnología.
 Hay tres características que indican que una
organización puede estar haciendo frente a datos
masivos:
• Una gran cantidad de datos que requiere cada vez más
espacio de almacenamiento (volumen).
• Una cantidad de datos que crece exponencialmente rápido
(velocidad).
• Datos que se generan en diferentes formatos (variedad).
 Ejemplos de volúmenes de datos recopilados por los
sensores:
• Un automóvil autónomo puede generar 4000 gigabits (Gb) de
datos por día.
• Un hogar inteligente conectado puede producir 1 gigabyte (GB)
de información de la semana.
¿Qué son los datos masivos o Big Data?

5
https://www.youtube.com/watch?v=59b0rINnBuU

6
¿La empresa genera datos masivos?

7

8

9

10

11

12
 Las empresas no necesariamente
tienen que generar sus propios
datos masivos.
 Hay fuentes de conjuntos de datos
gratuitos disponibles y listas para
usar y analizar.
Grandes conjuntos de datos

13
Práctica de laboratorio: búsqueda en base de datos

14
 Los cálculos de datos masivos de IBM
concluyen que “cada día creamos 2,5
trillones de bytes de datos”.
 Hay cinco problemas de magnitud en
cuanto al almacenamiento con los
datos masivos:
• Administración
• Seguridad
• Redundancia
• Análisis
• Acceso
¿Dónde se almacenan los datos masivos?
¿Cuáles son los desafíos de los datos masivos?

15
 Por lo general, los datos masivos se
almacenan en varios servidores en
centros de datos.
 La computación en la niebla utiliza dispositivos
“perimetrales” o de clientes de usuarios
finales para ejecutar gran parte del
procesamiento previo y almacenamiento.
• Los datos adquiridos a partir de ese análisis de
procesamiento previo pueden introducirse en los
sistemas de las empresas para modificar los
procesos, de ser necesario.
• Las comunicaciones hacia y desde los
servidores y dispositivos es más rápida y
requiere menos ancho de banda que lo que
supondría constantemente recurrir a la nube.
¿Dónde podemos almacenar los datos masivos?

16
 La nube es una colección de centros de datos o grupos de servidores
conectados.
 Los servicios en la nube para las personas incluyen lo siguiente:
• Almacenamiento de datos, tales como imágenes, música, películas y
correos electrónicos.
• Acceso a muchas aplicaciones en lugar de descargar en el dispositivo local.
• Acceso a datos y aplicaciones en cualquier lugar, en cualquier momento y en
cualquier dispositivo.
 Los servicios en la nube para las empresas incluyen lo siguiente:
• Acceso a los datos de la organización en cualquier momento y en cualquier
lugar.
• Optimiza las operaciones de TI de una organización.
• Elimina o reduce la necesidad de equipos, mantenimiento, y administración
de TI en el sitio.
• Reduce el costo de necesidades de equipos, energía, requisitos físicos de
la planta y la capacitación del personal.
La nube y la computación en la nube

17
 El procesamiento de datos distribuidos toma el enorme
volumen de datos y lo divide en partes más pequeñas.
 Estas partes más pequeñas se distribuyen en
muchas ubicaciones para que las procesen varias
computadoras.
 Cada computadora de la arquitectura distribuida
analiza su parte del total de datos masivos
(escalabilidad horizontal).
 Hadoop se creó para manejar estos volúmenes de
datos masivos. Tiene dos características principales
que lo han transformado en el estándar de la industria:
• Escalabilidad: los tamaños de clúster más grandes mejoran
el rendimiento y proporcionan capacidades de procesamiento
de datos más altas.
• Tolerancia a fallas: Hadoop automáticamente replica los
datos a través de los clústeres.
Procesamiento distribuido

18
 El análisis de datos permite que las empresas
comprendan mejor el impacto de sus productos y
servicios, ajusten sus métodos y objetivos, y proporcionen
a sus clientes mejores productos más rápido.
 Los valores provienen de los dos tipos de datos
procesados principales: transaccionales y analíticos.
 La información transaccional se captura y se procesa
a medida que se producen eventos.
• Se utiliza para analizar informes de ventas y planes de
fabricación diarios a fin de determinar cuánto inventario
transportar.
 La información analítica permite que se realicen tareas
de análisis a nivel gerencial, como determinar si la
organización debe instalar una nueva planta de
fabricación.
Soporte de empresas con datos masivos
¿Por qué las empresas analizan datos?

19
 Los datos se originan a partir de sensores y cualquier
elemento que se haya explorado, introducido y
publicado en Internet.
 Los datos recopilados se pueden clasificar como
estructurados o no estructurados.
 Los datos estructurados son creados por aplicaciones
que utilizan la entrada de formato "fijo", como las hojas
de cálculo. Es posible que se deban manipular en un
formato común como CSV.
 Los datos no estructurados se generan en un estilo de
“forma libre”, como audio, video, páginas web y tweets.
 Entre los ejemplos de herramientas para preparar datos
no estructurados para el procesamiento se encuentran:
• Las herramientas que «raspan la red» (web scraping) extraen
datos de páginas HTML automáticamente.
• Interfaces del programa de aplicación (API) RESTful.
Fuentes de información

20
Soporte para empresas con datos masivos
Minería de datos
https://www.youtube.com/watch?v=QY09nSg-KBk

21
 La minería de datos es el proceso por el cual los datos
sin procesar se transforman en información
significativa.
 Los datos sometidos a minería de datos se deben analizar
y presentar a los administradores y las personas
responsables de tomar decisiones.
 La determinación de las mejores herramientas de
visualización que se deben usar variará en función de lo
siguiente:
• Cantidad de variables
• Cantidad de puntos de datos en cada variable
• Representan los datos una línea de tiempo
• Los elementos requieren comparaciones
 Entre los gráficos populares se incluyen gráficos
circulares, de líneas, de columnas, de barras y de
dispersión.
Visualización de datos

22
Tipos de gráficos

23
 El análisis de datos es el proceso de inspección,
limpieza, transformación y creación de modelos de
datos para descubrir información útil.
 Tener una estrategia permite que una empresa
determine el tipo de análisis requerido y la mejor
herramienta para realizar el análisis.
 Las herramientas y aplicaciones varían desde el uso
de una hoja de cálculo de Excel o Google Analytics
para muestras de datos de pequeñas a medianas,
hasta las aplicaciones dedicadas a la manipulación
y al análisis de conjuntos de datos realmente
masivos.
 Entre los ejemplos se incluyen a Knime, OpenRefine,
Orange y RapidMiner.
Análisis de datos masivos para el uso eficaz en la empresa

24
¿Qué es Google Analytics?
https://www.youtube.com/watch?v=MV_GmTWQ7Rk

25
Excel: pronósticos
https://www.youtube.com/watch?v=LsXDBpU4Xog&t=178s

26
Práctica de laboratorio en Excel: pronósticos

27
3.2 Resumen del capítulo

28
Resumen del capítulo
Resumen
 Las tres características de los datos masivos son las siguientes:
• Gran cantidad de datos que requiere cada vez más espacio de almacenamiento (volumen)
• Rápido crecimiento exponencial (velocidad)
• Generados en diferentes formatos (variedad)
 La computación en la niebla utiliza dispositivos “perimetrales” o de clientes de usuarios finales para
ejecutar el procesamiento previo y almacenamiento.
• Se diseñó con el fin de mantener los datos más cerca del origen para su procesamiento previo.
 La nube es un conjunto de centros de datos o grupos de servidores conectados que ofrecen acceso a
software, almacenamiento y servicios, en cualquier lugar y en cualquier momento, mediante una interfaz
de navegador.
• Proporciona un aumento del almacenamiento de datos y reduce la necesidad de equipos de TI en el
sitio, mantenimiento y administración.
 El procesamiento de datos distribuidos toma grandes volúmenes de datos de una fuente y los divide en
partes más pequeñas, y los distribuye en muchas ubicaciones para que se procesen.
• Cada computadora de la arquitectura distribuida analiza su parte del total de datos masivos.

29
Resumen del capítulo
Resumen (continuación)
 Las empresas obtienen valor mediante la recopilación y el análisis de datos para
comprender el impacto de los productos y servicios, ajustar los métodos y objetivos, y
proporcionar a sus clientes mejores productos con mayor rapidez.
 Los datos estructurados se crean mediante aplicaciones que utilizan entradas de formato “fijo”,
como hojas de cálculo o formularios médicos.
 Los datos no estructurados se generan en un estilo de “forma libre”, como audio, video,
páginas web y tweets.
 Ambas formas de datos deben manipularse en un formato común para su análisis.
 La minería de datos es el proceso que se utiliza para convertir los datos sin procesar en
información significativa al detectar patrones y relaciones en los grandes conjuntos de datos.
 La visualización de datos es el proceso que se utiliza para captar los datos analizados y usar
gráficos como línea, columna, barra, diagrama o dispersión para presentar la información
importante.

3.1. Datos Adquisición

Más contenido relacionado

La actualidad más candente (20)

Similar a 3.1. Datos Adquisición (20)

Más de David Narváez (20)

Último (20)

3.1. Datos Adquisición