Big data vs expertos - Adrián Plattner @adrianplattner
Descargar como PPTX, PDF0 recomendaciones2,088 vistas
Las empresas dependen de decisiones informadas basadas en la experiencia de expertos, pero están limitadas por métodos convencionales de análisis. Big data representa un desafío debido a su volumen y variedad, y puede ser una herramienta poderosa si se utilizan métodos estadísticos y machine learning para mejorar procesos empresariales. Se requiere personal especializado y herramientas adecuadas para aprovechar el análisis de datos, incluyendo análisis de sentimiento en redes sociales.
Big data vs expertos - Adrián Plattner @adrianplattner
- 1. Big Data vs Expertos @adrianplattner
- 2. ¿Qué tienen en común todas las empresas? Dependen en gran medida en tomar las decisiones correctas
- 3. ¿Qué decisiones son claves en las empresas? O ¿Qué riesgos tomar? O ¿Qué productos hacer? O ¿Qué clientes abarcar y como mantenerlos el mayor tiempo posible?
- 4. Poder predecir el futuro seria de mucha ayuda
- 5. Algunos lo han intentado
- 6. Bueno, volvamos a la realidad Las decisiones que toman las empresas hoy en día se basan en los conocimientos y experiencia de expertos en un área determinada.
- 7. Limitaciones de la forma convencional
- 8. ¿Que otra alternativa tenemos? ¿Que tal dejar que la información hable por nosotros?
- 9. Nada nuevo O Muchas empresas utilizan métodos estadísticos como apoyo para la toma de decisiones. O En la practica la mayoría solo usan sumatorias y promedios.
- 10. Alternativa
- 13. Wallmart
- 14. Farecast
- 15. Big Data “Big Data is any data that is expensive to manage and hard to extract value from.” Michael Franklin-University of Berkeley “Big” es relativo
- 16. Desafíos de Big Data O Volumen O Velocidad O Variedad
- 17. ¿Qué datos producen en la actualidad? O Cada día Google produce 24 petabytes de datos. O De la información actual 90% fue generada en los últimos dos años. O 32 billones de búsquedas en Twitter el ultimo mes. O Mas de dos billones de videos fueron vistos ayer en Youtube.
- 18. Pasos a seguir para una empresa O Analizar que procesos de tu negocio quieres mejorar. O Analizar que datos tienes que te pueden servir y cual tienes que recolectar. O Dividir la información en muestra y prueba. O Aplicar diferentes modelos de predicción que dependen del problema en base a la muestra. O Aplicar el modelo resultante en la prueba. O Volver al segundo paso.
- 19. ¿Que proceso puedo mejorar en base a los datos? O Segmentación de Clientes. O Determinar el precio optimo de un producto. O La usabilidad de mi pagina web (Clickstream). O Detección de fraude. O Determinar el éxito de una campaña o producto en las redes sociales. O Calcular una oferta académica de una universidad.
- 20. Machine Learning Regresión Linear, Regresión Logística, Redes Neuronales, etc.
- 21. Herramientas importantes. O Map-Reduce(Apache Hadoop). O SQL(MySQL) y NoSQL(HBase). O Lenguajes de programación como Python, R y Java. O Hojas de calculo(Excel). O IaaS(AWS).
- 22. Personal Necesario O Estadísticos, Matemáticos o Físicos. O Ingenieros o licenciados en Computación o Informática. O Managers. O Economistas. O Data Scientist(El nuevo Web Master).
- 23. Análisis de Sentimiento Analizar la reacción del publico hacia un producto o campaña en las Redes sociales(Twitter).
- 24. Análisis de Sentimiento O Utilizar el API de Twitter para consultar y/o almacenar los tweets sobre lo que nos interesa. O search.twitter.com/search.json?q=XXX O Almacenarlos en una bases de datos orientad a documentos(mongodb). O Tomar una muestra aleatoria de los tweets y clasificarlos uno a uno manualmente.
- 25. Análisis de Sentimiento O P(recomendado|+)=100/1000=0.10 O P(recomendado|-)=1/500=0.002 O P(malo | -)=150/500 = 0.3 O Ejemplo si l tweet es “Hey ayer fui a XX, altamente recomendado!” O Aplicando Bayes podemos determinar que el tweet es positivo.
- 26. El Lado Oscuro de Big Data
- 27. Conclusión