Emilio sedano



Big Data

1. Buscar 3 noticias actuales .

1.-Noticias

El 27 de noviembre de 2014 por Redacción Silicon Week 0

En la actualidad, aunque el almacenamiento de datos sigue siendo algo necesario, ya no es suficiente por sí solo. Cuando los datos respaldan procesos de negocio cruciales deben ser precisos, fiables y certificados y una copia siempre será mejor que dos. Esto se consigue proporcionando varias aplicaciones de análisis para una de las copias de datos, y no al revés.

Por otro lado, para optimizar completamente los procesos de negocio, es necesario integrar los datos para apoyar los análisis multifuncionales, sin importar las fronteras funcionales, organizativas y geográficas.

Desde Teradata explican que estos cambios han contribuido a la evolución desde lo que se podría denominar como arquitectura “monolítica” a un Data Warehouse más distribuido, que, en el caso de esta compañía especializada en el análisis de datos, denominan Unified Data Architecture.

Independientemente de cómo se llame a esta evolución, el futuro de las empresas de Analytical Architecture para por usar e integrar múltiples plataformas de análisis, cada una de ellas optimizada para conseguir diferentes combinaciones de los 5 retos de Big Data, que están variando la Arquitectura Analítica Empresarial. Los cinco retos son estos:

1. El reto de los datos multi-estructurados. Es preciso ser capaz de gestionar de forma relacional los datos multi-estructurados y combinar enfoques “schema on-load” y “schema on-read”, lo que hace que las estrategias de gestión de la información que “sirven para todo” sean cada vez menos rentables.

2. El desafío de las analíticas interactivas. No hay soluciones milagrosas para Big Data Analytics, como demuestra el aumento de nuevos modelos generalistas de programación paralela como MapReduce y Bulk Synchronous Parallel (BSP) para usos intensivos de CPU.

3. La pasta, siempre, la pasta. Uno de los grandes retos de la industria está dirigido a minimizar los costes de almacenaje. Y es que, como nos recuerdan desde Terada, el coste unitario de almacenaje es igual al coste unitario de procesamiento, que a su vez es igual al coste total de propiedad.

4. La aguja en el pajar. El símil es muy gráfico: puede haber una aguja en un pajar, pero si se necesitan 12 meses y 500.000€ para averiguarlo no hay tiempo ni dinero para investigarlo. Ya no tiene sentido llevar a cabo una búsqueda de “Exploración & Descubrimiento” de la misma forma que se hace con el BI tradicional.

5. Ir más allá para ofrecer verdadero valor de negocio. el objetivo de un proyecto Big Data no es aumentar los conocimientos empresariales, sino cambiar la forma en la que se hacen los negocios compartiendo esos conocimientos con todos los estamentos de la empresa y cambiando los procesos de negocio.

RESUMEN

La empresa Teradata explica 5 cambios de Big Data

El reto de los datos multi-estructurados

El desafio de las analiticas interactivas

Uno de los grandes retos de la industria está dirigido a minimizar los costes de almacenaje.

Puede haber una aguja en un pajar, pero si se necesitan 12 meses y 500.000€ para averiguarlo no hay tiempo ni dinero para investigarlo. Ya no tiene sentido llevar a cabo una búsqueda de “Exploración & Descubrimiento” de la misma forma que se hace con el BI tradicional.

El objetivo de un proyecto Big Data no es aumentar los conocimientos empresariales, sino cambiar la forma en la que se hacen los negocios compartiendo esos conocimientos con todos los estamentos de la empresa y cambiando los procesos de negocio.

En savoir plus sur



2 Noticia

La inversión en estrategias de ‘big data’, una prioridad en el sector sanitario

Big Data

25 noviembre, 2014

En la próxima década el progreso de nuevas tecnologías basadas en laanalítica, la seguridad o el modelo cloud tendrá un gran impacto en los procesos internos de las organizaciones de salud. Igual que otros sectores que se enfrentan con los desafíos de adaptarse a los nuevos cambios provocados por la explosión digital, el sistema de asistencia sanitaria seguirá la misma ruta.

La consultora IDC analiza las principales tendencias que transformarán las actividades en los hospitales y demás instituciones de salud, y advierte a los responsables de la necesidad de situar las inversiones en TI entre sus prioridades para apoyar el proceso de integración tecnológica. En general, la firma de análisis constata que el big data jugará un papel crucial en la organización interna del sistema sanitario. Los costes no pararán de crecer, lo que influirá directamente en la calidad de las operaciones en el 25% de los hospitales. Para el año 2016, se estima que la solución a la ineficiencia operativa obligará a las organizaciones de salud a invertir una parte de sus presupuestos en una estrategia digital basada en los datos.  

Entre los principales costes, los relacionados con la gestión de los pacientes con enfermedades crónicas crearán una mayor demanda de sistemas inteligentes de macrodatos y capacidad analítica para apoyar las iniciativas de gestión de la salud de la población. En consecuencia, el 70% de las instituciones sanitarias globales invertirán en aplicaciones móviles, wearableso sistemas de monitorización remota de la salud. ¿Cómo se gestionará toda la cantidad de datos enviados por los diversos sistemas informáticos? Según la consultora, hasta el 2020 el 80% de los datos de asistencia sanitaria se recogerá y analizará a través del cloud, facilitando el proceso de toma de decisiones de todos los participantes del sector de salud.



3 Noticia

‘Big data’ a la velocidad de la luz

Tras pulsar una contraseña, pasar una tarjeta, tocar un lector de huellas dactilares y mirar por un escáner de retina se accede a una sala aislada en la que grandes ordenadores, de algo más de dos metros de altura, se alinean en los pasillos, entre el permanente zumbido del aire acondicionado. Jeff Brown, consejero delegado de Cobalt Data Centers, la empresa que alberga la sala, señala hacia varios tubos que salen de las máquinas y se meten en el falso techo. "Chimeneas. Permiten disipar el calor y gastar menos en refrigeración. Para nosotros es una novedad", afirma. Tras recorrer la instalación con la mirada, comenta orgulloso: "Aquí está la nube".

La nube, ese (aún impreciso) concepto de un megaordenador formado por millones de dispositivos interconectados y accesibles por cualquiera en todo el mundo, no está en este centro de datos, situado en un anodino polígono industrial a las afueras de Las Vegas (EE UU). No toda, al menos. Pero el mecanismo que piensa revolucionar la economía digital —lo que en el siglo XXI quiere decir prácticamente toda la economía— está situado en edificios como este, interconectados por vastas (y costosas) redes de fibra óptica de alta capacidad.

Según un estudio de la consultora IDC, en 2013 había instalados en todo el mundo alrededor de 35 millones de servidores, cuyo coste de mantenimiento se acerca a los 250.000 millones de dólares (200.000 millones de euros). Otro estudio de la misma empresa calcula que en 2013 se invirtieron 47.000 millones de dólares en crear estructuras —incluido software— de nube pública, inversiones que llegarán a 107.000 millones en 2017. "Este sector está al rojo vivo", apunta Brown. "Hacemos lo que podemos para seguir el ritmo de crecimiento. Terminamos nuestro centro de datos en enero de 2013 y ya estamos en plenas obras de ampliación".



2.- Buscar 3 casos de usos de éxito relacionadios con Big Data.

Big Data, tres casos de éxito: T- Mobile, Unilever y MoneyBall



Como hemos comentado en anteriores ocasiones, el Big Data es ya hoy en día una gran oportunidad en el ámbito del marketing. Los profesionales del campo deben entender bien su funcionamiento y las ventajas que presenta a la hora de diseñar y ejecutar campañas de marketing.

En esta nueva entrega de nuestro especial os presentamos tres casos de éxito que muestran cómo aplicando estrategias y técnicas del Big Data podemos conseguir alcanzar nuestros objetivos (T-Mobile), importantes ventajas competitivas frente a nuestros rivales (Moneyball) o conocer con mayor precisión el comportamiento y las necesidades de nuestros consumidores (Unilever).

1 Cómo el Big Data ayudó a T-Mobile a reducir a la mitad el número de portabilidades

T-mobile consiguió reducir a la mitad el número de portabilidades (de 100.000 el primer trimestre de 2011 a 50.000 en el segundo trimestre) gracias a la aplicación de técnicas sobre Big Data. Las operadoras de telefonía móvil e Internet tienen un número impresionante de datos sobre sus clientes: la cantidad de llamadas que realizan, las horas en las que tienen lugar, sus números favoritos, el número de llamadas que se cortan por problemas de cobertura y un larguísimo etcéterca.



Con todos estos datos en la mano y analizando las interacciones de sus clientes en medios sociales, en T-Mobilese propusieron rebajar sustancialmente el número de portabilidades hacia otros competidores en Estados Unidos. Para ello la empresa utilizó tres herramientas básicas: sus propios sistemas de cobro (billing systems), herramientas de monitorización social, además de Splunk y Tableau Software para analizar la información y presentarla de una forma visual.

Combinando toda esta información en T-Mobile descubrieron que las expectativas de portabilidades pueden determinarse a través del análisis de tres factores:

Facturas

Llamadas que se cortan debido a mala cobertura

Conversaciones de los clientes: positivas, negativas o neutrales

Todos estos factores fueron asociados a la influencia o reputación en medios sociales de cada uno de sus clientes, partiendo de la hipótesis de que clientes con un gran número de seguidores o influencia podrán tener un efecto positivo o negativo (según las circunstancias) en otros potenciales clientes de la marca.

La combinación de todos los aspectos mencionados anteriormente llevó a T-Mobile a calcular para cada cliente un ‘Customer Lifetime Value‘, un valor monetario individual según las expectativas de negocio y permanencia. Esta información era transmitida en tiempo real a cada agente de la compañía para presentar a los clientes ofertas personalizadas en función de su valor personal.

De esta forma la empresa pasó de casi 100.000 portabilidades en el primer trimestre de 2011 pasaron a tan sólo 50.000 en el segundo trimestre, una reducción del 50% gracias a un buen aprovechamiento del Big Data y de todos los datos e información que la operadora tiene de sus clientes.

2

3 Unilever: del las conversaciones en redes sociales al comportamiento real del los consumidores

Durante el Mobile World Congress de Barcelona, el CMO de Unilever Keith Weed, afirmó que a la hora de integrar el Big Data en las tomas de decisiones de la empresa “la medición de datos y comportamientos es clave para afrontar el proceso”.

Hace unos meses Unilever se planteó el reto de conocer si las conversaciones de los potenciales consumidores en medios sociales difieren mucho de su comportamiento real de compra. Para ello se aprovecharon de software proporcionado por Compete (para medir el ROI), Cymfony (‘social media listening’) y de su propia herramienta de analítica, CybrTrack90, que realiza dos funciones principales: seguir las menciones de sus marcas (o a las categorías de productos en los casos en los que la marca no fuese mencionada expresamente) en medios sociales y también analizar el comportamiento de los usuarios en las búsquedas que éstos realizan en internet.

[pic]

Lo que los directivos de marketing de Unilever descubrieron es que existen tres actividades diferentes en el proceso de compra: conversaciones, soluciones y compras. Las conversaciones sobre las diversas marcas de comida de Unilever tenían lugar fuera de los comercios y espacios de compra, por lo que la empresa debería encontrar una forma de acercarse a ellos en esos momentos.

Otra conclusión a la que llegaron en la compañía fue que las decisiones de compra de los consumidores están influenciadas por una serie de factores que van más allá del precio o la comunicación, como por ejemplo factores relacionados con la salud, el bienestar o la preparación de las comidas. Por ello desde la empresa se plantearon atacar también estos momentos, con el objetivo de facilitar el consumo a los potenciales compradores y que éstos tuviesen una experiencia más simple y satisfactoria con los alimentos de la marca.

En definitiva, con la combinación de tres herramientas como CybrTrack90, Compete y Cymfony, Unilever fue capaz de comprobar que lo que los consumidores dicen en entornos online difiere, en ocasiones, de la vida real. Y que acercarse a sus consumidores más fieles para simplificar la compra y el consumo pueden ser claves en el futuro de la marca y en el bienestar de sus clientes.

Unilever combinó los resultados provenientes del sistema de ‘social media listening‘ y los datos de clicks en sus diferentes páginas web asociadas para entender el comportamiento de sus potenciales consumidores y adaptar su oferta y comunicación a dichos hábitos en tiempo real, definiendo estrategias diferentes en sus canales según el día y momento de la semana para que los consumidores encontrasen aquello que se ajusta a sus necesidades.

4 Moneyball: el Big Data aplicado al baseball

Las decisiones en el mundo de los deportes siempre han estado basadas en dos tipos de factores: personales/subjetivos y monetarios. Sin embargo Billy Beane, general manager de los Oakland Athletics de la Major League Baseball estadounidense, decidió poner fin a estas limitaciones.



Billy Beane utilizó una serie de métodos estadísticos propios de los mercados financieros para determinar la valía de sus jugadores y de otros potenciales. El general manager llegó a la conclusión de que en el mundo del baseball se prestaba demasiada atención a una serie de estadísticas y se dejaba de lado otras muchas que tenían un gran valor intrínseco a la hora de seleccionar jugadores, como por ejemplo los porcentajes ‘on-base‘ o ‘slugging‘.

Esta aplicación poco convencional del Big Data en el mundo de los deportes llevó a Billy Beane a sentar cátedra entre sus compatriotas, a crear una nueva escuela de pensamiento en el mundo del deporte y convirtió a Moneyball en un éxito de masas con su adaptación en el cine. Pero los éxitos no se quedaron aquí, ya que el extrovertido directivo de los Oakland A’s llevó a su equipo a competir con otros como los New York Yankees con un presupuesto mucho más ajustado: $45 millones de dólares frente a $125 millones. Una utilización efectiva del Big Data que muestra que con recursos limitados también pueden obtenerse grandes resultados.

Como hemos podido ver con estos tres ejemplos, el Big Data es aplicable en muchos ámbitos relacionados con el marketing, desde el sector de las telecomunicaciones al de la comida, pasando por el deporte profesional. Un análisis exhaustivo de los datos y una adaptación ágil y rápida de la estrategia de comunicación y marketing de las empresas puede ofrecer unos excelentes resultados. ¿Conocéis otros claros casos de éxito en la aplicación del Big Data?

En BlogginZenith | Especial Big Data

................
................

In order to avoid copyright disputes, this page is only a partial summary.

Google Online Preview   Download