Que significa big data
Big Data es un proyecto estadounidense de música electrónica creado por el productor Alan Wilkis. Big Data es más conocido por su sencillo “Dangerous”, con la participación de Joywave, que alcanzó el número uno en la lista Billboard Alternative Songs en agosto de 2014,[3] y fue certificado como disco de oro por la RIAA en mayo de 2015.[4]
El primer EP de Big Data, 1.0, se publicó el 1 de octubre de 2013 en el propio sello de Wilkis, Wilcassettes, y contiene las canciones “The Stroke of Return”, “Dangerous”, “Big Dater” y “Bombs over Brooklyn”. [5][6] A principios de diciembre de 2013, también lanzaron un EP de remezclas, 1.5, que incluía ocho remezclas de la canción “Dangerous”,[7] incluyendo una de Joywave.[8] Otro EP de remezclas, 1.6, fue lanzado a finales de septiembre de 2014, e incluía siete remezclas de “Dangerous”.[9]
Apache hive
Los modelos de madurez de big data (BDMM) son los artefactos utilizados para medir la madurez de big data[1]. Estos modelos ayudan a las organizaciones a crear una estructura en torno a sus capacidades de big data y a identificar por dónde empezar[2]. Proporcionan herramientas que ayudan a las organizaciones a definir objetivos en torno a su programa de big data y a comunicar su visión de big data a toda la organización. Los BDMM también proporcionan una metodología para medir y supervisar el estado de la capacidad de big data de una empresa, el esfuerzo necesario para completar su etapa actual o fase de madurez y para progresar a la siguiente etapa. Además, los BDMM miden y gestionan la velocidad tanto del progreso como de la adopción de los programas de big data en la organización[1].
Las áreas clave de la organización se refieren a “personas, procesos y tecnología” y los subcomponentes incluyen[3] alineación, arquitectura, datos, gobierno de los datos, entrega, desarrollo, medición, gobierno del programa, alcance, habilidades, patrocinio, modelado estadístico, tecnología, valor y visualización.
Analítica
Big Data se refiere básicamente a las enormes cantidades de datos, tanto organizados como no organizados, que las empresas generan en su día a día. En este contexto, el volumen de datos no es tan relevante como lo que las organizaciones hacen con los datos. El análisis de los Big Data puede conducir a conocimientos que mejoren la toma de decisiones empresariales estratégicas.
Como se ha mencionado anteriormente, el valor de los Big Data no depende de la cantidad de información que se tenga, sino de lo que se haga con ella. Se pueden recoger datos de cualquier punto y examinarlos para encontrar soluciones que permitan las cuatro cosas siguientes:
La industria del automóvil: El moderno modelo híbrido Fusion de Ford produce hasta 25 GB de datos por hora. Estos datos pueden utilizarse para interpretar los hábitos y patrones de conducción con el fin de prevenir accidentes, desviar colisiones, etc.
1. Estructurados: Los datos que pueden ser almacenados, abordados y refinados en forma de un formato de datos fijo se denominan datos estructurados. Con el tiempo, la informática ha sido capaz de desarrollar métodos para trabajar con este tipo de datos y obtener valor de ellos. Sin embargo, hoy en día se prevén problemas relacionados con el enorme volumen de estos datos, que se está convirtiendo en zettabytes (mil millones de terabytes equivalen a 1 zettabyte).
Ejemplos de big data
Los autores escriben que los big data son mucho más poderosos que los análisis del pasado. Los directivos pueden medir y, por tanto, gestionar con más precisión que nunca. Pueden hacer mejores predicciones y tomar decisiones más inteligentes. Pueden dirigir intervenciones más eficaces en áreas que hasta ahora han estado dominadas por el instinto y la intuición en lugar de por los datos y el rigor. Las diferencias entre el big data y la analítica son una cuestión de volumen, velocidad y variedad: Ahora cruzan por Internet más datos cada segundo que los que se almacenaban en todo Internet hace 20 años. La información casi en tiempo real permite a una empresa ser mucho más ágil que sus competidores. Y esa información puede proceder de redes sociales, imágenes, sensores, la web u otras fuentes no estructuradas.
Sin embargo, los retos de gestión son muy reales. Los responsables de la toma de decisiones de alto nivel tienen que aprender a hacer las preguntas correctas y adoptar una toma de decisiones basada en pruebas. Las organizaciones deben contratar a científicos que puedan encontrar patrones en conjuntos de datos muy grandes y traducirlos en información empresarial útil. Los departamentos de TI tienen que trabajar duro para in