Las personas tendemos a dar, voluntariamente o involuntariamente, gran parte de nuestra información personal relacionada con nuestras vidas. Por ejemplo, el lugar en el que vivimos, con la gente que nos relacionamos, qué productos consumimos, si padecemos algún tipo de enfermedad o problema, y un largo etcétera de datos y más datos, que puede que en solitario tengan muy poco significado, pero en conjunto ofrecen una enorme cantidad de información de cualquier persona. Es esencial entender que todos tenemos una identidad digital relacionada con los datos que se han generado en torno a ella, y que tal información es algo que se debe proteger. (Ana Gómez. 2018)
Big Data
Big Data es el conjunto de datos o combinaciones de conjuntos de información cuyo tamaño, complejidad y velocidad de crecimiento dificultan su recopilación, gestión, procesamiento o análisis mediante las tecnologías y las herramientas convencionales como bases de datos relacionales, estadísticas convencionales o paquetes de visualización, dentro del tiempo necesario para que sean útiles.
El Big Data siempre se ha definido como esa recopilación de enormes cantidades de datos e información. Pero lo que realmente importan no es la cantidad de datos recopilados, sino lo que hacen las empresas y organizaciones con toda esa información. Se recopilan y se analizan para obtener ideas que conduzcan a mejorar las futuras decisiones y próximos movimientos, es de lo más útil para las empresas. (PowerData, s.f)
EL Big Data actualmente está relacionado con absolutamente todo, tiene millones de aplicaciones en todo tipo de ámbitos y está presente día a día en cada momento, aunque no seamos conscientes de ello.
Data Science
Data Science es la ciencia que se centra en el estudio de los datos. Se encarga de extraer y recopilar información de grandes cantidades de datos. Combina la estadística, las matemáticas y la informática para interpretar datos. El objetivo es tomar decisiones, o ayudar a tomarlas. Son las empresas las que quieren conocer a sus clientes, es por eso que recoge la información de encuestas, de las redes sociales, o de los teléfonos móviles, entre otros. Generan datos imprescindibles para que las empresas pueden anticiparse a la hora de tomar decisiones. De ahí surge la necesidad de contar con científicos de datos en sus equipos.
Hay una serie de conceptos básicos que forman esta ciencia de datos:
- DATA MINING: (o minería de datos). Es el conjunto de técnicas y tecnologías que permiten explorar grandes bases de datos, de una manera automática o semiautomática, con el único objetivo de encontrar patrones repetitivos, tendencias o reglas que expliquen el comportamiento de los datos en un determinado contexto. Es decir, nos ayuda a comprender el contenido de una cantidad de datos. Puede determinar los objetivos, procesar los datos, determinar, analizar los resultados, etc. Además es un ahorro de grandes cantidades de gastos para una empresa y no hay duda de que trabajar con esta tecnología implica cuidar un sinnúmero de detalles debido a que el producto final involucra «toma de decisiones». (Sinnexus, s.f)
- DEEP LEARNING: (o aprendizaje profundo). El objetivo de esta tecnología es la resolución de problemas a través de las redes neuronales que imitan el comportamiento del cerebro humano. Estas redes se estructuran en 3 capas. En la primera capa se capta la información. Esta información se transforma en datos y estos datos pasan a la segunda capa, donde se encargará de realizar cálculos. Y por último, la información recopilada se proyecta en la tercera y última de las capas. Algunas de las aplicaciones más usadas en Deep Learning son, por ejemplo, el procesamiento de textos y el reconocimiento de imagen, objetos y voz. (Neoland, 2019)
- INTELIGENCIA ARTIFICIAL (IA): Es una de las mayores revoluciones en el ámbito de la tecnología, y la que quizás provoque mayor pánico en la sociedad. Hace unos años abandonó la ciencia ficción para colarse en nuestras vidas y, aunque todavía está en una fase muy inicial, está condenada a protagonizar una revolución. Se basa en algoritmos utilizados para la creación de máquinas que imitan el comportamiento humano y sus capacidades. Están los sistemas que piensan como humanos, sistemas que actúan como humanos, sistemas que piensan racionalmente y sistemas que actúan racionalmente. Hoy en día, la inteligencia artificial se aplica en el reconocimiento facial de nuestros dispositivos móviles o en la creación de chatbots como Siri, Alexa o Cortana, entre otros. Los avances en IA ya están acompañándose del uso del Big Data, debido a su habilidad para procesar grandes cantidades de datos y proporcionar ventajas comunicacionales, comerciales y empresariales que la han llevado a posicionarse como la tecnología esencial de las próximas décadas. Es una tecnología que todavía nos resulta lejana y muy misteriosa, pero que desde hace unos años está presente en nuestro día a día, a todas horas. (Iberdrola, s.f)
- MACHINE LEARNING: (o aprendizaje automático). Es inevitable hablar de machine learning sin mencionar la inteligencia artificial, y es que hace referencia a la capacidad de un software de aprender mediante la adaptación de ciertos algoritmos de su programación respecto a cierta entrada de datos en su sistema. Es una disciplina informática de la tecnología, que permite hacer automáticas una serie de operaciones con el fin de reducir la necesidad de que intervengan los seres humanos. Es decir, el software o la máquina no aprenden por sí mismas, sino que un algoritmo en su programación, que se modifica con la constante entrada de datos en la interfaz, puede, de ese modo, predecir escenarios futuros o tomar acciones de manera automática según ciertas condiciones. Como estas acciones se realizan de manera autónoma por el sistema, se dice que el aprendizaje es automático. (Redacción APD, 2019)
– ¿Data Science y Big Data es lo mismo? ¿En qué se parecen? ¿Qué les relacionan?
Si hablamos de Big Data, estamos hablando del almacenamiento de enormes cantidades de conjuntos de datos, y que como hemos dicho anteriormente, esto dificulta la gestión y la recopilación de información de éstos a través de herramientas. En cambio, Data Science se centra en esas herramientas que hacen capaces la transformación de los datos para convertirlos en información de valor.
– Puestos de trabajo en los que se necesita una formación especializada en Data Science
- DATA SCIENTIST: (o científico de datos). Se especializa en la construcción de algoritmos que faciliten la extracción y organización de la información. Habitualmente, el Data Scientist tiene conocimientos matemáticos, estadísticos y de programación. Es la clara evolución y modernización de lo que hasta ahora se conocía como analista de datos, pero a diferencia de éste que sólo se dedicaba a analizar fuentes de datos de una única fuente, el Data Scientist debe explorar y analizar datos de miles y múltiples fuentes, a menudo inmensas (Big Data), y que pueden tener formatos muy diferentes. (Neoland, 2019)
- DATA ENGINEER: (o ingeniero de datos). El data scientist construye modelos usando herramientas matemáticas, pero antes de construir esos modelos, hay que preparar los datos para explotarlos. ¿Y quién se encarga de esto? Efectivamente, el data engineer, que es el que debe asegurarse de disponer de un entorno adecuado para el flujo de datos. Debe ser capaz de diseñar y construir los repositorios de datos en bruto y definir cómo se recogen y transforman esos datos para conseguir que estén listos para analizarse. Por ello, aunque parezca que no existen, y que no se habla tanto de ellos, los ingenieros de datos son un componente fundamental y vital en cualquier proceso de Data Science. (Paloma, 2019)
- DATA ANALYTICS: (o analítico de datos). Es la ciencia de examinar datos en bruto con el propósito de sacar conclusiones sobre su información. Se trata de un conjunto de profesionales que recopilan, procesan y gestionan datos relevantes para la empresa, estando encargados de su análisis estadístico, con el objetivo de transformarlos en información que ayude en la toma de decisiones a la empresa. Los analíticos comparten algunas similitudes con los científicos de datos, como podría ser el conocimiento de cómo los datos pueden ser usados, pero los Data Analyst no tienen un perfil tan avanzado y tampoco se les requiere para la creación de algoritmos, por ejemplo. La utilidad del Big Data Analytics es muy clara, pues permite ayudar en la toma de decisiones estratégicas, así como validar o refutar teorías y modelos establecidos. (iwantic, 2017)
Business Intelligence (BI)
BUSINESS INTELLIGENCE: EL CONCEPTO QUE REVOLUCIONA EL MERCADO (20/03/2019) Recuperado el 25 de enero de 2020, de https://www.treelogic.com/es/Business_Intelligence.html
La inteligencia de negocio, o inteligencia empresarial, no es más que un término que engloba muchas de algunas disciplinas y tendencias anteriores. Es un conjunto de consecuencias que el uso de estas disciplinas tienen sobre la sociedad actual y los desafíos que plantean. BI es la habilidad para transformar los datos en información, y la información en conocimiento, de forma que se pueda optimizar el proceso de toma de decisiones en los negocios. Por tanto, desde un punto de vista más pragmático, y asociándolo directamente con las tecnologías de la información, podemos definir Business Intelligence como el conjunto de metodologías, aplicaciones y tecnologías que permiten reunir, depurar y transformar datos de los sistemas transaccionales (compuestos por información desestrucutrada interna y externa a la compañía) en información estructurada, para su explotación directa o para su análisis y conversión en conocimiento, dando así soporte a la toma de decisiones sobre el negocio.
Es un factor estratégico para una empresa, generando una potencial ventaja competitiva, que no es otra que proporcionar información privilegiada para responder a los problemas de negocio: entrada a nuevos mercados, promociones u ofertas de productos, optimización de costes, planificación de la producción, análisis de perfiles de clientes, rentabilidad de un producto concreto, etc… (Sinnexus, s.f.)
Reflexión y conclusión
Si es cierto que, antes de realizar esta entrada, mi opinión era bastante diferente. Apenas sabía la mitad de aplicaciones en la sociedad y ventajas e inconvenientes que puede conllevar la tecnología y sus enormes avances. Tras haber buscado información al respecto y tras haberme sumergido en un mundo tan complejo, mi opinión ha adquirido mayor fuerza y argumentos. Qué duda cabe de que las tecnologías nos facilitan la vida y el trabajo, y que cubren la mayoría de las necesidades del ser humano.
Por lo menos habremos escuchado una vez la frase «las tecnologías nos roban el trabajo», pero ¿apenas se han molestado en informarse? Cada una de las miles de tendencias y disciplinas dentro del ámbito informático necesitan una enorme cantidad de personal trabajando en ellas. Profesionales formados y especializados en tecnología, cuyo único objetivo es hacerle la vida más fácil a las personas y empresas. Por tanto, hablamos de un falso mito.
Gracias a su implementación en la sociedad, nuestro nivel de vida ha mejorado, las necesidades se cubren con mayor facilidad. Y no sólo las personales, sino que de manera general, todas las industrias se ven beneficiadas por ella, (ya sea la medicina, el turismo, la educación, el entretenimiento, …). Además las empresas y organizaciones han crecido notablemente y se han hecho más eficientes, ayudando a la creación de nuevas oportunidades de empleo. La aplicación de la tecnología ha abierto otro mundo, ha impulsado la investigación en campos que van desde la genética hasta el espacio extraterrestre. En la vida de la sociedad actual, la sociedad moderna, la tecnología es algo indispensable. De hecho, la mayor parte de los esfuerzos centrados en la creación de nuevas tecnologías, es para que cubran las necesidades de la sociedad y consigan así aumentar el nivel de bienestar.
Pero, «El uso de la tecnología es inconmensurable y seguirá cambiando, basándose en las demandas de la gente y del mercado. Cómo la utilizamos determina si es bueno o malo, útil o perjudicial. La tecnología en sí es neutral, pero somos nosotros los que la hacemos buena o mala, con base en el uso que le damos.» (Importancia, 2016)
Webgrafía y referencias
- Santiago.romero.ortega, S. R. O. (2018, 16 mayo). La ‘sociedad de los datos’ es la protagonista del Día Mundial de Internet. Recuperado 25 enero, 2020, de https://www.bbva.com/es/sociedad-datos-protagonista-dia-mundial-internet/
- Grupo PowerData. (s.f.). Big Data: ¿En qué consiste? Su importancia, desafíos y gobernabilidad. Recuperado 19 enero, 2020, de https://www.powerdata.es/big-data
- NEOLAND. (s.f.). ¿Qué es Data Science? Recuperado 25 enero, 2020, de https://www.neoland.es/blog/que-es-data-science
- Datamining (Minería de datos). (s.f.). Recuperado 25 enero, 2020, de https://www.sinnexus.com/business_intelligence/datamining.aspx
- García Moreno, Carlos (2016, 22 noviembre). ¿Qué es el Deep Learning y para qué sirve? Recuperado 25 enero, 2020, de https://www.indracompany.com/es/blogneo/deep-learning-sirve
- Redacción APD. (2019, 1 marzo). Qué es Machine Learning, cómo funciona y a qué se aplica. Recuperado 25 enero, 2020, de https://www.apd.es/que-es-machine-learning/
- ¿Somos conscientes de los retos y principales aplicaciones de la Inteligencia Artificial? (2018, 21 diciembre). Recuperado 25 enero, 2020, de https://www.iberdrola.com/innovacion/que-es-inteligencia-artificial
- Iwantic. (2018, 24 mayo). Qué es un Data Analyst – Iwantic. Recuperado 25 enero, 2020, de https://iwantic.com/que-es-un-data-analyst/
- ¿Qué es Business Intelligence? (s.f.). Recuperado 25 enero, 2020, de https://www.sinnexus.com/business_intelligence/
UN BLOG PARA TECHIES 