Big Data ha estado en desarrollo durante al menos 20 años, pero solo recientemente se ha vuelto popular. El documento describe la historia y definiciones de Big Data, así como ejemplos de su uso en las industrias minorista y agrícola. Finalmente, señala que aunque la tecnología está disponible, los recursos humanos con habilidades de análisis de datos son fundamentales para extraer valor de grandes volúmenes y variedades de datos.

1. #GX24
¿Qué hay de nuevo atrás de Big Data?
•
Alvaro Pardo
•
@AlvaroPardoUy
•
apardo@ucu.edu.uy

2. #GX24
•
Co-Fundador de dSense Technologies
•
Decano de la Facultad de Ingeniería y Tecnologías de la Universidad Católica del Uruguay
Presentación

3. #GX24
•
Historia de Big Data
•
Proyectos Big Data
•
Big Data en Retail
•
Big Data en Agro
Agenda

4. Historia de Big Data

6. Big Data: Definiciones
•
Gartner: Big data is high-volume, high-velocity and high-variety information assets that demand cost- effective, innovative forms of information processing for enhanced insight and decision making.
•
Grandes volúmenes de información, típicamente heterogéneos y complejos que deben ser procesados para extraer valor.

7. Big Data: 1990 - 2013
1997

8. Big Data: 1990 - 2013
2001

9. Big Data: 1990 - 2013
2004

10. Big Data: 1990 - 2013
2006

11. Big Data: 1990 - 2013
2012

12. Big Data: 1990 - 2013
2012
2006
2004
2001
1997
En 2011–2012 se rompe la tendencia exponencial con la que venía creciendo el número de publicaciones. Big Data se hace popular.

13. Tendencias de búsqueda en Google
2012

14. ¿Big Data está creciendo?
El crecimiento de Big Data es similar a otras áreas cercanas.

15. ¿Big Data está creciendo?
Recién en 2011-2012 Big Data comienza a crecer por encima de otras áreas cercanas.

16. Reflexiones…
•
Big Data es el resultado de:
–
(al menos) 20 años de desarrollo tecnológico
–
muchísimos años de investigación y desarrollo en: estadística, pattern recognition, data mining, machine learning, etc.
•
(-) Big Data es un nombre “marketinero” para cosas conocidas por la academia y la industria.
•
(+) Lo nuevo de Big Data: combinación de grandes volúmenes de datos heterogéneos para extraer valor.

17. Reflexione: (3V + 1V)
•
VOLUMEN no es todo…
•
VELOCIDAD acorde al negocio…
•
VARIEDAD sobre todas las cosas…
•
VALOR el objetivo…

18. Proyectos Big Data

19. Pasos
Adquisición
•Captura
•Almacenamiento
Pre-procesamiento
•Limpieza
•Acondicionamiento
•Extracción
Integración
•Agregación
•Representación
Análisis
•Modelado
Interpretación
•Evaluación

20. Tecnología vs RRHH
Volumen
Tecnología
RRHH
Velocidad
RRHH Algoritmos
Tecnología
Variedad
RRHH “Curadores”
Tecnología

21. RRHH
Tecnología
BBDD
Sistemas
Integración
Metodología
Modelado
Análisis de Datos
Algoritmos

22. Resumen
•
Tecnología disponible
•
RRHH un desafío (dominio específico)
–
Buscar fuera de TI…

23. Big Data en Retail

24. Retail
•
Negocio con tradición de uso de los datos para extraer valor.
•
¿Volumen?
•
¿Velocidad?
•
¿Variedad?
OK
OK
¿?

25. Retail: Variedad
•
Redes Sociales (estados de ánimo, otros eventos,…)
•
Dispositivos
•
Clima
•
Conteo de personas (video)
•
Reconocimiento de género y edad a partir de imágenes (video)
•
Seguimiento a partir de cámaras (video)
•
Identificación de “hot spots”
•
Marketing de proximidad (¿beacons?)
•
etc.
DATOS NO ESTRUCTURADOS

26. Conteo de Personas (video)

27. Big Data en Agro

28. Agricultura: Datos
+ Imágenes Satelitales (series históricas)
+ Clima (series históricas)
+ Suelos
+ Datos de Cultivos
+ Recorridas a Campo Georeferenciadas
+ Monitores de Rendimiento (cosecha: rendimiento, humedad, elevación, temperatura,…)
+ etc.
Variedad – Volumen – Velocidad

29. Ambientaciones
•
Identificación automática de heterogeneidad ambiental
•
Imágenes Satélite 1985-2012
•
Modelo de Elevación
•
Carta de Suelos
•
Monitores Rendimiento (futuro)

30. Ambientaciones: Proceso
Adquisición
•Imágenes Satélite
•Monitores Rend.
Pre-procesamiento
•Selección Imágenes
•Extracción de bandas de interés
Integración
•Agregación
•Representación de información
Análisis
•Identificación de ambientes
Interpretación
•Evaluación Agronómica

31. Agricultura
Estimación de Rendimiento: Identificación automática de puntos de muestreo.
Procesamiento Monitores Rendimiento

32. Resumen Final
•
Volumen no lo es todo… depende de la aplicación
•
Velocidad también depende de la aplicación
•
Variedad es el mayor desafío (novedad)
•
Tecnología disponible
•
RRHH factor clave (análisis de datos)

33. Alvaro Pardo – apardo@ucu.edu.uy - @AlvaroPardoUy