Archivo
¿Qué es la Industria 4.0: el Internet industrial de las cosas (IIoT)?
La Industria 4.0 se refiere a una nueva fase en la Revolución Industrial que se centra principalmente en la interconectividad, la automatización, el aprendizaje automático y los datos en tiempo real. Industry 4.0, que abarca IIoT y la fabricación inteligente, combina la producción física y las operaciones con tecnología digital inteligente, aprendizaje automático y Big Data para crear un ecosistema más holístico y mejor conectado para empresas que se centran en la fabricación y la gestión de la cadena de suministro. Si bien cada empresa y organización que opera en la actualidad es diferente, todas enfrentan un desafío común: la necesidad de conexión y acceso a la información en tiempo real a través de procesos, socios, productos y personas.
Ahí es donde entra en juego la Industria 4.0.
La Industria 4.0 no se trata solo de invertir en nuevas tecnologías y herramientas para mejorar la eficiencia de fabricación, sino de revolucionar la forma en que opera y crece su negocio completo. Este recurso le proporcionará una visión general detallada sobre el tema de la Industria 4.0 y el IIoT, incluida la información sobre lo siguiente:
- La evolución de la industria de 1.0 a 4.0
- Conceptos básicos de IIoT y glosario de términos
- Casos de uso de fabricación inteligente
- ¿Para quién es la Industria 4.0?
- Beneficios de adoptar un modelo de Industria 4.0
- Desafíos a considerar y superar
- Cómo Epicor puede ayudar a su negocio
El mundo de la fabricación está cambiando. Para sobrevivir y prosperar ahora, debe estar dispuesto a invertir en la Industria 4.0. Este recurso le ayudará a comenzar.
Evolución de la industria de 1.0 a 4.0
Antes de profundizar demasiado en el qué, por qué y cómo de la Industria 4.0, es beneficioso comprender primero cómo ha evolucionado exactamente la fabricación desde el siglo XIX. Hay cuatro revoluciones industriales distintas que el mundo ha experimentado o continúa experimentando hoy.
La primera revolución industrial
La primera revolución industrial ocurrió entre finales de 1700 y principios de 1800. Durante este período de tiempo, la fabricación evolucionó de centrarse en el trabajo manual realizado por personas y ayudado por animales de trabajo a una forma más optimizada de trabajo realizada por personas mediante el uso de motores de agua y vapor y otros tipos de máquinas herramientas.
La segunda revolución industrial
A principios del siglo XX, el mundo entró en una segunda revolución industrial con la introducción del acero y el uso de electricidad en las fábricas. La introducción de la electricidad permitió a los fabricantes aumentar la eficiencia y ayudó a que la maquinaria de la fábrica fuera más móvil. Fue durante esta fase que se introdujeron conceptos de producción en masa como la línea de montaje como una forma de aumentar la productividad.
La tercera revolución industrial
Comenzando a fines de la década de 1950, una tercera revolución industrial comenzó a surgir lentamente, a medida que los fabricantes comenzaron a incorporar más tecnología electrónica, y eventualmente informática, en sus fábricas. Durante este período, los fabricantes comenzaron a experimentar un cambio que puso menos énfasis en la tecnología analógica y mecánica y más en la tecnología digital y el software de automatización.
La Cuarta Revolución Industrial, o Industria 4.0
En las últimas décadas, ha surgido una cuarta revolución industrial, conocida como Industria 4.0. Industry 4.0 lleva el énfasis en la tecnología digital de las últimas décadas a un nivel completamente nuevo con la ayuda de la interconectividad a través de Internet de las cosas (IoT), el acceso a datos en tiempo real y la introducción de sistemas ciberfísicos. Industry 4.0 ofrece un enfoque más integral, interrelacionado y holístico para la fabricación. Se conecta lo físico con lo digital y permite una mejor colaboración y acceso entre departamentos, socios, proveedores, productos y personas. Industry 4.0 permite a los propietarios de negocios controlar y comprender mejor cada aspecto de su operación, y les permite aprovechar los datos instantáneos para aumentar la productividad, mejorar los procesos e impulsar el crecimiento.
Conceptos básicos de IIoT y glosario de términos
Existen cientos de conceptos y términos relacionados con IIoT e Industry 4.0, pero aquí hay 12 palabras y frases fundamentales que debe conocer antes de decidir si desea invertir en soluciones de Industry 4.0 para su negocio:
- Planificación de Recursos Empresariales (ERP): herramientas de gestión de procesos empresariales que se pueden utilizar para gestionar información en una organización.
- IoT: IoT significa Internet de las Cosas, un concepto que se refiere a conexiones entre objetos físicos como sensores o máquinas e Internet.
- IIoT: IIoT significa Internet de las Cosas Industrial, un concepto que se refiere a las conexiones entre personas, datos y máquinas en relación con la fabricación.
- Big data: Big data se refiere a grandes conjuntos de datos estructurados o no estructurados que pueden compilarse, almacenarse, organizarse y analizarse para revelar patrones, tendencias, asociaciones y oportunidades.
- Inteligencia artificial (IA): la Inteligencia Artificial es un concepto que se refiere a la capacidad de una computadora para realizar tareas y tomar decisiones que históricamente requerirían cierto nivel de inteligencia humana.
- M2M: Esto significa máquina a máquina, y se refiere a la comunicación que ocurre entre dos máquinas separadas a través de redes inalámbricas o cableadas.
- Digitalización: la digitalización se refiere al proceso de recopilación y conversión de diferentes tipos de información a un formato digital.
- Fábrica inteligente: una fábrica inteligente es aquella que invierte y aprovecha la tecnología, las soluciones y los enfoques de la Industria 4.0.
- Aprendizaje automático: el aprendizaje automático se refiere a la capacidad que las computadoras tienen para aprender y mejorar por sí mismas a través de la Inteligencia Artificial, sin que se les indique o programe explícitamente que lo hagan.
- Computación en la nube: la computación en la nube se refiere a la práctica de usar servidores remotos interconectados alojados en Internet para almacenar, administrar y procesar información.
- Procesamiento de datos en tiempo real: el procesamiento de datos en tiempo real se refiere a las capacidades de los sistemas informáticos y las máquinas para procesar datos de forma continua y automática y proporcionar información y resultados en tiempo real o cercano.
- Ecosistema: Un ecosistema, en términos de fabricación, se refiere a la conexión potencial de toda su operación: inventario y planificación, finanzas, relaciones con los clientes, gestión de la cadena de suministro y ejecución de fabricación.
- Sistemas ciberfísicos (CPS): los sistemas ciberfísicos, también conocidos como fabricación cibernética, se refieren a un entorno de fabricación habilitado para la Industria 4.0 que ofrece recopilación de datos en tiempo real, análisis y transparencia en todos los aspectos de una operación de fabricación.
Ahora que tiene una mejor comprensión de algunos de los conceptos centrales relacionados con la Industria 4.0, está listo para profundizar en cómo la fabricación inteligente puede revolucionar la forma en que opera y hace crecer su negocio.
Casos de uso de fabricación inteligente
Una de las mejores maneras de comprender mejor el concepto de fabricación inteligente es pensar en cómo podría aplicarse a su negocio, o un negocio similar a su negocio. Aquí hay tres casos de uso que pueden ayudarlo a comprender el valor de Industry 4.0 en una operación de fabricación:
- Gestión y optimización de la cadena de suministro: las soluciones de Industry 4.0 brindan a las empresas una mayor visión, control y visibilidad de los datos en toda su cadena de suministro. Al aprovechar las capacidades de gestión de la cadena de suministro, las empresas pueden ofrecer productos y servicios al mercado más rápido, más barato y con mejor calidad para obtener una ventaja sobre los competidores menos eficientes.
- Mantenimiento predictivo / análisis: las soluciones de Industry 4.0 brindan a los fabricantes la capacidad de predecir cuándo surgirán problemas potenciales antes de que realmente ocurran. Sin los sistemas IoT en su fábrica, el mantenimiento preventivo se realiza según la rutina o el tiempo. En otras palabras, es una tarea manual. Con los sistemas IoT implementados, el mantenimiento preventivo es mucho más automatizado y racionalizado. Los sistemas pueden detectar cuándo surgen problemas o la maquinaria necesita ser reparada, y pueden ayudarle a resolver problemas potenciales antes de que se conviertan en problemas mayores. El análisis predictivo permite a las empresas no solo hacer preguntas reactivas como ‘¿qué ha sucedido?’ O ‘¿por qué sucedió?’, Sino también preguntas proactivas como ‘qué va a suceder’ y ‘qué podemos hacer para ¿evitar que suceda? ”Este tipo de análisis puede permitir a los fabricantes pasar del mantenimiento preventivo al mantenimiento predictivo.
- Seguimiento y optimización de activos: las soluciones de Industry 4.0 ayudan a los fabricantes a ser más eficientes con los activos en cada etapa de la cadena de suministro, lo que les permite mantener un mejor pulso en las oportunidades de inventario, calidad y optimización relacionadas con la logística. Con el IoT instalado en una fábrica, los empleados pueden obtener una mejor visibilidad de sus activos en todo el mundo. Las tareas estándar de gestión de activos, como las transferencias de activos, las disposiciones, las reclasificaciones y los ajustes, pueden simplificarse y gestionarse de forma centralizada y en tiempo real.
El punto en revisar estos casos de uso es ayudarle a imaginar y comenzar a pensar en cómo la fabricación inteligente podría integrarse en su propia organización. ¿Cómo decide realmente si Industry 4.0 es adecuado para usted?
¿Para quién es adecuada la industria 4.0?
¿Cómo saber cuándo o si su empresa debería invertir en Industry 4.0?
Si puede marcar la mayoría de los elementos de esta lista, probablemente sea seguro comenzar a evaluar los proveedores de tecnología y soluciones de la Industria 4.0 y asignar los recursos necesarios para la implementación:
- Está en una industria particularmente competitiva con muchos jugadores expertos en tecnología.
- Está teniendo dificultades para reclutar para ocupar puestos vacantes en su organización.
- Desea una mejor visibilidad en toda su cadena de suministro..
- Desea identificar y abordar problemas antes de que se conviertan en problemas mayores.
- Desea aumentar la eficiencia y la rentabilidad en toda su organización.
- Desea que todos en su equipo tengan vistas relevantes, actualizadas e informadas de los procesos de producción y de negocios.
- Desea análisis más completos y oportunos.
- Necesita ayuda para digitalizar y dar sentido a la información.
- Desea mejorar la satisfacción del cliente y la experiencia del cliente.
- Desea mejorar la calidad del producto o mantener intacta la calidad del producto.
- Desea un sistema de planificación de recursos empresariales más integrado que abarque no solo el inventario y la planificación, sino también las finanzas, las relaciones con los clientes, la gestión de la cadena de suministro y la ejecución de la fabricación.
- Desea una visión coherente y flexible de las operaciones de producción y negocios adaptadas a áreas o usuarios específicos de su organización.
Desea información en tiempo real que lo ayude a tomar decisiones mejores y más rápidas sobre su negocio cada día
¿Todavía no está seguro de si Industry 4.0 es adecuado para usted? Siga leyendo para conocer algunas formas específicas en que puede ayudarle a usted y a su empresa.
Beneficios de adoptar un modelo de Industria 4.0
La Industria 4.0 abarca todo el ciclo de vida del producto y la cadena de suministro: rl diseño, las ventas, el inventario, la programación, la calidad, la ingeniería y el servicio al cliente y de campo. Todos comparten visiones informadas, actualizadas y relevantes de los procesos de producción y los negocios, y el análisis mucho más completos y oportunos.
Aquí hay una lista rápida y no exhaustiva de algunos de los beneficios de adoptar un modelo de Industria 4.0 para su negocio:
- Le hace más competitivo, especialmente contra disruptores como Amazon. A medida que compañías como Amazon continúan optimizando la logística y la gestión de la cadena de suministro, debe invertir en tecnología y soluciones que le ayuden a mejorar y optimizar su propia operación. Para mantenerse competitivo, debe contar con los sistemas y procesos que le permitan proporcionar el mismo nivel de servicio (o mejor) a sus clientes que podrían obtener de una empresa como Amazon.
- Le hace más atractivo para la fuerza laboral más joven. Las empresas que invierten en tecnologías modernas e innovadoras de la Industria 4.0 están mejor posicionadas para atraer y retener nuevos trabajadores.
- Hace que su equipo sea más fuerte y más colaborativo. Las empresas que invierten en soluciones de la Industria 4.0 pueden aumentar la eficiencia, impulsar la colaboración entre departamentos, habilitar análisis predictivos y prescriptivos, y permitir que las personas, incluidos los operadores, los gerentes y los ejecutivos, aprovechen más los datos y la inteligencia en tiempo real para tomar mejores decisiones mientras administran su día a día. Responsabilidades diarias.
- Le permite abordar posibles problemas antes de que se conviertan en grandes problemas. El análisis predictivo, los datos en tiempo real, la maquinaria conectada a Internet y la automatización pueden ayudarle a ser más proactivo a la hora de abordar y resolver posibles problemas de mantenimiento y gestión de la cadena de suministro.
- Le permite recortar costos, aumentar las ganancias y estimular el crecimiento. La tecnología Industry 4.0 lo ayuda a administrar y optimizar todos los aspectos de sus procesos de fabricación y cadena de suministro. Le da acceso a los datos y conocimientos en tiempo real que necesita para tomar decisiones más inteligentes y rápidas sobre su negocio, lo que en última instancia puede aumentar la eficiencia y la rentabilidad de toda su operación.
Como se mencionó, esta lista no es exhaustiva: hay muchos más beneficios a considerar. Para leer sobre más beneficios, explore aplicaciones de Software de fabricación y soluciones para las industrias.
Desafíos a considerar y superar
Al considerar si invertir o no en la Industria 4.0, puede estar pensando en algunos de los desafíos potenciales asociados con la incorporación de nuevas tecnologías y procesos en su organización. No está solo. Estas son algunas de las preguntas más comunes que la mayoría de los dueños de negocios piensan cuando se trata de fabricación inteligente:
Pregunta n. ° 1: ¿Nuestros datos comerciales y la información del cliente estarán seguros?
A medida que la amenaza de la piratería cibernética continúa intensificándose cada año, muchas empresas están preocupadas de que invertir en tecnología basada en la nube y mover datos fuera de sus propios muros deje a sus negocios y datos vulnerables a los atacantes. Las empresas de Software de fabricación y soluciones para las industrias mantienen la información segura al aprovechar la experiencia en seguridad profunda e implementan medidas estrictas de seguridad cibernética para todos los clientes que invierten en tecnología Industry 4.0.
Pregunta n. ° 2: ¿Podré obtener el apoyo de mi equipo?
La respuesta corta a esta pregunta es sí. Si bien implementar nuevas tecnologías y un nuevo modelo de negocios puede ser difícil de aceptar y adoptar para algunas personas, en última instancia, puede obtener el apoyo de su equipo estableciendo claramente las expectativas por adelantado, estableciendo el propósito y los beneficios de invertir en tecnología de la Industria 4.0 y siendo abierto y transparente con su equipo durante todo el proceso de implementación.
Pregunta # 3: ¿Disponemos de los recursos y el personal para implementar y administrar esta tecnología?
Cuando invierte en tecnología basada en la nube, no tiene que depender tanto de su equipo de TI para administrar y mantener los sistemas. En cambio, se beneficia de las actualizaciones periódicas y el mantenimiento realizado por el proveedor de servicios. Por ejemplo, para evitar la implementación continua y los desafíos de actualización que el ERP ha presentado históricamente, algunas compañías están eligiendo ERPs basados en la nube o software como servicio (SaaS). Al igual que con el almacenamiento en la nube, el proveedor de ERP en la nube asume los costos que de otro modo correría por TI para construir y mantener infraestructura. Un sistema ERP basado en la nube proporciona todos los beneficios del ERP sin requerir una infraestructura de TI o personal dedicado, y libera esos recursos para ser utilizados en otras tareas de TI.
Pregunta 4: ¿Sabré aprovechar los datos para tomar decisiones más informadas?
¡Si! Las empresas de Software de fabricación y soluciones para las industrias pueden proporcionarle el conocimiento, la capacitación y la documentación que necesita para comprender cómo usar los datos para cambiar, mejorar y hacer crecer su negocio.
Para construir una empresa sostenible y escalable en el entorno empresarial actual, debe utilizar herramientas que le ayuden a optimizar las tareas, aumentar la productividad y la colaboración, y aprovechar los datos en tiempo real. Las soluciones de Industry 4.0 del mercado pueden ponerle en el camino correcto. ¿Listo para hacer la inversión?
16 de los Mejores Programas de Big Data en Prestigiosas Escuelas de MBA
Vivimos en un mundo de 1s y 0s, un mundo de datos. Los consumidores y las empresas envían y reciben enormes cantidades de datos todo el día, todos los días. Desde los teléfonos inteligentes que aprenden cómo se comporta el usuario a las decisiones de compra que informan los mensajes de marketing, a los análisis que pueden aislar fallas en una cadena de suministro: el Big Data está impulsando el negocio en la actualidad.
Es por eso que el conocimiento del Big Data se está convirtiendo en una habilidad muy buscada entre los gerentes de contratación y los reclutadores. De acuerdo con un estudio, casi el 70 por ciento de los empleadores esperan favorecer a los candidatos con serios datos científicos sobre los candidatos que carecen de esa habilidad.
Simplemente obtener un título de MBA podría no ser suficiente hoy. Preparar el futuro de su educación significa asegurarse de que está equipado con una base sólida en Big Data, Ciencia de Datos, Aprendizaje Automático (Machine Learning) y Automatización. Si bien muchas instituciones no han estado exactamente en la vanguardia del cambio, las escuelas de negocios más prestigiosas están comenzando a aprovechar el potencial del Big Data.
Una Maestría en Administración de Empresas, Maestría en Administración de Negocios o Máster en Administración y Dirección de Empresas (Master of Business Administration en idioma inglés, abreviado MBA) es un título académico de maestría (o máster), y por lo tanto de postgrado, en negocios.
En general, el primer año de un MBA está orientado a entrenar en el conocimiento del contexto empresarial y las tareas operativas de la empresa. El segundo año, es más especializado y busca capacitar en temas económicos y administrativos.
Existen variaciones en el formato de dichos programas en cuanto a su duración, contenido y método de enseñanza. Mientras que la duración puede variar de 1 a 3 años, los másters universitarios oficiales tienen una duración de dos años, mientras que existen diferentes ofertas de titulaciones propias de instituciones académicas privadas además de las universidades.
Analizamos un total de 16 programas de prestigio, los que en gran parte se consideran los mejores de los mejores, tanto en EE.UU. como en el Reino Unido. Algunos de estos son programas de la Ivy League y otros no. La mayoría están en los Estados Unidos, aunque dos de ellos están en el Reino Unido. Observamos más de 160 cursos entre esas 16 escuelas.
La Ivy League es una conferencia atlética universitaria estadounidense que incluye equipos deportivos de ocho universidades privadas en el noreste de los Estados Unidos. El término Ivy League se usa generalmente para referirse a esas ocho escuelas como un grupo de universidades de élite más allá del contexto deportivo. Los ocho miembros son la Universidad de Brown, la Universidad de Columbia, la Universidad de Cornell, el Dartmouth College, la Universidad de Harvard, la Universidad de Pennsylvania, la Universidad de Princeton y la Universidad de Yale. Ivy League tiene connotaciones de excelencia académica, selectividad en admisiones y elitismo social.
Lo que descubrimos fue que la mayoría de las escuelas todavía no requieren una gran cantidad de educación en Big Data para sus estudiantes de MBA.
De hecho, solo una escuela requirió más de dos cursos, y dos tercios de las escuelas requieren solo una clase de Ciencia de Datos. Solo una escuela que vimos ofrece más de 30 clases entre materias básicas y optativas en Ciencia de Datos, y más de la mitad no supera los dos dígitos.
Varias escuelas ofrecen programas especiales o experiencias inmersivas, y cada una de ellas proporciona al menos una base en Big Data.
No todos los cursos se ofrecen durante cada trimestre. Hemos examinado el término académico más reciente para el cual los listados de clases están disponibles públicamente en cada institución. En la mayoría de los casos, fue el otoño de 2018, aunque algunos de los cursos enumerados son para términos futuros o pasados.
Universidad de Stanford
Santa Clara County, California
Stanford Graduate School of Business
Con su proximidad al corazón del mundo tecnológico, Silicon Valley, no es de extrañar que Stanford tenga, con diferencia, la oferta de MBA más sólida que se centra en el Big Data, la Ciencia de Datos, el Aprendizaje Automático y la Automatización entre los más de doce programas de MBA de prestigio que estudiamos . Aunque solo ofrece un curso obligatorio en Big Data, Stanford Graduate School of Business enumera 30 increíbles cursos optativos para ayudar a los estudiantes de negocios a desarrollar su conjunto de habilidades en el análisis de datos. Con literalmente cientos de compañías que aplican esos principios diariamente a solo unos minutos de su campus, los estudiantes de Stanford están en una posición única para asumir el futuro de los negocios.
Requerido o núcleo
Análisis de datos y toma de decisiones
Electiva, seminario o inmersión.
|
Business Intelligence from Big Data |
Data, Learning, and Decision-Making |
Topics in Social Network Analysis: Structure and Dynamics |
|
Causal Inference |
Data Science for Platforms |
The Startup Garage: Testing and Launch |
|
Data and Decisions (Base and Accelerated) |
Decision-making and Learning under Model Uncertainty: Theory and Applications |
Statistical Methods for Behavioral and Social Sciences |
|
Data-Driven Decision Making |
Designing AI to Cultivate Human Well-Being |
Seminar on IT for Business |
|
Data-driven Decision Making and Applications in Healthcare |
Designing for Happiness |
People Analytics |
|
Data for Action: From Insights to Applications |
Designing Story in a Digital World |
Online Marketplaces |
|
Digital Marketing |
Information Technology |
Monetization |
|
Intellectual Property: Financial and Strategic Management |
Leading Creativity and Innovation |
Modeling Culture |
|
Machine Learning and Causal Inference |
Marketing Analytics |
Micro Research Methods |
|
Marketing Management, Accelerated |
Marketing Research |
Media Entrepreneurship |
Northwestern University
Evanston, Illinois
Con 16 optativas ofrecidas con regularidad y un curso obligatorio con Big Data, la Kellogg School of Management de Northwestern University ofrece a los estudiantes la oportunidad de una amplia educación centrada en la información, que abarca segmentos de negocios tan diversos como la salud, el comercio minorista y los recursos humanos.
Requerido o núcleo
Análisis de negocio
Electiva, seminario o inmersión.
|
Analytics for Strategy |
Data Analytics Decisions |
Decision Modeling and Optimization in Excel |
|
Customer Analytics |
Data Exploration |
Digital Marketing Analytics |
|
Health Analytics |
Marketing Analytics: Leading with Big Data |
Marketing Research and Analytics |
|
Methods and Data in Consumer Behavior Research |
People Analytics and Strategy |
Problems and Solutions in Applied Data Analyses |
|
Programming for Analytics |
Retail Analytics |
Social Dynamics and Network Analytics |
|
Technology in the Age of Analytics |
Universidad de New York
New York City
Leonard N. Stern School of Business
Ubicados en la ciudad de Nueva York, el corazón financiero de los Estados Unidos, los estudiantes de la Stern School of Business de NYU deben tomar solo un curso relacionado con el Big Data, pero tienen la opción de tomar 16 clases más para construir una base en teoría y aplicaciones prácticas. de la Ciencia de Datos.
Requerido o núcleo
Estadísticas y análisis de datos
Electiva, seminario o inmersión.
| Analytics & Machine Learning | Data Bootcamp | Data-Driven Decisions |
| Data Governance | Data Mining for Business Analytics | Data Visualization |
| Dealing With Data | Decision Analytics for Sports | Fintech Analysis: Data-Driven Credit Modeling |
| Forecasting Time Series Data | Marketing Impact Analytics | Practical Data Science |
| Real-World Analysis of Economic Data | Regression and Multivariate Data Analysis | Social Media and Digital Marketing Analytics |
| Sports Economics |
Universidad de Duke
Durham, North Carolina
Para los estudiantes de MBA a tiempo completo en la Fuqua School of Business de Duke University, el único curso obligatorio de estadísticas se complementa con otros 15 cursos basados en el Big Data y áreas relacionadas. Dada la ubicación de Duke en el llamado triángulo de investigación, se ofrecen varios cursos que se centran en la ciencia de la información en lo que se refiere a la salud. Además del tradicional MBA y otros MBAs flexibles, Fuqua también ofrece dos títulos de Máster en Gestión Cuantitativa, uno en análisis de negocios y otro en análisis de salud.
Requerido o núcleo
Probabilidades y estadísticas
Electiva, seminario o inmersión.
| Advanced Data Analytics and Applications | Analysis of Healthcare Effectiveness and Outcomes | Applied Probability and Statistics |
| Data Analytics and Applications | Data Infrastructure | Data Visualization |
| Data Analytics for Business | Data Science for Business | Decision Analytics and Modeling |
| Electronic Health Records and Data Structures | Ethical & Legal Issues of Data Analytics | People Analytics |
| Empirical Economic Analysis | Fraud Analytics | Provider Operation Analytics |
Massachusetts Institute of Technology
Cambridge, Massachusetts
Aunque solo un curso requerido está relacionado con la Ciencia de Datos, es uno grande, ya que los Datos, los Modelos y las Decisiones van más allá de la educación estadística general. Y los cursos optativos en la Sloan School of Management brindan a los solicitantes de MBA una experiencia práctica y profunda en el trabajo con datos para una amplia gama de propósitos comerciales, incluido el MIT entre las pocas escuelas de MBA prestigiosas para ofrecer cursos dedicados específicamente a Aprendizaje Automático.
Requerido o núcleo
Datos, modelos y decisiones
Electiva, seminario o inmersión.
| Action Learning Seminar on Analytics, Machine Learning, and the Digital Economy | Advanced Data and Analytics and Machine Learning in Finance | Data Mining: Finding the Models and Predictions that Create Value |
| Communicating with Data | Digital Marketing & Social Media Analytics | Econometrics for Managers: Correlation & Causality in a Big Data World |
| Engineering Statistics and Data Science | Financial Data Science and Computing | Machine Learning Under a Modern Optimization Lens |
| Predictive Data Analytics and Statistical ModelingThe Analytics Edge | Statistical Thinking and Data AnalysisThe Analytics of Operations Management | Statistical Learning and Data Mining |
Universidad de Chicago
Con cuatro cursos obligatorios relacionados con el Big Data o Ciencia de Datos, Booth School of Business de la Universidad de Chicago tiene los cursos más requeridos entre las instituciones de la lista, ya que solo hay otras tres escuelas que requieren más de una información relacionada con la ciencia. Booth no tiene tantos cursos generales como algunas de las otras escuelas en nuestra lista, pero con un currículo central tan sólido además de cuatro concentraciones posibles en áreas relacionadas con el Big Data, el programa garantiza que todos los graduados tengan una base sólida en la comprensión y utilizando datos.
Requerido o núcleo
Estadísticas de negocios
Análisis de regresión aplicada
Marketing basado en datos
Minería de datos
Electiva, seminario o inmersión.
| Big Data | Healthcare Data Analytics | |
| Data Science for Marketing Decision Making | Integrated Strategic Management |
Booth también ofrece concentraciones alrededor de Analytic Finance, Business Analytics, Econometrics and Statistics y Marketing Management.
Universidad de Carnegie Mellon
Pittsburgh, Pennsylvania
La Tepper School of Business de Carnegie Mellon, ofrece tanto los MBA tradicionales en el campus (a tiempo completo y parcial) como los MBAs a tiempo parcial, tiene como objetivo inculcar a todos los graduados con sólidas habilidades analíticas que pueden aplicar a los negocios actuales y lejanos. en el futuro. Con dos cursos requeridos y media docena más relacionados directamente con el Big Data, Tepper también ofrece una concentración de MBA en tecnología de negocios y una Maestría en Ciencias en Análisis de Negocios, para aquellos que no están buscando completar un MBA.
Requerido o núcleo
Probabilidad y Estadística
Toma de decisiones estadísticas
Electiva, seminario o inmersión.
|
Applications of Operations Research |
Data Mining |
Optimization |
|
Big Data |
Marketing Research |
Statistical Applications in Management |
Además de un amplio enfoque del análisis en todo el programa, Tepper también ofrece una variedad de concentraciones, incluida una en Business Technologies, que emplea en gran medida los principios de la Ciencia de Datos.
Universidad de Columbia
New York City
Es la escuela de la Ivy League mejor calificada en nuestra lista, Columbia requiere un número relativamente alto de clases principales relacionadas con datos, además de estar entre los pocos programas que incluyen capacitación práctica en lenguajes de programación específicos, con el curso de *Análisis de datos en Python .
Requerido o núcleo
Análisis de negocio
Estadística Gerencial
Electiva, seminario o inmersión.
| Analytics in Action (Master Class) | Data Analytics immersion seminar | *Data Analytics in Python |
| Data Driven Dollars | Quantitative Pricing & Revenue Analytics | Sports Analytics |
Universidad de Cornell
Ithaca, New York
Samuel Curtis Johnson Graduate School of Management
Al ofrecer solo un curso de datos requeridos y media docena de optativas, la Johnson Graduate School of Management de la Universidad de Cornell centra su educación en un MBA relacionado con datos en modelos estadísticos y análisis, además de estar entre las pocas escuelas que ofrecen cursos relacionados con la nube.
Requerido o núcleo
Análisis de datos y modelado
Electiva, seminario o inmersión.
| Advanced Data Analytics Applications and Methods | Data Modeling | Financial Data Analytics and Entrepreneurial Decision |
| Data Driven Marketing | Designing Data Products | Technology Management: Cloud Computing |
Dartmouth College
Hanover, New Hampshire
La Escuela de Negocios Tuck de Dartmouth ofrece una educación de la Ivy League con una base general en estadística y análisis. Con dos cursos obligatorios para el MBA y cinco optativas relacionadas con la Ciencia de Datos, Tuck se encuentra entre los líderes de la Ivy League.
Requerido o núcleo
Análisis para Gerentes Generales
Estadísticas para Gerentes
Electiva, seminario o inmersión.
| Consumer Analytics | Data Structure and Analytics | Quantitative Digital Marketing |
| Data Mining for Business Analytics | Marketing Research |
Universidad Berkeley de California
Con solo una oferta relacionada con los datos básicos, los cursos optativos de MBA de UC-Berkeley hacen el trabajo pesado aquí, que incluyen cursos tradicionales de análisis de marketing, además de cursos de datos únicos que cubren el diseño de presentaciones y atención médica para datos.
Requerido o núcleo
Datos y Decisiones
Electiva, seminario o inmersión.
| Healthcare in the 21st Century | Marketing Analytics | Marketing Research: Tools and Techniques for Data Collection and Analysis |
| Presentation Design for Analytical Communications |
Universidad de Harvard
Cambridge, Massachusetts
Sin cursos obligatorios relacionados directamente con el Big Data o la Ciencia de Datos, pero con unas pocas asignaturas optativas que se ajustan a la ley, Harvard apenas está comenzando a salir de la mentalidad de educación empresarial tradicional, tradicional y pasar a clases más avanzadas. Aunque es la única escuela en nuestra lista que no requiere cursos relacionados con EL Big Data, Harvard sigue siendo Harvard, y un MBA de esta escuela se considera un boleto para el éxito. Además de su impecable programación de MBA, Harvard también ofrece un programa separado de análisis de negocios para profesionales que trabajan.
Requerido o núcleo
No se requieren cursos relacionados directamente con el Big Data.
Cursos electivos, seminarios o inmersiones.
| Managing with Data Science | From Data to Decisions: The Role of Experiments | People Analytics: Leading in a Data-Driven World |
También ofrece un programa independiente de análisis de negocios de Harvard, dirigido a profesionales que trabajan. https://analytics.hbs.edu/
Universidad de Pennsylvania
Philadelphia, Pennsylvania
Con solo tres cursos de MBA basados en la Ciencia de Datos, la prestigiosa Wharton School de Penn se encuentra entre los rezagados de nuestra lista, pero las clases que ofrece son eficaces para inculcar algunas habilidades prácticas en el Big Data y el análisis. Ser de una escuela de la Ivy League tampoco duele.
Requerido o núcleo
Estadística: Análisis de regresión para Gerentes
Electiva, seminario o inmersión.
| Applied Probability Models in Marketing | Data and Analysis for Marketing Decisions |
Universidad de Yale
New Haven, Connecticut
La Escuela de Administración de Yale requiere solo un curso relacionado con datos para estudiantes de MBA y ofrece solo otras dos optativas estrictamente para estudiantes de MBA, pero el plan de estudios integrado en Yale significa que los estudiantes podrían crear un mayor volumen de cursos de datos al mirar fuera de la Escuela de Administración .
Requerido o núcleo
Probabilidad de modelado y estadística
Electiva, seminario o inmersión.
| Big Data | Sports Analytics |
London Business School
Aunque ofrece solo tres cursos de MBA con gran cantidad de datos (incluido solo un curso obligatorio), el MBA de London Business School se encuentra entre los más flexibles del mundo, con varias duraciones de programas, incluido un título de 15 meses. Con su ubicación en el corazón del núcleo financiero de Gran Bretaña, la escuela también ofrece un sólido programa de pasantías, que permite a los estudiantes conocer el mundo real, ya sea en Inglaterra o en todo el mundo.
Requerido o núcleo
Analítica de datos para Gerentes
Electiva, seminario o inmersión.
| Customer and Marketing Analytics | Data Mining for Business Intelligence |
Oxford University
London, England
Con una experiencia tanto a tiempo completo como a tiempo parcial, la Escuela de Negocios Saïd de la Universidad de Oxford requiere solo una clase relacionada con datos y dos optativas para los estudiantes de MBA, pero como centro de investigación líder, los académicos e investigadores de la escuela publican regularmente en áreas como ciencias de la administración , sanidad y gestión de grandes proyectos.
Requerido o núcleo
Analítica
Electiva, seminario o inmersión.
| Leveraging the Power of Networks | Marketing Analytics |
La línea de fondo
Estas son todas escuelas increíblemente buenas, y si puede entrar en cualquiera de ellas, deberías considerar ir. Pero para aquellos afortunados o lo suficientemente inteligentes como para tener opciones, una educación en una institución con visión de futuro puede proporcionarle la ventaja que necesita sobre la competencia. ¿En desacuerdo con nuestros rankings? Cuentanos sobre eso abajo en los comentarios.
Cómo se conectan la Inteligencia Artificial y el Big Data
El Big Data y la Inteligencia Artificial (IA) son dos de las tecnologías más populares y útiles en la actualidad. La Inteligencia Artificial existe desde hace más de una década, mientras que el Big Data surgió hace solo unos años. Las computadoras se pueden usar para almacenar millones de registros y datos, pero el Big Data proporciona el poder para analizar estos datos.
Podemos decir que juntos el Big Data y la IA son el conjunto de dos tecnologías modernas increíbles que permiten el aprendizaje automático, reiteran y actualizan continuamente los bancos de datos, y toman la ayuda de la intervención humana y los experimentos recursivos para el mismo. Hoy, lo hemos traído en este blog para proporcionar el uso informativo de la IA y el Big Data para resolver todos los problemas posibles relacionados con los datos.
El Big Data y la IA
El Big Data y la IA son considerados dos gigantes mecánicos por los científicos de datos u otras grandes corporaciones. Muchas organizaciones consideran que IA traerá la revolución en sus datos organizativos. El aprendizaje automático se considera como una versión avanzada de la IA a través de la cual varias máquinas pueden enviar o recibir datos y aprender nuevos conceptos al analizarlos. El Big Data ayuda a las organizaciones a analizar sus datos existentes y a obtener información significativa de ellos.
Aquí, por ejemplo, podemos considerar a un fabricante de prendas de cuero que exporta sus prendas a EEUU y no tenemos ninguna idea acerca de los intereses del cliente solo mediante la recopilación de datos del mercado y su análisis a través de varios algoritmos, el comerciante por lo tanto puede identificar al cliente. Los comportamientos e intereses. Según sus intereses, pueden proporcionar los productos. Para esto, los algoritmos pueden ayudar a encontrar información y también información precisa.
Cómo ayuda el Big Data en los experimentos de la IA
Como se sabe, la IA reducirá en general la intervención y los trabajos humanos, por lo que la gente considera que la IA tiene todas las capacidades de aprendizaje automático y creará robots que se harán cargo de los trabajos humanos. El rol humano se reducirá debido a la expansión de la IA y este pensamiento se ha roto y cambiado por la participación del Big Data. Como las máquinas pueden tomar decisiones basándose en hechos, pero no pueden involucrar interacción emocional, pero debido a los grandes datos, los científicos de datos pueden involucrar a su inteligencia emocional y tomar las decisiones correctas de la manera correcta.
Para un científico de datos de cualquier organización farmacéutica, no solo puede analizar las necesidades de los clientes, sino también inhibir las normas y regulaciones locales del mercado en particular de esa región. Dependiendo de las sales utilizadas en cualquier medicamento, pueden sugerir las mejores opciones para ese mercado, mientras que en caso de aprendizaje automático puede que no sea posible.
Por lo tanto, está claro que la fusión de la IA y el Big Data no solo puede involucrar al talento y el aprendizaje simultáneamente, sino que también da lugar a muchos nuevos conceptos y opciones para cualquier nueva marca y organización. Una combinación de la IA y el Big Data puede ayudar a las organizaciones a conocer el interés del cliente de la mejor manera. Al utilizar conceptos de aprendizaje automático, las organizaciones pueden identificar los intereses del cliente en el mínimo tiempo posible.
¿Cómo puede ayudar el Big Data en la diversificación global?
Con cada día que pasa, las nuevas tecnologías y las herramientas se introducen en el mercado, por lo que el costo de las herramientas de aprendizaje automático (Machine Learning) y la IA también se reducen significativamente. Como resultado de una caída de precios, la tecnología será adoptada por varias organizaciones. Incluso en una región global con diversidad cultural, idioma, religión, la tecnología y las herramientas se adoptarán con el mismo entusiasmo. Al mismo tiempo, el proveedor deberá proporcionar las soluciones equivalentes al mercado según las necesidades del cliente.
La tecnología y las herramientas de Big Data ayudarán a las organizaciones a proporcionar las soluciones relevantes a los clientes según su región e idioma, mientras que, al mismo tiempo, el aprendizaje automático les ayudará a proporcionar las soluciones a las organizaciones de manera que los sentimientos de los clientes no lo hagan. obtener un corazon de IA igual que para cualquier producto orientado a las mujeres, la forma de comercializar el producto será completamente diferente para los mercados de Sri Lanka e Irán, ya que los sentimientos de las mujeres de ambas regiones pueden ser completamente diferentes.
El Big Data y la IA para impulsar el análisis del mercado.
En este momento, el mercado del Big Data y la Inteligencia Artificial están en su estado novato y los proveedores de servicios no tienen idea dónde están exactamente sus clientes y cuáles son sus necesidades. Con el tiempo, se darán cuenta de los requisitos exactos del cliente y planificarán las ofertas y las funcionalidades del producto en consecuencia. Con el tiempo, las organizaciones se darán cuenta de cuáles son las necesidades exactas de los requisitos de sus clientes. Incluso las soluciones basadas en Inteligencia Artificial pueden necesitar cambios enormes, ya que los requisitos de los clientes pueden variar.
Tecnologías de IA que se están utilizando con Big Data
Existen varias tecnologías de Inteligencia Artificial que se utilizan con Big Data y algunas de ellas se enumeran a continuación:
Detección de anomalías
Para cualquier conjunto de datos, si no se detecta una anomalía, se pueden utilizar los análisis de Big Data. Aquí, la detección de fallas, la red de sensores y el estado del sistema de distribución de ecosistemas se pueden detectar con las tecnologías de Big Data.
Teorema de Bayes
El teorema de Bayes se usa para identificar la probabilidad de un evento basado en las condiciones pre-conocidas. Incluso el futuro de cualquier evento también se puede predecir sobre la base del evento anterior. Para el análisis de Big Data, este teorema es de mejor uso y puede proporcionar una probabilidad de interés de cualquier cliente en el producto utilizando el patrón de datos históricos o pasados.
Reconocimiento de patrones
El reconocimiento de patrones es una técnica de aprendizaje automático y se utiliza para identificar los patrones en una cierta cantidad de datos. Con la ayuda de los datos de entrenamiento, los patrones se pueden identificar y se conocen como aprendizaje supervisado.
Teoría de grafos
La teoría de gráficos se basa en el estudio de gráficos que utiliza varios vértices y bordes. A través de las relaciones de nodo, el patrón de datos y la relación pueden ser identificados. Este patrón puede ser útil y ayudar a los analistas de Big Data en la identificación de patrones. Este estudio puede ser importante y útil para cualquier negocio.
Resumen
Se puede decir claramente que la IA y el Big Data son dos de las tecnologías emergentes que las organizaciones utilizan ampliamente. Incluso las tecnologías son utilizadas por ellos para proporcionar una mejor experiencia al cliente de una manera organizada e inteligente. Las tecnologías se pueden combinar para proporcionar una experiencia perfecta a los clientes.
La IA y el Big Data utilizan muchos métodos y técnicas, pero se pueden usar de manera integrada y proporcionan un resultado que las organizaciones pueden utilizar para analizar los intereses de los clientes y ofrecerles los mejores servicios optimizados.
Dije que un diferenciador importante es que el Big Data es el insumo en bruto que debe limpiarse, estructurarse e integrarse antes de que sea útil, mientras que la Inteligencia Artificial es la salida, la inteligencia que resulta de los datos procesados. Eso hace que los dos sean inherentemente diferentes.
La Inteligencia Artificial es una forma de computación que permite a las máquinas realizar funciones cognitivas, como actuar o reaccionar a una entrada, de manera similar a como lo hacen los humanos. Las aplicaciones informáticas tradicionales también reaccionan a los datos, pero las reacciones y las respuestas deben codificarse a mano. Si se lanza cualquier tipo de bola curva, como un resultado inesperado, la aplicación no puede reaccionar. Por lo tanto, los sistemas de IA están cambiando constantemente su comportamiento para adaptarse a los cambios en los hallazgos y modificar sus reacciones.
Una máquina habilitada para IA está diseñada para analizar e interpretar datos y luego resolver el problema o abordar el problema según esas interpretaciones. Con el aprendizaje automático, la computadora aprende una vez cómo actuar o reaccionar ante un resultado determinado y sabe en el futuro que debe actuar de la misma manera.
El Big Data es una computación de estilo antiguo. No actúa sobre los resultados, simplemente los busca. Define conjuntos muy grandes de datos, pero también datos que pueden ser extremadamente variados. En los conjuntos del Big Data, puede haber datos estructurados, como datos transaccionales en una base de datos relacional, y datos menos estructurados o no estructurados, como imágenes, datos de correo electrónico, datos de sensores, etc.
Artículos relacionados:
Big Data Significa Grandes Innovaciones
El Camino de un Data Scientist
¿Qué es la Inteligencia Artificial?
Big Data Significa Grandes Innovaciones
El futuro de su empresa depende de la manera efectiva en el uso de más datos
Forrester define los grandes datos (Big Data) como: «las técnicas y tecnologías que hacen la operación con datos a escala extrema asequibles.» Ciertamente es una definición cargada, pero Forrester ha dado a conocer muchas de las ambigüedades y gran parte del misticismo que rodea los grandes volúmenes de datos a través de los informes de investigación, blogs, webinars y avisos, que son todos los disponibles para su consumo.
Desde un nivel alto, Forrester cree que los datos son de gran ayuda para que las empresas trabajen con extremos para proporcionar un valor de coste de datos eficaz. Sin embargo, los profesionales de las tecnologías involucradas con la incursión de su organización en el campo de batalla de los grandes datos deben entender que esto no es lo habitual. De hecho, los grandes datos interrumpirán el panorama de la gestión mediante el cambio de las nociones fundamentales sobre el gobierno de los datos y la entrega de la información. Para tener éxito, los profesionales de TI deben tomar tiempo para entender los grandes datos, así como sus implicaciones, de manera integral. Para ello, Forrester recomienda un enfoque equilibrado que tenga en cuenta algo más que el bombo de la tecnología. Los datos grandes, en su estado inmaduro actual, es un reto. Sin embargo, la investigación de Forrester muestra que las empresas exitosas reunirán este desafío a través de:
- El establecimiento de nuevos niveles de colaboración entre negocio y TI
- Desarrollo de nuevos procesos para ofrecer soluciones
- Dominar un panorama tecnológico en rápida evolución
¿Cuál es el siguiente paso? ¿Quién está cubriendo los grandes datos de Forrester, y por dónde debe ir para hacer frente a los retos del futuro? A continuación se presentan los enlaces a los informes publicados por los analistas de Forrester que están centrando su atención en los grandes datos y cómo está afectando al paisaje de la tecnología empresarial.
12 de Julio 2012, Control And Protect Sensitive Information In The Era Of Big Data
1 de Junio, 2012, The Big Deal About Big Data For Customer Engagement
20 de Octubre 2011, Enterprise Hadoop: The Emerging Core Of Big Data
30 de septiembre 2011, Expand Your Digital Horizon With Big Data
Artículos relacionados:
El Camino de un Data Scientist
¿Qué es Data Sandbox?
Data Sandbox, en el contexto de grandes volúmenes de datos, es una plataforma escalable y de desarrollo utilizada para explorar ricos conjuntos de información de una organización a través de la
A multi-node Hadoop cluster (Foto crédito: Wikipedia)
interacción y la colaboración. Esto permite a una empresa darse cuenta de su valor real de la inversión en grandes volúmenes de datos.
Data Sandbox es principalmente explorada por equipos científicos de datos que se obtienen a partir de plataformas Sandbox independientes, datamarts analíticas o particiones lógicas en los almacenes de datos empresariales. Los datos en las plataformas Sandbox proporcionan la computación necesaria para los científicos para hacer frente a las cargas de trabajo de datos analíticos típicamente complejos.
Data Sandbox incluye grandes unidades centrales de procesamiento en paralelo, memoria de gama alta, el almacenamiento de alta capacidad y la capacidad de E / S y por lo general separa la experimentación de los datos y los entornos de producción de base de datos en almacenes de datos.
IBM Netezza 1000 es un ejemplo de una plataforma de recinto de seguridad de datos que es un mercado analítico de datos independiente. Un ejemplo de una partición lógica en un almacén de datos empresariales, que también sirve como una plataforma de datos Sandbox, es el IBM Smart Analytics System. Un cluster Hadoop como IBM InfoSphere BigInsights Enterprise Edition. se incluye también en esta categoría.
Sandbox Big Data es donde se desarrolla la propiedad intelectual de suma importancia – los modelos analíticos avanzados – que la inteligencia extrae de otra manera incipientes de contenido. La escalabilidad Sandbox es fundamental, pero es una potencia más que sólo prima. También necesita la capacidad de soportar el alcance cada vez mayor de proyectos esenciales que caen bajo el paraguas estratégico de grandes volúmenes de datos. Hoy sus necesidades Sandboxing puede girar en torno a análisis estadísticos tradicionales, minería de datos y modelos de predicción, pero puede estar moviéndose rápidamente en Hadoop / MapReduce, R, geoespacial, la manipulación de la matriz, el procesamiento del lenguaje natural, análisis de los sentimientos, y otros tipos de uso intensivo de recursos de procesamiento de datos grandes.
Para evitar que se ahogue en la vertiginosa variedad de proyectos de datos grandes, el Sandboxing plataforma-como IBM Netezza Analytics—debe incrustar completas librerías extensibles de algoritmos reutilizables y modelos de análisis avanzados. ¿Su plataforma Sandboxing le permite conectar también en sus propias bibliotecas o las de un vendedor analítico preferido? ¿Proporciona un entorno de desarrollo integrado con herramientas de modelado preenvasados, conectores y adaptadores de lenguaje que el equipo puede estandarizar a acelerar sus geográficamente amplios programas de desarrollo de grandes de datos? ¿Viene de un proveedor que ofrece una amplia gama de mejores herramientas, como IBM SPSS Modeler, para satisfacer todas sus necesidades de desarrollo? ¿Y ese vendedor proporciona un mundo-clase de datos de gran capacidad profesional de los servicios, tales como IBM Business Analytic and Optimization, para complementar, ampliar y arrancar su práctica interna de gran desarrollo de los datos?
La elección de Sandbox es tan importante como su compromiso con una plataforma operativa de datos grande. Las personas con talento son su recurso más preciado. Sandbox es donde los desarrolladores de datos más grandes se pasan la mayor parte de sus horas productivas. Si no les proporcionan la escalabilidad que necesitan para manejar un número creciente de puestos de trabajo, estará malgastando su tiempo como los que hacen cola para acceder al procesamiento limitado y recursos de almacenamiento. Del mismo modo, si no tienen acceso a una plataforma común Sandboxing con una rica biblioteca de algoritmos y modelos, va a hacer que sea difícil para ellos poner en común su experiencia en proyectos comunes usando herramientas comunes.
Así que cuando se trata de desarrollo de datos grandes, no se olvide de pensar dentro de Sandbox, y para crecer y profundizar ese recurso compartido como las necesidades de su organización evolucione.
Para más información:
Artículos relacionados:
Gestión de los Registros (Records Management) (I)
Gestión de los Registros (Records Management) (II)
Gestión de los Registros (Records Management) (III)
Gestion de los Registros (Records Management) (IV)
Los Mercados Online de Envato: ebooks, tutoriales, vídeos, cursos, temas para WordPress y App
¿Qué es Big Data?
«Big Data» es un término aplicado a conjuntos de datos que superan la capacidad del software habitual para ser capturados, 
gestionados y procesados en un tiempo razonable. Los tamaños del «Big Data» se encuentran constantemente en movimiento creciente, de esta forma en 2012 se encontraba dimensionada en un tamaño de una docena de terabytes hasta varios petabytes de datos en un único data set. En la metodología MIKE2.0 dedicada a investigar temas relacionados con la gestión de información, definen Big Data en términos de permutaciones útiles, complejidad y dificultad para borrar registros individuales.
Big data no es un término preciso, sino que es una caracterización de la acumulación interminable de todo tipo de datos, la mayor parte de ellos no estructurados. Se describen los conjuntos de datos que están creciendo exponencialmente y que son demasiado grandes, demasiado o demasiado no estructurados para el análisis mediante técnicas de bases de datos relacionales. Si los terabytes o los petabytes, la cantidad precisa es menos la cuestión de dónde termina la información y cómo se utiliza.
«Mi creencia es que la información es una cosa terrible a perder. La información es valiosa. En el funcionamiento de nuestro negocio, queremos asegurarnos de que no nos iremos del valor en la tabla que puede crear una mejor experiencia para los clientes o mejores resultados financieros de la compañía «. Schleier-Johann-Smith, Tagged.com
En el año 2001 un informe de investigación que se fundamentaba en congresos y presentaciones relacionadas, el analista Doug Laney del META Group (ahora Gartner, empresa consultora y de investigación especializada en Tecnología Informática) definía el crecimiento constante de los datos como una oportunidad y reto para investigar en el volumen, la velocidad y la variedad. Gartner continúa usando Big Data como referencia de este.
La velocidad a la cual los negocios se mueve hoy en día, junto con la gran cantidad de datos que ha creado el mundo digitalizado, requiere de nuevos enfoques para obtener valor de los datos. Escondido dentro de flujos de datos estructurados y no estructurados son las respuestas a preguntas que las empresas ni siquiera han pensado hacer o no han podido hacer debido a las limitaciones tecnológicas. Debido a la velocidad de los negocios hoy en día y las enormes cantidades de datos que se generan, las organizaciones deben encontrar nuevas formas de llegar a los datos, averiguar los que están en ellos y qué hacer con ellos. Los recientes avances en almacenamiento, las tecnologías de redes y la computación permiten a las organizaciones aprovechar económicamente y eficientemente grandes volúmenes de datos y convertirlos en una poderosa fuente de ventaja competitiva.
Forrester Research estima que las organizaciones utilizan efectivamente menos del 5 por ciento de los datos disponibles. Esto es porque el resto es simplemente demasiado caro para tratar. Las tecnologías de datos Big y las técnicas representan un avance importante, ya que es eficiente y asequible para las organizaciones al aprovechar el 95 por ciento de los datos que actualmente les pasan. Imagínese el lado bueno: si dos empresas utilizan los datos con la misma eficacia, pero se maneja el 15 por ciento de los datos disponibles, mientras que la otra se ha quedado atascada en el 5 por ciento, lo que la empresa tiene más probabilidades de ganar.
Cuando se usan correctamente, los datos grandes pueden dar ideas para desarrollar, mejorar o reorientar las iniciativas empresariales, descubrir obstáculos operativos, optimizar las cadenas de suministro; mejor manera de entender a los clientes, así como el desarrollo de nuevos productos, servicios y modelos de negocio.
Algunos ejemplos de grandes volúmenes de datos en uso:
• El gobierno federal de los EE.UU. recauda más de 370.000 conjuntos de datos geoespaciales y primas de 172 agencias y subagencies. Se aprovecha esos datos para proporcionar un portal a 230 ciudadanos de aplicaciones desarrolladas, con el objetivo de aumentar el acceso público a la información que no se considera privada o confidencial.
• La red social profesional LinkedIn utiliza los datos de sus más de 100 millones de usuarios para construir nuevos productos sociales sobre la base de las definiciones de los usuarios propios en sus conjuntos de habilidades.
• Silver Spring Networks despliega inteligentes de doble vía en las redes de energía para sus clientes de servicios públicos que utilizan la tecnología digital para ofrecer energía más fiable a los consumidores de múltiples fuentes y permiten a los propietarios enviar información a los servicios públicos para ayudar a controlar el consumo de energía y maximizar la eficiencia.
• Jeffrey Brenner y la Camden Coalition asignan las tendencias de una ciudad para identificar los problemas con su sistema de salud, revelando servicios que eran médicamente tanto ineficaces como costosos.
Mientras que la utilidad de los datos grandes puede estar clara, el camino hacia la productividad de los datos grandes («Big Data«) no lo es. Aprovechando con éxito requiere gran penetración de datos en una verdadera inversión en tecnologías probadas y actualizadas cualificaciones de los trabajadores y con el enfoque de liderazgo. Las organizaciones deben combinar tres aspectos de la estrategia, técnica, organizativa, y cultural-con el fin de implementar una plataforma Big Data que se adapte a la empresa y a sus objetivos.
El Leadership Council on Information Advantage expone una hoja de ruta dirigida a las empresas para subir los datos importantes en la curva de aprendizaje y aprovechar mejor su información:
- Comience con lo que ya tenemos. Mediante la preparación de los almacenes de datos existentes para el análisis a través de la integración, el etiquetado, y otros métodos, la abrumadora tarea de recopilar nuevos datos deben quedar en segundo plano para trabajar con conjuntos de datos existentes inicialmente. Las organizaciones necesitan una estrategia bien pensada para la integración del Big Data en su arquitectura de la información para que sea una parte fundamental de la plataforma y la forma de hacer negocios. Los miembros del Consejo recomiendan a las organizaciones reunir a un equipo de líderes empresariales y técnicos que se centren en los grandes volúmenes de datos, a pensar en estos temas y a planificar la oportunidad.
- La línea de los líderes empresariales y los profesionales de TI deben trabajar conjuntamente en la identificación de los bancos de datos existentes que tienen el mayor valor. Seleccionar y elegir las áreas de negocio en las que se ofrecen una visión nueva de mayor impacto, priorizar los datos correspondientes para el análisis y la construcción de los casos de prueba. Buscar a personas que sienten pasión por el negocio y conseguir lo que se invirtió desde el principio.
- Una vez que un caso de prueba ha producido pocos resultados, comenzar a explorar los diferentes usos y combinaciones de datos para crear una nueva visión. Estimule la imaginación de los líderes empresariales para hacer preguntas previamente inexploradas y la creatividad del departamento de TI para superponer diferentes tipos de datos de nuevas maneras.
- Asegurar el conocimiento adquirido que sea susceptible de recurso, frente a los posibles problemas de seguridad, privacidad, cumplimiento o responsabilidad desde el principio. Considere de que forma las técnicas de datos se diferencian de las tradicionales, la revisión y la actualización de las políticas de datos en consecuencia. Asegúrese de que todas las preocupaciones con respecto a la fuente, el uso y los resultados de la manipulación de los datos que se han abordado. Además, las organizaciones tienen que pensar de forma creativa sobre la modernización de los procesos de negocio y los flujos de trabajo para tomar ventaja de lo que ha aprendido de los grandes volúmenes de datos.
- Cultivar el capital humano para aprovechar las oportunidades de los grandes volúmenes de datos y los puntos de vista puede que ser más difícil que el cultivo de las tecnologías adecuadas de los datos grandes y los procesos. Las organizaciones tendrán que aumentar sus listas de talento con datos científicos, las personas deberán combinan la visión para los negocios con creatividad analítica y de experiencia técnica. Se requerirá que especialistas de datos grandes tiendan un puente sobre el negocio y TI, y sus juegos de habilidad tendrán que extenderse bien más allá del DBMS tradicional y del BI.
Al fin y al cabo, es lo que las organizaciones hacen con sus puntos de vista de los datos grandes que marcan la diferencia. Aprovechando los grandes datos donde se requieren cambios profundos en la manera de ver las organizaciones en la función de los datos dentro de la empresa. En la administración reorganizar los departamentos para promover impulsado por los datos en la toma de decisiones, garantizando las herramientas para la captura de datos que están en su lugar y fomentando la manipulación sin restricciones de los datos para dar a conocer una visión. Las organizaciones de TI deben acomodar almacenar y trabajar con grandes volúmenes de datos, y facilitar herramientas de análisis que seann accesibles, fáciles de trabajar e integrarse en los procesos de negocio.
Big data hará una gran diferencia en los próximos años. Los altos ejecutivos deben comenzar a considerar cómo sus empresas pueden beneficiarse de una nueva derivada de los datos importantes.
Conclusión
Big data es una fuerza disruptiva que afecta a las organizaciones en todas las industrias, sectores y economías. No sólo va a las arquitecturas empresariales que cambian para acomodarlo, pero casi todos los departamentos dentro de una empresa se someten a ajustes para permitir que los grandes volúmenes de datos para informar y revelar. El análisis de los datos va a cambiar, pasando a formar parte de un proceso de negocio en lugar de realizar una función distinta sólo por el personal especializado. La productividad Big Data vendrá como resultado de dar a los usuarios de toda la organización el poder de trabajar con los datos diversos establecidos a través de herramientas de autoservicio.
Y eso es sólo el principio. Una vez que las empresas comienzan aprovechar los datos para grandes percepciones, la acción que tome basada en esa idea tiene el potencial de renovar el negocio, tal como se conoce hoy en día. Si un departamento de marketing puede ganar de forma inmediata comentarios sobre una nueva campaña de marca mediante el análisis de los comentarios del blog y conversaciones en el socialnetworking, haga los grupos de muestra y las revisiones de cliente que se hacen obsoletos. Las nuevas empresas ágiles que comprenden el valor de los grandes datos, no sólo para desafiar a los competidores existentes, sino también para poder empezar a definir la manera que se hacen los negocios en sus industrias. Las relaciones con los clientes se someterán a transformación ya que las empresas se esfuerzan por comprender rápidamente los conceptos que antes no podían ser capturados, como el sentimiento y la percepción de la marca.
Los grandes volúmenes de datos a largo plazo tratan de conseguir un montón de atención en los últimos tiempos. Pensamos que habíamos visto una infografía en torno a este concepto. Con respecto a la copia de seguridad de todos los datos, hay algunas cuestiones clave que surgen como veremos a continuación. Echa un vistazo a la infografía para saber más.
¿Cuáles son tus pensamientos alrededor de los datos importantes? ¿Tiene alguna preocupación actual? ¿Cuáles son sus predicciones para el uso y manejo de grandes volúmenes de datos?
Artículos relacionados:
Gestion de los Registros (Records Management) (I)
Gestión de los Registros (Records Management) (II)
Gestión de los Registros (Records Management) (III)
Gestion de los Registros (Records Management) (IV)
Blog dedicado al E-business, E-commerce y Social Media
Eduarea's Blog 