1

Big Data: conceptos, tecnologías, aplicaciones y desafíos en la gestión de datos masivos

Autor

Boada Rebolledo Juny Sway, Cruz Jiménez Byron Hernan Fernandez

Hurtado Dayra Jamileth, Merchan Pin Johnny Alejandro

Moreno Villamar Melani Tatiana, Pibaque Cantos Kenith Alexander

Ruiz Ruiz Victoria Annabel, Salavarria Balaz Franklin Abraham

Tumbaco Barco Melisa Yanella, Vargas Criollo Elly Scarlett

Universidad de Guayaquil

Facultad de Ciencias Administrativas

Ing. Carlos Bazurto Hidalgo

Guayaquil, Ecuador

23 de junio de 2025
 2

Tabla de contenido

1. Portada..............................................................................................................1

2. Introducción......................................................................................................3

Origen y evolución del Big Data ......................................................4

Breve historia desde 2010 hasta hoy ...............................................4

Transición de la gestión tradicional de datos a sistemas avanzados de Big

Data…………………………………………………………………………5

Características del Big Data………………………………………5

Tipos de datos en Big Data………………………………………..7

Desafíos de integración y calidad de datos……………………….8

Fases del proceso Big Data………………………………………..9

Herramientas y Tecnologías para el Tratamiento de Big

Data……………………………………………………………………….11

Herramientas de Procesamiento de Datos……………………...12

Uso de big data en la gestión Académica y Administrativa para mejorar la

toma de Decisiones en tiempo real……………………………………....14

Aplicaciones en educación, salud, marketing, industria y análisis

social……………………………………………………………………….14

Ejemplos de Análisis Predictivo y Minería de Datos…………...15

Desafíos y consideraciones éticas………………………………...16

3. Conclusiones………………………………………………………….17

4. Referencias Bibliográficas…………………………………………..18
 3

Introducción

El Big Data se define como la acumulación de vastos volúmenes de datos, que pueden ser

estructurados o no estructurados, y que se producen a gran velocidad y con una enorme variedad.

Su relevancia hoy en día es innegable, impactando profundamente a diversos sectores.

En el ámbito empresarial, el Big Data permite a las organizaciones optimizar sus operaciones,

identificar nuevas oportunidades de mercado, mejorar la toma de decisiones y personalizar la

experiencia del cliente. Analizando grandes conjuntos de datos, las empresas pueden predecir

tendencias, gestionar riesgos y aumentar su eficiencia.

En el sector educativo, el Big Data facilita la personalización del aprendizaje, permitiendo a las

instituciones adaptar los contenidos y métodos de enseñanza a las necesidades individuales de

los estudiantes. También ayuda a identificar patrones de aprendizaje y a mejorar el rendimiento

académico.

A nivel social, el Big Data contribuye a la mejora de la salud pública mediante el análisis de

datos epidemiológicos, a la gestión de desastres naturales y a la optimificación de servicios

urbanos. Permite entender mejor los comportamientos de la población y diseñar políticas más

efectivas.

Finalmente, en el sector tecnológico, el Big Data es la base de innovaciones como la inteligencia

artificial, el aprendizaje automático y la computación en la nube. Impulsa el desarrollo de nuevas

herramientas y plataformas que procesan y analizan estos enormes volúmenes de información,

abriendo un sinfín de posibilidades para el futuro. La capacidad de manejar y extraer valor del

Big Data se ha convertido en una habilidad esencial en el panorama tecnológico actual.

 4

Origen y evolución del Big Data

El término Big Data se refiere al manejo y análisis de enormes cantidades de datos

que no pueden ser procesados con los sistemas tradicionales. Aunque la idea de trabajar

con grandes volúmenes de información existe desde hace décadas, fue a partir del año 2010

cuando el concepto de Big Data comenzó a tomar fuerza en el mundo de la tecnología y los

negocios.

Breve historia desde 2010 hasta hoy

2010: El concepto de Big Data se vuelve popular gracias a empresas como Google,

Facebook y Amazon, que empezaron a manejar cantidades de datos nunca antes vistas. Se

habló de las tres V para describirlo: volumen (gran cantidad de datos), velocidad (datos que

se generan rápidamente) y variedad (diferentes tipos de datos: texto, imágenes, videos,

etc.).

2012-2015: Comienzan a desarrollarse tecnologías específicas para almacenar y

analizar estos datos, como Hadoop y Spark. Las empresas descubren que pueden obtener

información valiosa de los datos masivos y empiezan a invertir en estas herramientas.

2016-2019: Big Data se combina con otras tecnologías como Inteligencia Artificial

y Machine Learning, lo que permite predecir comportamientos, personalizar servicios y

tomar decisiones más acertadas en tiempo real.

2020 en adelante: Con el aumento del uso de internet, redes sociales, sensores

inteligentes y dispositivos móviles, la cantidad de datos crece aún más. Surgen conceptos

como Data Lakes (almacenamiento flexible de datos) y se prioriza la seguridad y

privacidad de la información.
 5

Actualmente, Big Data es una herramienta clave en áreas como la salud, la

educación, el marketing, las finanzas y los servicios públicos.

Transición de la gestión tradicional de datos a sistemas avanzados de Big

Data

Antes del Big Data, las empresas usaban bases de datos tradicionales (como Excel o

bases relacionales) que servían bien para manejar cantidades limitadas de información,

organizada en tablas y columnas.

Sin embargo, al aumentar la cantidad, velocidad y tipos de datos, estos sistemas

quedaron cortos. Fue necesario crear nuevas herramientas y métodos que permitieran:

- Guardar datos en formatos variados (texto, video, audio, sensores, redes sociales).

- Procesar información en tiempo real.

- Analizar enormes volúmenes de datos desde diferentes fuentes.

- Tomar decisiones más rápidas y precisas.

Así, se pasó de trabajar con bases de datos pequeñas y organizadas a manejar

ecosistemas de datos masivos y desordenados, pero muy útiles si se saben aprovechar.

Desde 2010, el Big Data ha pasado de ser una idea novedosa a una herramienta

esencial para entender el mundo actual. Gracias a su evolución, las organizaciones pueden

procesar información compleja de forma rápida, ayudándoles a tomar mejores decisiones,

anticipar tendencias y ofrecer servicios personalizados.

Características del Big Data

El big data se refiere a una mezcla de datos no estructurados, semiestructurados o

estructurados que las organizaciones recolectan. Estos grupos de datos pueden ser
 6

extraídos para recolectar datos y emplearse en proyectos de aprendizaje automático,

modelado predictivo y otras aplicaciones de análisis sofisticados.

Al Big Data los caracteriza sus 5 (V), las cuales son las siguientes:

- Velocidad: La velocidad hace referencia a que tan rápido se generan y se

mueven los datos, este factor es clave para las organizaciones que necesitan contar con la

información en el momento justo, para poder tomar decisiones rápidas y acertadas en su

operación diaria.

- Volumen: El volumen se refiere a la cantidad total de datos disponibles, en

pocas palabras es la base del big data ya que representa el tamaño y la magnitud de la

información que se recopila. Cuando esa cantidad es lo suficientemente grande, hablamos

del big data.

- Valor: El valor se refiere a los beneficios que una organización puede obtener

a partir del uso del big data, Lo importante no es solo tener muchos datos, si no como

aprovecharlos para tomar decisiones, optimizar procesos o generar nuevas oportunidades.

El verdadero valor del big data está en lo que se puede hacer con la información que se

extrae de él.

- Variedad: La variedad se refiere a los tipos de datos que una organización

puede recopilar, esta información puede venir de muchas fuentes distintas, tanto internas

como externas y su valor puede variar según el contexto.

- Veracidad: La veracidad se refiere a que tan confiable y precisos son los datos

que se recopilan. No toda la información disponible es correcta o útil, y a veces puede

contener errores o ser engañosa. Por eso es importante asegurarse de los datos sean de
 7

calidad, completos y auténticos, ya que de ello depende la confianza que se puede tener en

ellos para tomar decisiones acertadas.

Tipos de datos en Big Data

En el contexto de Big Data, se manejan enormes volúmenes de información

provenientes de diversas fuentes. Estos datos se clasifican en tres grandes tipos, cada uno

con características, usos y desafíos específicos:

1. Datos estructurados

Son datos organizados en formatos tabulares con campos predefinidos (columnas

y filas), lo que facilita su almacenamiento, búsqueda y análisis mediante lenguajes como

SQL.

Ejemplos:

 Registros de transacciones bancarias

 Datos de clientes en un CRM

 Reportes de ventas

- Ventajas: Fáciles de consultar, almacenar y procesar.

- Limitaciones: Poca flexibilidad para datos complejos o de rápida evolución.

2. Datos semiestructurados

Contienen una cierta organización, como etiquetas o esquemas, pero no están

completamente estructurados como una base de datos relacional.

Ejemplos:

 Archivos XML y JSON

 Correos electrónicos

 Formularios web
 8

- Ventajas: Mayor flexibilidad que los datos estructurados, con algo de

organización que facilita el procesamiento automático.

- Limitaciones: Requieren herramientas especializadas para análisis y

transformación.

3. Datos no estructurados

Son los datos más abundantes en Big Data. No tienen un formato definido y pueden

ser difíciles de almacenar y analizar sin tecnologías avanzadas.

Ejemplos:

 Imágenes, audios y videos

 Publicaciones en redes sociales

 Documentos PDF, Word o presentaciones

 Datos generados por sensores IoT (cuando no siguen un patrón claro)

- Ventajas: Ofrecen información valiosa y rica en contexto, especialmente para

análisis de comportamiento, sentimientos o patrones complejos.

- Limitaciones: Procesamiento más costoso y complejo; requieren técnicas como

análisis de texto (NLP), visión computacional o aprendizaje automático.

Desafíos de Integración y Calidad de datos

Debido a la diversidad de formatos y fuentes, trabajar con Big Data implica superar

ciertos obstáculos:

• Heterogeneidad de datos: Combinar datos estructurados con imágenes, videos

o registros IoT requiere plataformas capaces de reconocer y procesar múltiples formatos.

• Calidad de datos: Información duplicada, incompleta, desactualizada o

inconsistente puede afectar los resultados de los análisis.

 9

• Velocidad de generación: Algunos datos, como los de redes sociales o sensores

IoT, se producen en tiempo real, lo que complica su integración inmediata.

• Veracidad: La confiabilidad de la fuente es crítica. No toda la información

capturada es precisa o útil.

• Interoperabilidad: Diferentes sistemas o dispositivos generan datos con

estructuras distintas, lo que hace difícil que se comuniquen entre sí.

La clasificación de los datos en estructurados, semiestructurados y no estructurados

es esencial para definir cómo se almacenan, procesan y analizan. La correcta gestión e

integración de estos tipos de datos, a pesar de sus desafíos, permite generar valor real a

partir del Big Data en áreas como marketing, salud, seguridad, educación,

industria, entre otras.

Fases del proceso Big Data

El proceso de Big Data se compone de varias fases que permiten a las

organizaciones recopilar, almacenar, procesar y analizar grandes cantidades de datos para

obtener información valiosa y tomar decisiones informadas.

La primera fase es la recopilación de datos, en la que se recopilan datos de diversas

fuentes, como bases de datos, redes sociales, sensores, dispositivos móviles, entre otros.

Estos datos pueden ser estructurados o no estructurados, y pueden provenir de fuentes

internas o externas.

Una vez recopilados, los datos se almacenan en sistemas de almacenamiento de

datos, como data warehouses, data lakes o bases de datos NoSQL. Estos sistemas permiten

a las organizaciones almacenar grandes cantidades de datos y procesarlos de manera

eficiente.
 10

La siguiente fase es el procesamiento de datos, en la que se procesan los datos para

limpiarlos, transformarlos y prepararlos para el análisis. Esto puede incluir la eliminación

de datos duplicados o inconsistentes, la conversión de datos a un formato común y la

agregación de datos de diferentes fuentes.

Después de procesar los datos, se aplican técnicas de análisis de datos, como

minería de datos, aprendizaje automático y estadística, para extraer información valiosa de

los datos. Esto puede incluir la identificación de patrones y tendencias, la detección de

anomalías y la predicción de resultados futuros.

Los resultados del análisis se presentan de manera visual, mediante gráficos, tablas

y otros elementos visuales, para facilitar la comprensión y toma de decisiones. Esto puede

incluir la creación de dashboards, informes y visualizaciones interactivas que permiten a

los usuarios explorar los datos y obtener información adicional.

Finalmente, se interpretan los resultados del análisis para identificar patrones,

tendencias y oportunidades, y se toman decisiones informadas basadas en los datos. Esto

puede incluir la identificación de áreas de mejora, la optimización de procesos y la

implementación de estrategias para aprovechar las oportunidades identificadas.

En resumen, el proceso de Big Data es un ciclo continuo que implica la

recopilación, almacenamiento, procesamiento, análisis y visualización de datos, y la

interpretación de los resultados para tomar decisiones informadas. Al aprovechar las

tecnologías y técnicas de Big Data, las organizaciones pueden obtener información valiosa

y tomar decisiones informadas para impulsar el crecimiento y la innovación.

La implementación de un proceso de Big Data efectivo requiere una comprensión

profunda de las necesidades y objetivos de la organización, así como de las tecnologías y

 11

técnicas disponibles. También es importante considerar los desafíos y riesgos asociados

con el manejo de grandes cantidades de datos, como la seguridad y la privacidad.

En última instancia, el proceso de Big Data puede ayudar a las organizaciones a

obtener una ventaja competitiva en el mercado, mejorar la eficiencia y la productividad, y

tomar decisiones informadas para impulsar el crecimiento y la innovación. Al aprovechar

las oportunidades que ofrece Big Data, las organizaciones pueden mejorar su capacidad

para innovar y adaptarse a un entorno en constante cambio.

Herramientas y Tecnologías para el Tratamiento de Big Data

El tratamiento de Big Data implica varias etapas cruciales, incluyendo captura,

transformación, procesamiento y análisis de datos. A continuación, se presentan algunas de

las herramientas y tecnologías más destacadas para cada una de estas etapas:

Herramientas de Captura de Datos

- Apache Kafka: una plataforma de código abierto para la captura y procesamiento

de datos en tiempo real.

- Apache Flume: una herramienta para la recopilación y transferencia de datos de

diferentes fuentes a un sistema de almacenamiento centralizado.

Herramientas de Transformación de Datos

- Apache Beam: un framework de código abierto para la transformación y

procesamiento de datos en batch y en tiempo real.

- Apache NiFi: una herramienta para la automatización del flujo de datos entre

diferentes sistemas.
 12

Herramientas de Procesamiento de Datos

- Apache Hadoop: un framework de código abierto para el procesamiento de

grandes conjuntos de datos.

- Apache Spark: una herramienta de procesamiento de datos en memoria que

permite un análisis rápido y eficiente de grandes conjuntos de datos.

Herramientas de Análisis de Datos

- Tableau: una herramienta de visualización de datos que permite crear cuadros de

mando interactivos y obtener información valiosa de grandes conjuntos de datos.

- Power BI: una herramienta de inteligencia empresarial que permite analizar y

visualizar datos de diferentes fuentes.

- Google BigQuery: un servicio de almacenamiento y análisis de datos en la nube

que permite procesar grandes conjuntos de datos de manera eficiente.

Plataformas de Big Data

- Cloudera: una plataforma de datos que ofrece soluciones integrales de ingeniería

de datos, aprendizaje automático y análisis.

- Amazon Redshift: un servicio de almacenamiento de datos en la nube que

permite analizar grandes conjuntos de datos de manera eficiente.

- Snowflake: una plataforma de almacenamiento de datos en la nube que ofrece

escalabilidad y rendimiento inigualables.

Ejemplos de Software y Plataformas más Utilizadas

- Apache Hadoop: utilizado por empresas como Facebook y The New York

Times.

- Elasticsearch: utilizado por empresas como Mozilla y Etsy.

 13

- MongoDB: utilizado por empresas como Bosch y Telefónica.

Aplicaciones prácticas y casos de uso de la Big Data

Uso de big data en la gestión Académica y Administrativa para mejorar

la toma de Decisiones en tiempo real

El uso de Big Data en la gestión académica y administrativa está transformando la

forma en que las instituciones educativas toman decisiones en tiempo real. A través del

análisis masivo de datos generados por estudiantes, profesores, sistemas de aprendizaje

virtual y plataformas administrativas, es posible identificar patrones de comportamiento,

prever problemas como la deserción estudiantil y optimizar la asignación de recursos. Por

ejemplo, mediante dashboards inteligentes y herramientas de visualización, los directivos

pueden conocer en tiempo real el rendimiento académico por asignatura, detectar grupos en

riesgo y ajustar los planes de estudio o intervenciones pedagógicas de forma inmediata.

Asimismo, en el ámbito administrativo, la integración de datos permite planificar mejor el

presupuesto, gestionar eficientemente los horarios, automatizar procesos internos y evaluar

con mayor precisión el desempeño docente, lo cual mejora la calidad general de los

servicios educativos.

Aplicaciones en educación, salud, marketing, industria y análisis social

 En cuanto a sus aplicaciones prácticas en sectores clave, Big Data ha

demostrado gran utilidad en educación, salud, marketing, industria y análisis social.

 En educación, se utiliza para personalizar el aprendizaje y diseñar contenidos

adaptativos basados en el rendimiento de cada estudiante.

 14

 En salud, permite analizar historiales clínicos y datos de dispositivos médicos

para predecir enfermedades, optimizar tratamientos y reducir hospitalizaciones

innecesarias.

 En marketing, las empresas aplican Big Data para segmentar clientes,

personalizar ofertas y predecir comportamientos de compra, como lo hacen Amazon o

Netflix.

 En la industria, se utiliza para mantenimiento predictivo, control de calidad en

tiempo real y optimización de procesos mediante sensores y algoritmos que monitorean la

producción.

 En el ámbito social, el análisis masivo de datos permite estudiar dinámicas

poblacionales, detectar fraudes fiscales o mapear la propagación de enfermedades como el

dengue o el Chagas a través de datos de movilidad.

Ejemplos de Análisis Predictivo y Minería de Datos

En cuanto a los ejemplos de análisis predictivo y minería de datos, estas técnicas

permiten anticiparse a eventos futuros mediante el reconocimiento de patrones y

correlaciones dentro de grandes volúmenes de datos.

Por ejemplo, en la banca, se usan modelos predictivos para evaluar el riesgo

crediticio de un cliente antes de otorgarle un préstamo. En educación, se puede predecir el

abandono escolar con base en el historial académico y de comportamiento del estudiante.

La minería de datos, por su parte, es fundamental para extraer conocimiento útil a

partir de grandes bases de datos: identifica relaciones ocultas entre variables, agrupa

perfiles similares (como consumidores o pacientes) y permite una toma de decisiones más

informada. Ambas herramientas son la base de sistemas inteligentes que se adaptan

 15

automáticamente a los cambios del entorno, siendo cruciales en contextos dinámicos como

el marketing digital, la atención médica o la gestión urbana.

Desafíos y consideraciones éticas

Consideraciones éticas en el análisis de big data

Max Friedrich Dorn, (2024) Menciona en su escrito las cuestiones éticas y el

análisis de la BIG DATA:

Esta sección explora las cuestiones éticas clave, incluyendo las preocupaciones

sobre la privacidad relacionadas con la recopilación y el uso de datos personales, la

necesidad de precisión y transparencia en el manejo y análisis de datos, los desafíos en

torno a la accesibilidad y la propiedad de los datos, y el potencial de sesgo e injusticia en la

toma de decisiones algorítmica. Comprender estas cuestiones es crucial para desarrollar

estrategias que mitiguen los riesgos, protejan los derechos individuales y garanticen que el

análisis de big data se aplique de manera justa y ética.

Cinco Desafíos De La Big Data

Pozo, (2019). Menciona en su escrito cinco puntos que considera importante lo que

enfrenta la Big Data que son los siguientes :

Necesidad de talento

El avance del Big Data en los últimos años ha sido tan rápido y ha impactado de tal

manera que los profesionales en este campo se han convertido en los más codiciados por

las empresas. Los científicos de datos se encuentran entre los expertos mejor pagados de la

industria. Esto es debido a una de sus principales funciones, que radica en analizar grandes

volúmenes de datos con distintas soluciones tecnológicas para poder determinar si la

 16

información es valiosa, con el objetivo de mejorar distintos tipos de procesos en la

empresa.

 Calidad de los datos: Uno de los retos más importante al implementar

soluciones de Big Data es asegurarse de que la información que se analiza sea precisa y

relevante para el negocio. A pesar de que este proceso ralentice la presentación de

informes, será fundamental para asegurarse de que las ideas a implementar estén basadas

en información relevante.

 Ciberseguridad: El almacenamiento de datos, especialmente de aquellos que

son catalogados como confidenciales, suele ser uno de los objetivos más atractivos para los

ciberataques. Las empresas deben asegurarse de que sus repositorios de datos ya sean en

servidores físicos o virtuales, cuenten con las medidas de seguridad necesarias para evitar

el robo, el secuestro o incluso la destrucción de la información.

 Reglamentación: La mayoría de la información que almacenan las empresas

es confidencial o privada, por lo que es importante cumplir ciertos marcos legales propios

de cada industria a la hora de almacenar y analizar los datos. Como consecuencia del

rápido avance de las tecnologías en Big Data, las compañías deben garantizar la protección

y circulación de los datos propios y de clientes con los últimos códigos normativos como el

Reglamento General de Protección de Datos.

 Cambio dinámico: El desarrollo constante y rápido de la tecnología obliga a

las organizaciones a repensar la posibilidad de invertir en herramientas de Big Data. Sin un

análisis correcto de los procesos que se desean agilizar o los costes que se desean ahorrar,

puede resultar en una mala implementación, causando una pérdida de dinero, tiempo y

obsolescencia a corto plazo.

 17

o El Big Data ofrece a las compañías la posibilidad de obtener un conocimiento

detallado, fiable y profundo para tomar decisiones más inteligentes y menos arriesgadas.

La importancia crucial de esta tecnología no radica en almacenar un gran volumen de

datos, sino en saber analizarlos para extraer el máximo valor de ellos.

Conclusión

El Big Data es fundamental en el mundo digital, cambiando la forma en que las

empresas recolectan, analizan y aplican la información. Esta investigación ha mostrado

cómo influye en diferentes áreas, permitiendo que las decisiones se tomen de manera más

rápida, informada y precisa al analizar grandes cantidades de datos en tiempo real.

Basado en sus características principales; el volumen la velocidad, la variedad, la

veracidad y el valor, el Big Data no solo mejora la innovación y la eficacia dentro de las

organizaciones, sino que también crea nuevas oportunidades para el avance tecnológico y

social. Las herramientas tecnológicas modernas, como Apache Hadoop, Spark, Power BI y

Tableau, hacen que esto sea más fácil, aunque también traen desafíos importantes en

cuanto a la calidad de los datos, la seguridad cibernética, la normativa y la ética.

En este sentido, la relevancia del Big Data para la transformación digital y la

administración de la información es clara. Su uso adecuado permite ofrecer ventajas

competitivas, prever tendencias, personalizar servicios y resolver problemas difíciles en

distintos contextos.

Mirando hacia el futuro, es crucial promover la educación especializada en Big

Data. La necesidad de expertos con habilidades en análisis de datos, inteligencia artificial y

ética digital seguirá creciendo. Preparar a las nuevas generaciones no solo mejorará el
 18

talento disponible, sino que también garantizará un uso responsable y estratégico de los

datos, ayudando a construir una sociedad más informada, eficiente y justa.

Referencias Bibliográficas

Mayer-Schönberger, V., & Cukier, K. (2013). Big Data: La revolución de los datos

masivos (1ª ed.). Editorial Debate. [Link]

[Link]

Telefónica. (2023, julio 7). Las 5 V del Big Data. ¿Cómo pueden beneficiar a las

empresas? Telefónica. [Link]

beneficios/

ENAE International Business School. (2025, 16 de junio). Big Data: qué es y por qué es

clave en el mundo digital. ENAE. [Link]

en-el-mundo-digital

Pratt, M. K. (2024, 18 julio). Las 18 mejores herramientas y tecnologías de big data que

debe conocer. [Link]. [Link]

mejores-herramientas-y-tecnologias-de-big-data-que-debe-conocer

De Ingeniería del Conocimiento, I. (2019, 20 agosto). 7 Herramientas Big Data para tu

empresa. Instituto de Ingeniería del Conocimiento.

[Link]

Max Friedrich Dorn, H. H. (16 de septiembre de 2024). Consideraciones éticas en el

análisis de big data. Obtenido de [Link]

analytics/
 19

Pozo, a. C. (13 de agosto de 2019). Desafios que enfrenta Big Data . Obtenido de

[Link]