U4.

ANÁLISIS DE
DATOS

Módulo: Digitalización aplicada al sist. productivo

IES LAURONA

1
 Contenido
4.1 Diferencia entre Dato vs. Información. ..................................................... 3
4.2 El Ciclo de vida de los Datos...................................................................... 3
4.3 Big Data. Definición, Ventajas y Desventajas. ........................................... 5
4.4 Aplicaciones del Big Data en la empresa. .................................................. 6
4.5 Relación entre: Big Data, Deep Learning e Inteligencia Artificial. .............. 9
4.6 Qué es la Ciencia de Datos (Data Science)................................................11
4.7 Bibliografía/ Webgrafía ...........................................................................12

2
4.1 Diferencia entre Dato vs. Información.
Un dato es un registro básico y “en bruto” sobre un hecho. Por sí solo no explica nada, porque
no tiene contexto. Es simplemente un valor, una cifra, una fecha o una medición que se ha
recogido (por ejemplo: “23”, “sí/no”, “15%”, “Valencia”, “lunes”).
En cambio, la información aparece cuando esos datos se procesan, se organizan, se
interpretan y se colocan dentro de un contexto que les da significado. Es decir, la información
sí permite comprender una situación y, sobre todo, tomar decisiones.
Un dato se convierte en información de distintos modos:
• Contextualizando: se le añade un contexto respondiendo a qué significa, en qué
situación ocurre y para qué sirve, estableciendo una referencia temporal/espacial…
• Categorizando: se agrupan datos con otros similares para comparar y tener un marco
de referencia.
• Calculando: se analiza matemática o estadísticamente los datos.
• Condensando: se resumen los datos en formato de tabla o gráficos.
Esto es especialmente importante en entornos digitales, porque las empresas trabajan con
grandes volúmenes de datos y necesitan transformarlos en información útil para mejorar su
eficiencia y tomar decisiones más rápidas y precisas.
La ingente cantidad de datos a veces es perjudicial porque:
• Dificultan centrarse en lo relevante.
• Son difíciles de entender (no tienen significado por sí mismos, solo en contexto)
• Solo describen una parte de la realidad. No ofrecen interpretación ni valoración, no
ayudan a tomar decisiones a diferencia de la información.

4.2 El Ciclo de vida de los Datos.

En una empresa:

EL CICLO DE VIDA DE LOS DATOS

FASE EN QUÉ CONSISTE

CAPTURA Recopilación de datos a través de entrada manual, datos

recogidos por sensores, bases de datos…

3
ALMACENAMIENTO Custodia de datos en repositorio apropiado: bases de datos,
archivos o la nube.

PROCESAMIENTO Y Procesamiento y análisis de datos para extraer la información

VISUALIZACIÓN por medio de cribados, análisis estadístico o aprendizaje
automático. Los datos se presentan de forma comprensible en
informes, dashboards, gráficos, tablas…

USO OPERATIVO Los datos procesados y analizados proporcionan información

valiosa y se utilizan directamente en la actividad diaria de una
organización para apoyar tareas, procesos y decisiones reales.
Datos convertidos en un recurso práctico que permite:
• Ejecutar operaciones (por ejemplo, gestionar pedidos,
controlar stock o asignar recursos).
• Tomar decisiones rápidas basadas en información
actualizada.
• Automatizar procesos mediante reglas o sistemas
inteligentes.
• Mejorar la eficiencia y la productividad, reduciendo
errores y tiempos de respuesta.
• Controlar y supervisar el funcionamiento del negocio
(indicadores, alertas, incidencias).

ALMACENAMIENTO/ Los datos se almacenan permanentemente en archivos para

ELIMINACIÓN/ liberar espacio en los sistemas de procesamiento, dejando así
REUTILIZACIÓN históricos esenciales.
Se eliminan cuando llegan al fin de su vida útil según normativa y
política LOGPD.
Pueden reutilizarse si su relevancia sigue vigente, para nuevos
análisis o informes.

4
4.3 Big Data. Definición, Ventajas y Desventajas.
El Big Data es el conjunto de tecnologías y metodologías que permiten capturar, almacenar,
procesar y analizar cantidades masivas de datos, que además se generan de manera continua
y proceden de muchas fuentes diferentes (por ejemplo: redes sociales, compras online,
sensores, dispositivos conectados, etc.).

Se considera “Big Data” cuando los datos no se pueden gestionar de forma eficaz con
herramientas tradicionales, porque son muchos, se generan muy rápido y tienen formatos
variados.

Características del Big data

• Valor de la información: al analizar los datos de manera efectiva se crea información

de un alto valor para la empresa. Así, podemos comprender comportamientos,
predecir compras o generar publicidad personalizada.
• Veracidad de datos: no todos los datos son igual de fiables. El grado de confianza de
un dato es una característica importante que nos evitará muchos de los errores
generados en el análisis posterior.
• Velocidad de procesamiento: permite el procesamiento rápido de datos en tiempo
real, facilitando la obtención de insights
• Volumen de datos: maneja cantidades masivas de información, desde terabytes hasta
petabytes, provenientes de diversas fuentes y formatos.
• Variedad de datos: puede gestionar datos estructurados y no estructurados,
incluyendo texto, imágenes, vídeos y más, posibilitando un análisis completo.

Ventajas del Big Data

Las principales ventajas para empresas y organizaciones son:

• Mejores decisiones: permite basarse en evidencias reales (datos) y no solo en

intuición.

• Mayor eficiencia: optimiza procesos, reduce errores y mejora tiempos.

• Predicción y anticipación: facilita prever demanda, comportamientos de clientes o

fallos.

• Personalización: permite adaptar productos, servicios y campañas al perfil del cliente.

5
 • Ventaja competitiva: quien analiza mejor sus datos, suele responder mejor al
mercado.

Estas mejoras están muy conectadas con la digitalización empresarial y el uso de herramientas
que hacen posible trabajar con datos a gran escala.

Desventajas del Big Data

Aun así, también existen riesgos y limitaciones:

• Privacidad y protección de datos: si se gestiona mal, puede generar problemas legales

o de confianza.

• Coste de implantación elevados: requiere inversión (infraestructura, software,

personal especializado). Solo las grandes empresas puede sostener la inversión que
requiere su mantenimiento y desarrollo.

• Calidad y cantidad de los datos: si hay datos incompletos o erróneos, el análisis puede
llevar a conclusiones equivocadas.

• Dependencia tecnológica: puede generar dependencia de plataformas, nube o

proveedores.

• Riesgos de seguridad: al centralizar datos valiosos, aumentan las amenazas

(ciberataques).

• Falta de personal capacitado: la ciencia avanza más deprisa que la sociedad y se tardó
en implantar estos estudios así que la capacitación es diversa y el número de personas
que acceden a ello menor de la que requiere la industria.

4.4 Aplicaciones del Big Data en la empresa.

Las aplicaciones del Big data en las empresas son diversas porque permite transformar los
datos en decisiones, mejorar la gestión y aumentar la rentabilidad. Vamos a centrarnos en
estos 5 sectores para documentar algunos de sus usos concretos en cada ámbito.

A. SANIDAD

En el sector sanitario, el Big Data ha transformado tanto la atención clínica como la gestión
pública de la salud. Sus aplicaciones buscan mejorar la prevención, el diagnóstico, el
tratamiento y la eficiencia de los sistemas de salud. Entre los usos más relevantes destacan:

6
 • Medicina personalizada: analizando datos clínicos, genéticos y epidemiológicos, se
pueden diseñar tratamientos adaptados a las características específicas de cada
paciente, lo que ha demostrado ser especialmente útil en enfermedades crónicas o
complejas.

• Predicción y prevención de enfermedades: permite detectar patrones de riesgo antes

de que aparezcan síntomas, así como anticipar brotes o epidemias mediante análisis
de grandes volúmenes de datos geográficos y clínicos.

• Mejora de la gestión hospitalaria: el análisis de datos de uso hospitalario puede

optimizar la asignación de recursos, reducir tiempos de espera y mejorar la calidad
asistencial.

• Investigación médica acelerada: procesar grandes conjuntos de datos clínicos e

históricos acelera la investigación de nuevas terapias y medicamentos.

En conjunto, estas aplicaciones ayudan a reducir costes, mejorar la atención y apoyar

decisiones clínicas basadas en evidencia.

B. CIUDADES INTELIGENTES

En el ámbito de las ciudades inteligentes, el Big Data integrado con tecnologías como IoT e IA
permite una gestión urbana más eficiente y sostenible. Las aplicaciones concretas son:

• Movilidad y transporte urbano: analizando datos de sensores de tráfico, GPS y

transporte público, se pueden optimizar rutas, reducir tiempos de congestión y
planificar mejor los servicios de movilidad.

• Eficiencia energética y servicios públicos: sistemas inteligentes ajustan el consumo de

energía en tiempo real, gestionan iluminación pública o equilibran la carga en redes
eléctricas.

• Gestión de emergencias y seguridad: con datos en tiempo real se detectan anomalías,

se previenen conflictos y se coordinan mejor los recursos de respuesta ante
situaciones críticas.

• Ambiente y sostenibilidad: análisis de datos ambientales (calidad del aire, niveles de

ruido, gestión de residuos) facilita decisiones para mejorar la calidad de vida urbana.

7
Estas aplicaciones permiten mejorar la calidad de vida de los ciudadanos, reducir el impacto
ambiental y hacer la ciudad más resiliente y eficiente.

C. DEPORTE

En el deporte, el Big Data tiene aplicaciones tanto a nivel de alto rendimiento como a nivel de
gestión y experiencia de aficionados:

• Análisis de rendimiento de atletas: recolectando datos de sensores, wearables o

cámaras, se pueden evaluar indicadores físicos (velocidad, distancia, aceleración) para
optimizar entrenamientos y minimizar lesiones.

• Estrategia y táctica: los equipos profesionales utilizan análisis de datos para estudiar
patrones de juego, rendimiento en tiempo real y optimizar decisiones tácticas.

• Experiencia del aficionado: las franquicias deportivas analizan datos de asistencia,

consumo o interacción digital para mejorar servicios, productos y engagement de los
fans.

• Proyectos urbanos relacionados con deporte y bienestar: iniciativas como la

optimización de rutas saludables en ciudades (gestión de espacios deportivos,
seguridad o condiciones ambientales) también combinan Big Data con IA y sensores
urbanos para fomentar estilos de vida activos.

En el deporte, la analítica de datos potencia el rendimiento, la gestión y la experiencia general

de todos los agentes implicados.

D. EDUCACIÓN

En educación, el Big Data permite entender mejor cómo aprenden los estudiantes y cómo
mejorar los procesos de enseñanza-aprendizaje. Sus aplicaciones incluyen:

• Detección temprana de riesgo educativo: el análisis de asistencia, calificaciones o

participación permite identificar a estudiantes con riesgo de abandono o bajo
rendimiento.

• Personalización de aprendizaje: los datos del rendimiento y comportamiento

académico facilitan la adaptación de contenido educativo a las necesidades
individuales.

8
 • Optimización de recursos institucionales: se pueden mejorar horarios, asignación de
aulas y distribución de profesores basándose en patrones reales de uso.

• Mejora de metodología docente: los datos ayudan a evaluar qué métodos educativos
son más eficaces y en qué áreas los estudiantes necesitan más apoyo.

Estas aplicaciones contribuyen a una experiencia educativa más eficiente, equitativa y

adaptada a estudiantes y docentes.

E. TURISMO

El Big Data ha cambiado profundamente la forma de gestionar y comercializar los destinos

turísticos. Algunas de las aplicaciones más significativas son:

• Personalización de ofertas: analizando los comportamientos y preferencias de los

viajeros, se puede crear ofertas de viaje y paquetes adaptados a cada segmento de
turista.

• Gestión dinámica de precios: permite ajustar tarifas de alojamiento, transporte u

otros servicios en función de la demanda en tiempo real y eventos locales,
maximizando ingresos.

• Optimización de flujos turísticos: analizar datos de ocupación y movimiento ayuda a

distribuir visitantes de manera más equitativa, mejorar la experiencia y reducir la
saturación en puntos turísticos clave.

• Atención al cliente y feedback: el análisis del feedback de visitantes —por ejemplo,

opiniones en redes o plataformas de reseñas— mejora servicios y estrategias de
fidelización.

El uso de Big Data en turismo incrementa la competitividad de destinos y empresas turísticas,

al ofrecer experiencias más personalizadas y eficientes.

4.5 Relación entre Big Data y Análisis de Datos, Deep Learning e Inteligencia
Artificial.
La relación entra Big Data, Deep learning e Inteligencia Artificial:

9
 BIG DATA vs. MACHINE LEARNING/DEEP LEARNING
BIG DATA MACHINE LEARNING/DEEP LEARNING
Big Data proporciona la gran cantidad El machine learning (aprendizaje
de datos necesarios para entrenar los automático) utiliza algoritmos y modelos
modelos de Machine o Deep learning. estadísticos que permiten a las máquinas
Gracias a estos datos, los sistemas aprender a realizar tareas específicas sin
pueden identificar patrones, realizar intervención humana directa.
predicciones y mejorar su rendimiento, El deep learning (aprendizaje profundo) es
lo que genera el proceso de aprendizaje una forma avanzada de machine learning
automático. que emplea redes neuronales artificiales, y
se usa en tareas más complejas como el
reconocimiento de imágenes,
procesamiento del lenguaje natural o los
juegos inteligentes.

BIG DATA vs. ANÁLISIS DE DATOS

BIG DATA ANÁLISIS DE DATOS
Big Data refiere a la gestión de El Análisis de Datos se centra en tareas
conjuntos de datos grandes y como la inspección, limpieza,
complejos, tanto en su almacenamiento transformación e interpretación de los
como en su procesamiento y análisis, datos.
con el objetivo de extraer información. El análisis de datos es el encargado de
Big Data proporciona la infraestructura extraer conocimiento útil y relevante a
tecnológica necesaria para manejar partir de dichos datos.
grandes cantidades de información.

BIG DATA vs. INTELIGENCIA ARTIFICIAL

BIG DATA INTELIGENCIA ARTIFICIAL
El Big Data proporciona los datos en La Inteligencia Artificial se refiere a que las
grandes cantidades para entrenar los máquinas, físicas o virtuales, realicen
tareas que requieren inteligencia humana.
modelos de la IA y que, mediante el
Para ello, el machine y el Deep learning

10
machine learning y Deep learning, posibilitan el aprendizaje profundo de
generen sistemas más capaces. esos sistemas de IA.

4.6 Qué es la Ciencia de Datos (Data Science).

La CIENCIA DE DATOS es campo multidisciplinario que usa métodos científicos,
procesos y sistemas para extraer conocimientos y percepciones de datos en distintas
formas. Incluye aplicación de estadísticas, aprendizaje automático, visualización de
datos y otras técnicas para analizar datos.
Ciencia de Datos vs. Big Data: la diferencia radica en que el Big Data se centra
en la infraestructura de los datos y la gestión de gran volumen de datos, mientras
que l
FASES En qué consiste. Ejemplo.
1. Definición del Detectar situaciones a mejorar en la empresa. Por ejemplo,
problema las rutas de reparto de nuestros riders son, por una parte,
poco eficaces, y por otra, cansadas para ellos. Queremos
optimizar rutas de reparto. Se toman datos de: trayectos,
distancias, tiempo empleado, nº de pedidos por
trayecto/ruta, precio medio del pedido por trayecto/ruta
para identificar rutas.
2. Adquisición y Recoger y recopilar datos relevantes para el problema
preparación de detectado y prepararlos de forma que puedan analizarse.
datos Por ejemplo, recoger rutas por medio de gps, relojes u otros
wereables, contabilizar distancias, cruzar los datos que
tenemos de pedidos, localizaciones, rutas... Y volcarlos todos
en la app de análisis.
3. Análisis Visualizar los datos para identificar tendencias y patrones.
exploratorio de En nuestro ejemplo, ver rutas, tipos de pedidos, horas más
datos habituales, días, etc…

4. Modelado de Construir modelos predictivos o clasificatorios.

datos Una vez analizados los datos, podemos devolverlos a un
modelo que nos indique qué rutas son más habituales, cuáles
más rentables, cuáles debemos revisar…

11
 5. Implementación Aquí, según los resultados del modelado de datos se ponen
de resultados en práctica soluciones y se evalúa la idoneidad de estas.
en práctica y
evaluación
efectividad

4.7 Bibliografía/ Webgrafía

• “Digitalización aplicada a los sistemas productivos”, Hernando Polo, Cristina; del

Blanco Martínez, Javier. MCGRAW HILL, 2024.
• “Digitalización aplicada a los sectores productivos”, EDITEX, 2024.
• "Aplicaciones del Big Data", Adams Formación.
• "Aplicaciones del Big Data: ejemplos y usos principales", Ayuda Ley Protección Datos.
• "Big Data: aplicaciones, beneficios y ejemplos", OBS Business School.
• "Digital health and data-driven health systems", Organización Mundial de la Salud
(OMS).
• "Ejemplos reales del Big Data en nuestro día a día", Universidad Isabel I.
• "Principales aplicaciones del Big Data", Santander Open Academy.
• "Smart cities and communities", Comisión Europea.

12