INTERNET DE LAS COSAS (IOT) Y LA GESTIÓN DE DATOS: RETOS
EN EL PROCESAMIENTO DE GRANDES VOLÚMENES DE DATOS EN
TIEMPO REAL
Introducción
Con el avance tecnológico y la transformación digital ha provocado que
una cantidad cada vez mayor de objetos cotidianos y dispositivos
industriales permanezcan conectados a Internet. Sensores de
temperatura, cámaras, vehículos, relojes inteligentes, sistemas de
producción, electrodomésticos y dispositivos médicos son capaces de
generar información continuamente. Este fenómeno, conocido como
Internet de las Cosas (IoT), ha modificado la manera en que las
organizaciones recopilan información y toman decisiones. Sin embargo,
la conexión de millones de dispositivos también plantea un problema
importante: cómo gestionar, almacenar y procesar de manera eficiente
los enormes volúmenes de datos que se producen constantemente.
El desafío no consiste únicamente en almacenar información. En muchos
escenarios, los datos deben analizarse prácticamente en el momento en
que son generados. Una interrupción en una máquina industrial, un
cambio brusco en las condiciones de un paciente o una anomalía
detectada en el tráfico urbano pueden requerir una respuesta inmediata.
Por ello, la gestión de datos en IoT debe considerar simultáneamente
aspectos como volumen, velocidad, variedad, calidad, seguridad y
disponibilidad. La literatura especializada señala precisamente que estos
elementos hacen que la administración de datos IoT sea
considerablemente más compleja que la gestión tradicional de
información (Shirvanian et al., 2022). (DOI)
El crecimiento de los datos generados por IoT
Una de las principales características del IoT es la diversidad de fuentes
que participan en la generación de información. Un sistema puede
recibir datos procedentes de cientos o miles de sensores, cada uno con
diferentes formatos, frecuencias de actualización y niveles de precisión.
En consecuencia, la información obtenida no siempre es homogénea ni
tiene la misma utilidad.
Este escenario se relaciona directamente con el concepto de big data. La
gestión de grandes cantidades de datos producidos por IoT comprende
varias etapas: recopilación, comunicación, ingestión, almacenamiento,
procesamiento, análisis y utilización de los resultados. Cada una de
estas etapas presenta dificultades particulares. Por ejemplo, los
dispositivos pueden tener capacidades limitadas de memoria,
procesamiento y energía, mientras que los sistemas centrales deben ser
capaces de atender simultáneamente enormes cantidades de solicitudes
(Al-Turjman et al., 2022). (PubMed Central (PMC))
El problema aumenta cuando la información debe procesarse en tiempo
real. En un sistema tradicional es posible almacenar los datos y
analizarlos posteriormente mediante procesos por lotes. En IoT, esta
estrategia no siempre es suficiente. Si una organización espera horas
para analizar los datos, la información puede perder parte de su valor.
Nait Malek et al. (2017) destacan precisamente la necesidad de
combinar tecnologías IoT y big data para desarrollar plataformas
capaces de realizar monitoreo y procesamiento continuo. (ScienceDirect)
Principales retos del procesamiento en tiempo real
Uno de los primeros retos es la latencia. Cuando los datos deben
utilizarse para tomar decisiones inmediatas, el tiempo transcurrido entre
su generación y procesamiento resulta fundamental. Enviar toda la
información hacia centros de datos remotos puede incrementar los
tiempos de respuesta debido a las comunicaciones y al procesamiento
centralizado. Por esta razón, arquitecturas basadas en edge computing y
fog computing han adquirido importancia, ya que permiten realizar
determinadas operaciones más cerca de los dispositivos que producen
los datos.
Otro reto importante es la escalabilidad. Una infraestructura que
funciona correctamente con cientos de sensores puede presentar
problemas cuando debe administrar cientos de miles o millones de
dispositivos. La capacidad de procesamiento, almacenamiento y
comunicación tiene que crecer sin que los costos y los tiempos de
respuesta aumenten de manera desproporcionada. Diène et al. (2020)
señalan que la gestión de datos IoT requiere considerar arquitecturas y
mecanismos capaces de responder a las características particulares de
estos sistemas. (ScienceDirect)
La heterogeneidad constituye otro problema relevante. Los
dispositivos IoT pueden utilizar diferentes protocolos, sistemas
operativos, formatos y mecanismos de comunicación. Integrar esta
información para obtener una visión coherente del entorno requiere
procesos de normalización e interoperabilidad. Gil et al. (2019) explican
que la complejidad de la gestión de big data en IoT aparece durante
distintas etapas del ciclo de vida de los datos, incluyendo su
recopilación, almacenamiento, limpieza, integración y análisis. (Wiley
Online Library)
También debe considerarse la calidad de los datos. Una gran cantidad
de información no necesariamente significa información útil. Los
sensores pueden producir valores incorrectos debido a fallos técnicos,
interferencias, errores de comunicación o condiciones ambientales. Si
esos datos son procesados automáticamente, pueden generar
conclusiones equivocadas. Estudios recientes sobre gestión de datos IoT
destacan precisamente la necesidad de establecer mecanismos de
evaluación de calidad, detección de anomalías y protección de la
integridad de la información (Abdalzaher et al., 2025). (ResearchGate)
Finalmente, existen desafíos relacionados con la seguridad y
privacidad. Muchos dispositivos recopilan información que puede
revelar comportamientos, ubicaciones, hábitos de consumo o incluso
información personal. La enorme cantidad de dispositivos conectados
amplía la superficie de ataque y hace necesario implementar
mecanismos de autenticación, cifrado, control de acceso y monitoreo. La
seguridad, por tanto, no puede considerarse una etapa independiente
del sistema, sino un elemento que debe incorporarse durante todo el
ciclo de gestión de los datos.
Estrategias para enfrentar el problema
Una de las alternativas más importantes consiste en distribuir el
procesamiento. En lugar de enviar todos los datos directamente a la
nube, determinados análisis pueden ejecutarse en dispositivos cercanos
a la fuente. Esta estrategia permite reducir el volumen de información
transmitida y disminuir la latencia. La nube continúa siendo relevante
para almacenamiento, análisis histórico y procesamiento de grandes
conjuntos de datos, pero el edge computing puede encargarse de las
decisiones que requieren una respuesta inmediata.
Otra estrategia consiste en utilizar sistemas especializados para
procesamiento de flujos de datos. Estos permiten analizar información
conforme llega, identificando patrones, eventos o anomalías sin
necesidad de esperar a que se complete un conjunto de datos. De esta
manera, las organizaciones pueden transformar los datos IoT en
información útil con mayor rapidez.
Además, la inteligencia artificial y el aprendizaje automático pueden
contribuir a identificar patrones que resultarían difíciles de detectar
mediante métodos tradicionales. Sin embargo, utilizar modelos de
inteligencia artificial también implica costos computacionales y riesgos
relacionados con la calidad de los datos. Por ello, no basta con
incorporar algoritmos avanzados; es necesario contar con una
infraestructura capaz de proporcionar datos confiables y procesarlos
dentro de los tiempos requeridos.
Conclusión
El Internet de las Cosas representa una oportunidad importante para
mejorar procesos industriales, servicios urbanos, atención sanitaria,
transporte y actividades cotidianas. No obstante, su crecimiento genera
un desafío que no puede resolverse simplemente aumentando la
capacidad de almacenamiento. El verdadero problema consiste en
transformar grandes cantidades de datos heterogéneos y generados
continuamente en información confiable y útil dentro de un tiempo
razonable.
Los principales retos se relacionan con la latencia, escalabilidad,
heterogeneidad, calidad, seguridad y capacidad de procesamiento. Ante
esta situación, las arquitecturas distribuidas, el edge computing, el
procesamiento de datos en flujo y las técnicas de inteligencia artificial
constituyen alternativas importantes. Aun así, ninguna tecnología por sí
sola resuelve el problema.
En este sentido, la gestión de datos debe entenderse como un
componente estratégico del IoT. Una infraestructura correctamente
diseñada debe determinar qué información conservar, dónde procesarla,
cómo protegerla y qué datos requieren una respuesta inmediata. El
futuro del IoT dependerá, en buena medida, de la capacidad para
administrar estos grandes volúmenes de información sin sacrificar
velocidad, confiabilidad ni seguridad. Por ello, el reto no es solamente
generar más datos, sino desarrollar sistemas capaces de convertirlos
oportunamente en conocimiento y decisiones.
Referencias
Abdalzaher, M. S., Krichen, M., Shaaban, M. F., & Fouda, M. M. (2025).
Quality-focused Internet of Things data management: A survey,
perspectives, open issues, and challenges. IEEE Internet of Things
Journal, 12(22), 46431–46458.
[Link] (NRIAG Research Database)
Al-Turjman, F., et al. (2022). A comprehensive and systematic literature
review on the big data management techniques in the Internet of Things.
Sensors, 22. (PubMed Central (PMC))
Diène, B., Rodrigues, J. J. P. C., Diallo, O., Ndoye, E. H. M., & Korotaev, V.
V. (2020). Data management techniques for Internet of Things.
Mechanical Systems and Signal Processing, 138, 106564.
[Link] (ScienceDirect)
Gil, D., Johnsson, M., Mora, H., & Szymański, J. (2019). Review of the
complexity of managing big data of the Internet of Things. Complexity,
2019, 4592902. [Link] (Wiley Online
Library)
Nait Malek, Y., Kharbouch, A., El Khoukhi, H., Bakhouya, M., De Florio, V.,
El Ouadghiri, D., Latre, S., & Blondia, C. (2017). On the use of IoT and big
data technologies for real-time monitoring and data processing. Procedia
Computer Science, 113, 429–434.
[Link] (ScienceDirect)
Shirvanian, N., Shams, M., & Rahmani, A. M. (2022). Internet of Things
data management: A systematic literature review, vision, and future
trends. International Journal of Communication Systems, 35(14), e5267.
[Link] (DOI)