3.

1 Big data
En los últimos años se ha hablado mucho de big data. Si bien es un
término bastante amplio que hace referencia a grandes volúmenes
de datos, en analítica digital ha cobrado una gran relevancia.

Esto se debe, sobre todo, a que las empresas deben modificar sus
equipos, formas de trabajo, recursos y herramientas para
adecuarse a un mundo en el que ya no se trabaja con datos planos
y lineales, sino con enormes cantidades de datos, estructurados y
no estructurados (imágenes, videos, audios). Esto les supone un
desafío al momento de recolectarlos, explorarlos, analizarlos y
utilizarlos en beneficio de los objetivos de negocio.

Cuando se hace mención a big data, o a grandes volúmenes de

datos, se tienen en cuenta 4 aspectos que la diferencian de la small
data (pequeñas cantidades de datos):

 Volumen: tamaño de los datos.

 Velocidad: rapidez con la que esos datos se modifican.
 Veracidad: incertidumbre acerca de lo que esos datos
contienen.
 Variedad: cantidad de fuentes de datos y formas distintas
que puede tener la data.

Existen 3 desafíos que nacen junto al big data:

 Almacenamiento: es necesario contar con herramientas o

plataformas que almacenen gran cantidad de datos.
 Diversidad: capacidad de poder almacenar en un mismo
repositorio tanto los datos estructurados como los no
estructurados.
 Procesamiento: utilizar las técnicas adecuadas para procesar
estos grandes volúmenes de datos.

Hay, además, tres roles que juegan un papel fundamental:

 Ingeniero: será el responsable de utilizar las herramientas

adecuadas para facilitar el acceso a los datos.

1
  Consultor de negocio: serán los responsables de comprender
el problema de negocio y definir los pasos para resolverlo.
 Científico: definirá el modelo más idóneo para resolver el
problema.

3.1.1 Data mining

Data mining (o minería de datos, en español) incluye el proceso y
las técnicas que permiten explorar grandes volúmenes de datos
(big data) con el objetivo de encontrar patrones comunes de
comportamiento.

Se utilizan técnicas de data mining cuando no es posible explorar

los datos de forma manual debido a su cantidad, volumen o
estructura. Se requieren, entonces, técnicas automatizadas o
semiautomatizadas que permitan descubrir, extraer y almacenar
esos datos para que luego los analistas puedan sacar conclusiones
y tomar decisiones.

La minería de datos permite buscar e identificar información

valiosa dentro de grandes volúmenes de datos.

Para la exploración de los datos se utilizan técnicas de estadística

o algoritmos capaces de identificar estos patrones. Por eso,
quienes trabajan con grandes volúmenes de datos deben tener
conocimientos avanzados en estas áreas: estadística, matemática
o, incluso, inteligencia artificial.

Las fases dentro del data mining comienzan con los datos en bruto,
y finalizan con la interpretación y toma de decisiones. A nivel
general, se pueden identificar cuatro etapas principales:

1) Lectura y limpieza de los datos (cleansing): en esta etapa se

procede a filtrar todos aquellos datos inválidos, incorrectos,
duplicados, desconocidos, que pueden ensuciar una base de
datos y afectar los resultados.

2
 2) Selección de variables: según cuáles sean los objetivos del
análisis, se seleccionarán algunas variables y se descartarán
otras. Esto permitirá reducir la cantidad de datos y aumentar
la velocidad de procesamiento, ya que no todas las variables
tendrán la misma relevancia. Ejemplo: si tenemos la base de
datos del registro automotor del país, pero nuestro análisis se
centra en la posesión de autos antiguos, se seleccionará como
variable el año de patentamiento, pero no la variable que
define el color del auto.

3) Extracción de datos: con el empleo de distintas técnicas se

pueden obtener patrones de comportamiento basados en las
variables seleccionadas o relaciones de asociación entre
distintas variables. Existen distintas técnicas y lenguajes
comúnmente usados para la extracción de datos. Algunos de
ellos son:
a. Redes neuronales: están inspirados en la manera en
que funciona el sistema nervioso.
b. Regresión lineal: hace referencia a la relación entre
dos variables.
c. Árboles de decisión: son modelos predictivos que
utilizan inteligencia artificial y emplean relaciones
lógicas basados en reglas.
d. Modelos estadísticos: sirven para indicar si existe o
no una relación entre dos variables.
e. Clustering: agrupa distintos valores según su cercanía
o distancia respecto a una característica específica.

4) Interpretación y evaluación: en esta etapa, el análisis se

centra en la coherencia de los datos en base a los resultados
obtenidos. El modelo debe ser validado antes de tomar
decisiones.

3.1.2 Datawarehouse: arquitectura de

la información

Cuando hablamos de big data y de grandes volúmenes de datos,

no podemos dejar de mencionar el término datawarehouse. Como

3
su nombre en inglés lo indica, hace referencia a un almacén de
datos, un repositorio.

En informática, en estadística y en data science, estos repositorios

de datos se caracterizan por tener tres cualidades que los
diferencian de cualquier otro. El datawarehouse debe ser:

 Integrado: permite integrar en un mismo lugar los datos de

muchas fuentes de información distintas.
 No volátil: la información debe ser permanente, es decir, no
debe sufrir modificaciones.
 Variable en el tiempo: los datos siempre se encuentran
actualizados y permiten realizar análisis históricos.

Los datawarehouse suelen contener datos de una gran cantidad de

fuentes de información distintas. Esta información, a su vez, puede
provenir de otras plataformas que, al mismo tiempo, ya han
procesado los datos.

Nivel de agregación
La data que se incluye en el repositorio puede ser data cruda o
data agregada. Cuando se encuentra de forma cruda, permite una
mayor variedad de análisis. Por ejemplo, una base de datos
tradicional puede constituir una fuente de data cruda, mientras que
la información que proviene de Google Analytics ya se encuentra
procesada por esa herramienta.

Origen de la data
Existen tres tipos de fuentes de información que se pueden incluir
en un datawarehouse:

 First party data: es la data de fuentes propias. Por ejemplo, en

una marca, corresponde a la información que poseen de sus
propias bases de datos, redes sociales, sitio web o
aplicaciones.
 Second party data: es la data obtenida de otras empresas con
consentimiento explícito de los usuarios y mediante un acuerdo
entre las partes. Por ejemplo, cuando una marca realiza un
acuerdo con un banco, es probable que puedan compartir sus

4
 bases de datos, siempre y cuando los usuarios lo hayan
permitido.
 Third party data: es la data proveniente de fuentes externas.
En general, suele adquirirse a gran escala, lo que permite
poseer bases de datos muy grandes, aunque poco
detalladas.

Tipo de recolección
La forma de recolectar la data que se va a incluir en el
datawarehouse es variada:

 Declarativa: es toda aquella data que fue proporcionada

voluntariamente por un usuario. Un ejemplo muy común son los
formularios presentes en sitios web en los cuales los usuarios
completan datos y los envían aceptando términos y
condiciones del uso de los mismos.
 Comportamental: surge de herramientas de análisis de
comportamiento de usuarios. Por ejemplo, toda la información
proporcionada por Google Analytics.
 Transaccional: proviene de diversas plataformas que
brindan información transaccional de los usuarios. Esto incluye
compras online, solicitudes online, etcétera.

Nivel de identificación
Los repositorios tienen información clasificada en distintos niveles.
En lo que respeta al usuario, esta información puede ser:

 Personal: es decir, cada persona se encuentra identificada

de manera única. Puede ser nombre, teléfono,
geolocalización, foto, datos bancarios, etc.
Se debe tener cuidado con el manejo de este tipo de
información ya que existen varias reglamentaciones y leyes
(especialmente en Europa) sobre el uso de la información
personal, por considerarse datos sensibles y protegidos.
 Seudonimizada: corresponde a la identificación indirecta. Es
decir, se pueden individualizar comportamientos, pero sin
saber a quién pertenecen.
 Anónima: los datos son anónimos y no se pueden
individualizar comportamientos.

5
Cloud vs on premise
Una de las primeras definiciones que debe tomar una empresa al
comenzar a desarrollar un datawarehouse será dónde prefiere
tener guardados sus datos. Existen dos opciones: guardarlos en la
nube (cloud) y acceder a ellos a través de una conexión a internet,
lo cual evita necesitar un hardware propio; o guardarlos en
servidores locales de la empresa, con lo cual estarán disponibles
solo mediante dispositivos locales.

Tabla 1. Ventajas y desventajas on cloud y on premise

ON CLOUD Características ON PREMISE
Menor Tiempo de Mayor
implementación
Baja Inversión por Alta
adelantado
No Costos adicionales Si
asociados
Predecible Costo total Impredecible
Menor Personalización Mayor
Del proveedor Estándar de Propia
seguridad
Fuente: elaboración propia.

Esquema de un datawarehouse
Al comenzar a estructurar un datawarehouse es necesario
distinguir claramente dos áreas:

 Operación: aquí se define toda la data que recibirá el

repositorio, las fuentes de datos y herramientas que se
puedan conectar de forma automática.
 Inteligencia de negocio: son quienes harán uso de la
información que se encuentra en el datawarehouse para la
toma de decisiones.

6
Figura 1. Ejemplo de un esquema datawarehouse

Fuente: elaboración propia.

El ETL (extract, transform and load) es el proceso por el cual se

extrae la información necesaria de las fuentes de información
externas; se transforma para que se adecúe a una base de datos
integrada y se carga en el repositorio para ser explotada por los
analistas.

En resumen, un datawarehouse proporciona una herramienta clave

para la toma de decisiones de cualquier área a partir de datos e
información integrada y global de todo el negocio. Permite,
además, encontrar relaciones entre distintos datos, variables y
fuentes de información que aportan valor agregado a la toma de
decisiones.

3.1.3 Herramientas y lenguajes

esenciales

En el desarrollo de un datawarehouse se encuentran involucradas

una gran variedad de herramientas y lenguajes de programación,
necesarios para cada una de las etapas o necesidades. A
continuación, detallaremos algunos ejemplos:

7
Amazon web services, Google Cloud Platform,
Mixrosoft Azure
Estas plataformas son servicios integrales que se encuentran en la
nube (es decir, se accede a ellas a través de internet), ofrecen la
posibilidad de integrar inmensas infraestructuras de datos y las
tienen disponibles para la explotación de información y decisiones
de negocio.

Los precios varían de una plataforma a otra, pero, en general, los

valores están asociados al volumen de almacenamiento que se
brinda y a la cantidad de consultas que habilitan realizar a la
base.

Hadoop y Spark
Son frameworks de computación de tipo open source (es decir, de
código abierto) que permiten una lectura más simple, ágil e
interpretable de los datos almacenados en un datawarehouse.

En analítica digital estas aplicaciones son muy usadas ya que

permiten buscar en millones de páginas web resultados relevantes
mediante algoritmos propios o desarrollados especialmente para
un objetivo específico.

SQL
El lenguaje de consulta estructurado (structural query language)
hace referencia es un tipo de lenguaje utilizado para realizar
consultas en grandes bases de datos de manera ágil y sencilla.

Utiliza modelos el álgebra y cálculos relacionales para realizar las

consultas y extraer información.

8
3.1.4 Visualización de la
información
Uno de los desafíos más grandes frente a la manipulación de big
data, es la manera en que se pueden sintetizar y presentar los
datos de forma clara y entendible para cualquier analista.

Python y R
Estos son los lenguajes más utilizados en la ciencia de datos. Los
científicos de datos, estadísticos u otros analistas, hacen uso de
estos lenguajes para poder traducir los datos en visualizaciones.

Son gratuitos, ambos permiten interactuar con herramientas y

plataformas en la nube. Además, al ser de código abierto, se
encuentran disponibles para manipular, modificar, corregir,
agregar funciones, de acuerdo con las necesidades de cada
empresa.

Gracias a las numerosas librerías que contienen, se pueden

realizar gráficos muy variados como histogramas, diagramas de
dispersión, mapas, etcétera.

Figura 2. Ejemplo de visualización realizada con R

Fuente: BBVA API Market, 2015, [Link]

en-python-para-cientificos-de-datos-como-visualizar-informacion.

9
3.2 Data science
Los data scientist han sido definidos por Thomas H. Davenport
(2012) como “the sexiest job of the 21st century”. La búsqueda de
data scientists en grandes y medianas empresas ha crecido de
forma exponencial en los últimos años.

La ciencia de datos hace referencia a un campo interdisciplinario

que incluye los procesos y sistemas para extraer conocimiento de
grandes volúmenes de datos. Decimos que es un área
interdisciplinaria porque incluye ciencias de la computación,
matemática, estadística, negocio.

Figura 3. Data science

Fuente: Barber, 2018, [Link]

e9d72d818745

La minería de datos, la estadística y el machine learning son parte

fundamental de la ciencia de datos.

La ciencia de datos sirve para:

10
  Predecir: cuando se posee información de entrada (X), pero
no de salida (Y).
 Entender relaciones entre X e Y, y cómo una afecta a la otra.
 Comprender la existencia de patrones en los datos.

Figura 4. Patrones de comportamiento - Clustering

Fuente: elaboración propia.

Los científicos de datos suelen ser matemáticos, economistas,

estadísticos u otras profesiones afines.

Sus objetivos principales son:

 Preparar la información para que pueda ser analizada.

 Explorar los datos para encontrar patrones.
 Ajustar el modelo para hallar la mejor manera de resolver un
problema de negocio.

Big data se diferencia de data science porque, mientras el primero

se centra en los problemas de almacenaje de grandes volúmenes
de información; el segundo hace referencia a la manera de
transformar los datos en información de valor.

11
3.2.1 Estadística y modelos
Como mencionamos, existen varias disciplinas que participan de la
ciencia de datos. Una de ellas es la estadística.

La estadística hace referencia a la formalización de relaciones

entre variables que se manifiesta mediante ecuaciones
matemáticas.

Los modelos probabilísticos o estadísticos son ecuaciones

matemáticas que se utilizan para indicar los distintos factores que
modifican la variable de respuesta. Sirven para explicar la
variabilidad de un fenómeno particular.

Por ejemplo, si se pretende realizar un análisis de la tasa de

variación media de la población de una ciudad determinada, las
variables que explican esas variaciones pueden estar relacionadas
a su tamaño, perfil económico o clima.

Existen varios modelos estadísticos, aunque los más utilizados son:

 Modelo de correlación: es un índice que permite medir la

fuerza de correlación entre dos variables.
 Modelo de regresión lineal: es la relación que existe entre
una variable dependiente y una variable independiente.

Los modelos interpretables son aquellos que utilizan modelos

estadísticos, como las regresiones lineales o árboles de decisión,
para generar insights sobre el impacto de ciertas variables.

En cambio, los modelos no interpretables poseen reglas

demasiado complejas, difícil de llevar a cabo por una persona.
Uno de los ejemplos más conocidos son los modelos de redes
neuronales que permiten predecir comportamientos. Estos modelos
se inspiran en el comportamiento del cerebro humano y permiten
predecir y resolver problemas usando técnicas más complejas que
los algoritmos tradicionales o las técnicas estadísticas
probabilísticas.

12
En cualquiera de los casos, los modelos predictivos se utilizan en
marketing y publicidad para predecir comportamientos. Emplean,
para esto, inferencias estadísticas.

3.2.2 Machine learning

El aprendizaje automático (o machine learning) “(…) tiene como
objetivo desarrollar técnicas que permitan a las computadoras
aprender. Se trata de crear programas capaces de generalizar
comportamientos a partir información no estructurada suministrada
en forma de ejemplos”. (Ecured, 2009,
[Link] Es
decir, estos modelos se alimentan de información del pasado para
predecir y clasificar nuevos datos relevantes.

Estos modelos se pueden clasificar en:

 Modelos supervisados: hallan respuestas basados en otras

respuestas ya conocidas. Estos modelos se suelen emplear
para que los datos históricos ayuden a predecir probables
eventos futuros.
 Modelos no supervisados: aprenden paulatinamente sin tener
respuestas previas. Es decir, el sistema no posee una respuesta
correcta y no existen etiquetas históricas. Por ejemplo, se
pueden utilizar modelos de clustering en donde se identifican
comportamientos similares de un grupo de clientes, que se
puede utilizar, luego, en acciones de marketing afines a sus
intereses.

3.2.3 Herramientas esenciales

Al igual que para el caso de big data o datawarehouse, también
hay una gran variedad de herramientas que permiten trabajar con
aprendizaje automáticos y lenguajes para manipular grandes
cantidades de datos no estructurados.

Detallamos a continuación algunos ejemplos:

13
H2O
Es una plataforma de código abierto desarrollada en Python y R,
y se puede utilizar para analizar conjuntos de datos en la nube.
Permite predecir situaciones de fraude o realizar análisis
avanzados de impacto en publicidad.

Link: [Link]

OpenNN
Es una biblioteca de programación que permite implementar redes
neuronales.

Link: [Link]

PredictionIO
Es un servidor que permite desarrollar motores predictivos de
cualquier tipo, personalizarlos e implementarlos en un sitio web.

Link: [Link]

3.2.4 Casos de aplicación de

modelos
Existen numerosos casos de aplicación de modelos de aprendizaje
automático que forman parte de nuestra vida cotidiana y que,
muchas veces, apenas percibimos.

Por ejemplo, en su celular usted puede habilitar el teclado

predictivo, el cual aprende, con el tiempo, las palabras que más
utiliza.

14
Figura 6. Teclados predictivos

Fuente: Melenciano (2014) [Captura de pantalla] Recuperado de

[Link]

Los modelos de aprendizaje automático pueden tener muchas

utilidades: detectar fraude, predecir qué usuarios se darán de
baja de un servicio, predecir fallos tecnológicos, prever qué
empleados serán más rentables en el futuro, predecir el clima, el
tráfico, realizar diagnósticos médicos o predecir el impacto que
puede tener una comunicación en redes sociales.

En marketing y publicidad, los usos del aprendizaje automático son

muy valiosos para mejorar la experiencia del usuario, ofrecerles
productos y servicios alineados a sus intereses y comportamientos,
o para fidelizar usuarios.

Algunos ejemplos de esto son:

Recomendación de productos
Los sitios de comercio electrónico utilizan muchas veces técnicas de
machine learning basadas en el comportamiento de los usuarios:
productos que vieron, productos que agregaron al carrito,

15
categorías más buscadas (sobre las cuales los usuarios hicieron clic),
etc.

Esta información es utilizada para ofrecer productos relacionados

o recomendados a otros usuarios con similares características.

Figura 7. Recomendación de productos

Fuente: [Link]. Inc (1996-2019) [captura de pantalla].

Recuperado de [Link],

Bots
Los bots o asistentes virtuales son un claro ejemplo de uso de
técnicas de machine learning. Estos “robots” aprenden a medida
que se interactúa con ellos y se les provee la información necesaria
para que acumulen conocimiento y puedan brindar las respuestas
correctas.

16
Figura 8. Asistente virtual

Fuente: Gobierno Ciudad de Buenos Aires (2019) [captura de pantalla]. Recuperado

[Link]

Lead scoring y clustering

Los modelos de aprendizaje automático son óptimos también en el
uso de técnicas de retención y fidelización de usuarios.
Por ejemplo, el lead scoring o calificación de leads es una técnica
automatizada que permite calificar a los potenciales clientes según
su grado de afinidad con el cliente ideal, su interacción con la
empresa y el punto del journey de compra en el cual se encuentra.
Para esto, se utilizan herramientas de que permiten cruzar la
información histórica con datos demográficos, sociales o de
comportamiento.
El modelo aprende a medida que pasa el tiempo de cada uno de
esos factores y genera, como resultado, un ranking que indican la
propensión de compra (conversión) de un segmento de clientes.

17
A su vez, la utilización de modelos de clustering permite identificar
segmentos de clientes que comparten comportamientos y
características similares, y buscar así otros potenciales clientes con
características afines a esas, pero que aún no se han convertido en
clientes (lookalike).
Figura 9. Lead scoring

Fuente: elaboración propia.

18
Referencias
[Link], Inc. [captura de panyalla]. Recuperado de
[Link]

Barber, M. (14 de enero de 21018). Data science concepts you need

to know! Part 1. Recuperado de
[Link]
e9d72d818745

BBVA API Market (2015). Cinco librerías en Python para científicos

de datos: cómo visualizar información. Recuperado de
[Link]
python-para-cientificos-de-datos-como-visualizar-informacion

Davenport, T. H. (2012). The seciest job of the 21st century

[documento en línea]. Recuperado de
[Link]
21st-century.

Ecured. (2009) Aprendizaje automático. [documento en línea].

Recuperado de
[Link]

Gobierno de la Ciudad de Buenos Aires. BA 147. [captura de

pantalla]. Recuperado de
[Link]

19