1

Análisis de información

Introducción

El acceso cada vez más fácil a las fuentes como la web y a dispositivos electrónicos,

ya sean bases de datos, o cd Rom, nos ha originado la constitución de bases de datos textuales

de gran tamaño (específicamente en lo que respecta a la disponibilidad y ordenamiento de

datos estadísticos), que den mayor efectividad.

Donde el análisis de datos es la ciencia que se encarga de examinar un conjunto de

datos con el propósito de sacar conclusiones sobre la información para poder tomar

decisiones, o simplemente ampliar los conocimientos sobre diversos temas. Actualmente en

muchas industrias usan el análisis de datos para sacar conclusiones y decidir acciones para

implementar, cabe mencionar que la ciencia también usa el análisis de datos donde puede

comprobar o descargar teorías o modelos existentes.

 2

Glosario

1. Algoritmos: Es un conjunto de instrucciones definidas, ordenadas y acotadas para

resolver un problema o realizar una tarea.

2. Analítica de datos: Se encarga de examinar un conjunto de datos con el propósito de

sacar conclusiones sobre la información para poder tomar decisiones, o simplemente

ampliar los conocimientos sobre diversos temas.

3. Big Data: Se refiere a los datos que son tan grandes, rápidos o complejos que es

difícil o imposible procesarlos con los métodos tradicionales.

4. Biotecnología: Se define como un área multidisciplinaria, que emplea la biología,

química y procesos varios. La biotecnología utiliza células vivas para desarrollar o

manipular productos con fines específicos.

5. Ciencia de datos: La preparación de los datos para el análisis, incluida la limpieza, la

agregación y la manipulación de los datos para realizar análisis avanzados.

6. Data science: Es la ciencia centrada en el estudio de los datos. Se encarga de extraer

información de grandes cantidades de datos.

 3

7. Data Warehouse: Es un repositorio que captura los datos que genera una empresa de

una manera homogénea y fiable, en base a una estructura jerarquizada.

8. Machine Learning: Es la disciplina del campo de la Inteligencia Artificial que, a

través de algoritmos, dota a los ordenadores de la capacidad de identificar patrones en

datos masivos y elaborar predicciones.

9. Gestión de los datos: Es el proceso de ingerir, almacenar, organizar, utilizar y

mantener los datos creados y recopilados por una organización.

10. Gobernanza de datos: Es un conjunto de procesos, funciones, políticas, normas y

mediciones que garantizan el uso eficaz y eficiente de la información con el fin de

ayudar a una empresa a cumplir sus objetivos.

11. Huge data: Se refiere tanto al enorme volumen de datos, en muchos casos

inmanejable, como a la exploración de nuevos enfoques y tecnologías para su gestión

eficiente.

12. Inteligencia Artificial: Combinación de algoritmos planteados con el propósito de

crear máquinas que presenten las mismas capacidades que el ser humano.

13. Metadato: Son “datos acerca de los datos” y sirven para suministrar información

sobre los datos producidos.

 4

14. Métricas de navegación: Es la complejidad del flujo de navegación que no incluyen

vínculos y páginas generados de manera dinámica.

15. NoSQL: Son sistemas de gestión de bases de datos y estructuras que permiten

almacenar información cuando las bases de datos relacionales dan problemas.

16. Petabytes: Es una unidad de medida de memoria (2 elevado a 50).

17. Perl: Es un lenguaje de Scripting que se diseñó a finales de los años 80. Toma

características del lenguaje C y de otros lenguajes de programación.

18. Tecnología de datos: Proceso que utiliza una combinación de medios y métodos de

recopilación, procesamiento y transmisión de datos para obtener nueva información

de calidad sobre el estado de un objeto, proceso o fenómeno.

19. UIMA, Arquitectura de Gestión de Información Desestructurado): Son los

sistemas de software que se utiliza para entender la información no estructurada.

20. Weka: Es una colección de algoritmos de aprendizaje automático para tareas de

minería de datos, contiene herramientas para la preparación de datos, clasificación.

regresión, agrupación, extracción de reglas de asociación y visualización.

B. Consultar, analizar y responder:

 5

1. ¿Qué es y qué diferencia hay entre el análisis cualitativo y el análisis cuantitativo de

datos?

Se puede definir que en el análisis de datos cuantitativos suele perseguir los

resultados objetivos a través de cifras (números), mientras que en el cualitativo obtiene

conclusiones subjetivas con un enfoque netamente interpretativo a través de análisis de una

situación o individuo.

2. Indicar diez herramientas utilizadas para analizar datos y explíquelas (concepto,

funciones, ventajas, entre otras)

● Microsoft Power BI: Es una herramienta analítica de Microsoft, ofrece

visualizaciones interactivas de datos, y una de las más populares, así como una

integración sencilla con otras herramientas de la misma corporación, además Power

BI puede integrar en aplicaciones de terceros mediante Power Bi Embed y permite

compartir reportes y análisis de datos de forma muy segura.

● SAS: Es una herramienta líder en análisis de datos, fue desarrollada inicialmente en

1966 en el instituto SAS, y luego mejorada en los años 80 y 90, es un lenguaje de

programación que permite manipular los datos fácilmente. Es muy manejable,

accesible y tiene una capacidad de analizar un dato independientemente de la fuente

de datos.
 6

● Excel: Esta herramienta analítica muy popular y fundamentalmente, es una

herramienta bastante básica, aunque muy versátil y se utiliza en prácticamente en

todas las industrias.

● Tableau Public: Es un software gratuito que conecta diferentes fuentes de datos,

como Microsoft Excel, Data Warehouse, datos basados en la web, etc., y crea

dashboards, mapas y visualizaciones que tienen actualizaciones en tiempo real

sociales.

● Rapidminer: Esta herramienta es muy eficaz para el data science integrado, fue

desarrollado por una compañía que también realiza análisis predictivos y algunos

análisis más avanzados como machine Learning, análisis de texto, análisis visual y

minería de datos sin necesidad de programación.

● Apache Spark: Fue desarrollado en 2009 en el laboratorio de AMP de Berkeley en

la Universidad de California esta herramienta es un motor de procesamiento de datos

que funcionan a gran escala y puede ejecutar aplicaciones que ya están en Clusters

Hadoop más rápido, hasta 10 veces), en disco y hasta 100 veces más rápido si está en

memoria.

● Qlik view: Esta herramienta tiene unas características únicas, algunas de las cuales

son el procesamiento de datos en memoria y la tecnología patentada para ayudarle a

ejecutar su resultado rápidamente y almacenar todos los datos que están presentes en

el informe, esta herramienta mantiene automáticamente la asociación de datos y puede

comprimirlos a solo el 10% del tamaño inicial.

 7

● Programación en R: Esta es una de las mejores herramientas analíticas disponibles

en la industria de hoy en día, se utiliza principalmente para el modelado de datos y

estadísticas. Esta herramienta es muy fácil de usar y fácil su manipulación y presenta

los datos de muchas maneras, donde supera a muchas otras herramientas en términos

de rendimiento, capacidad de datos resultados.

● Zoho Analytics: Esta plataforma consiste en un software centrado en la inteligencia

empresarial, la generación de informes y el análisis de datos, Zoho Analytics logra

que las empresas accedan a us métricas empresariales clave y visualizar qué

tendencias se mantienen en el tiempo, revendo información oculta que puede ser clave

para su negocio.

3. Indicar cinco herramientas utilizadas para procesar datos y explíquelas (concepto,

funciones, ventajas, entre otras)

El procesamiento de datos se desarrolla cuando se recaban los datos y se traducen a

información utilizable, suelen ocuparse los científicos de datos, solos o en equipos, y es

importante que el procesamiento se realice correctamente para no afectar negativamente al

producto final o a los resultados obtenidos a partir de datos.

Las etapas del procesamiento de datos son:

● Recogida de datos: Es el primer paso del procesamiento, los datos se extraen de las

fuentes disponibles, entre las cuales se cuentan los data lakes y los almacenes de
 8

datos, es importante que las fuentes de datos disponibles sean fiables y están bien

creadas para los datos recabados y que sean de la más alta calidad posible.

● Preparación de datos: Una vez recolectados los datos, se pasan a la fase de la

preparación de datos, en la preparación de datos, a menudo llamada

preprocesamiento, es la etapa en la que los datos en bruto se limpian y organizan para

la siguiente fase de procesamiento.

● Introducción de datos: A continuación, los datos limpios se introducen en su

destino (puede ser un CDM; como Salesforce, o un almacén de datos, como Rediff y

se traducen un lenguaje comprensible): La introducción de datos es el primer paso en

el que los datos en bruto empiezan a cobrar forma como información utilizable.

● Procesamiento: Durante esta fase los datos ingresados en el ordenador en la fase

anterior se procesan realmente para su interpretación, el procesamiento se efectúa

por medio de algoritmos de machine Learning, si bien el proceso en sí pueden variar

ligeramente según cual sea la fuente de los datos que se esté procesando (data lakes,

redes sociales, dispositivos conectados ,etc.) y su uso previsto (estudiar patrones

publicitarios, diagnósticos médicos a partir de dispositivos conectados, determinar

necesidades de clientes, etc.).

● Salida /Interpretación de datos: En esta etapa, es la fase en la que los datos resultan

finalmente utilizables para los que no son científicos de datos, donde están traducidos,

son legibles y muchas veces se presentan en forma de gráficos, videos, imágenes,

textos simples, etc., y a partir de este momento los miembros de una empresa o
 9

institución pueden empezar a autogestionarse los datos para sus propios de analíticas

de datos.

4. ¿Cuál es su análisis y conclusiones de los recursos de análisis de datos?

a. “Ciencia de Datos¨ ¿La profesión más Sexy del Siglo 21?

En la “ciencia de datos” es encontrar la forma de sacar ventaja o provechos de esos

datos, ya que cada día crece exponencialmente los; en el mercado se implementan más

herramientas y otras cogen más crecimiento como lo es una de ellas, que ayudan a solucionar

problemas, permitiendo tomar mejores decisiones. La profesión más sexy del siglo 21 es

importante ya que puede descubrir tendencias, predecir el futuro y anticipar grandes

conjuntos de datos usando algoritmos e inteligencia artificial, abarcando muchas

competencias.

Para concluir la ciencia de datos tiene muchas ventajas siendo de gran importancia

para encontrar valor en cantidades de datos, sirviendo para responder preguntas y solucionar

problemas. El propósito de detectar patrones y tendencias que optimicen la toma de

decisiones estratégicas. cada vez avanzamos más en la tecnología, beneficiando muchas cosas

y haciéndolas más sencillas, hasta llegar a un punto que todos tengamos que analizar los

datos es algo que más adelante debemos saber así sea básico.

b. La importancia del análisis de datos en las empresas Roylin Castrillo

 10

El análisis de datos es cada vez más importante, ya que vasado en estos se ha convertido

en uno de los valores más importantes que tiene las empresas, hoy en día ya esto les permite

tomar mejores decisiones para sus negocios.

c. Exploración en la frontera de los grandes volúmenes de datos – Tim Smith.

Se puede contar con una increíble cantidad de información alrededor de nuestra sociedad,

donde los físicos del CERN han estado reflexionando sobre las formas de almacenamiento y

en compartir sus datos durante décadas.

La globalización es la estimulante de la internet en su camino, mientras que se

resuelve el problema de datos grandes, y la participación de Tim Smith parcelas del CERN

con grandes volúmenes de datos de hace más de 50 años hasta nuestros días.

d. Lectura 10 ventajas competitivas basadas en el análisis de los datos.

Estas son las formas en que los datos pueden ser una ventaja estratégica para las

organizaciones:

 Incrementando ventas, e identificar las oportunidades futuras.

 Superando la competencia.

 Mejorando productos y servicios.

 Expansión hacia nuevos mercados.

 Atraer, ganar y retener más clientes.

 Mejorando operaciones.
 11

 Reclutamientos contrataciones y crecimiento del talento.

 Acelerara la planificación presupuestos y previsión.

 Protegiendo la marca.

 Identificación de áreas de mejora.

La analítica avanzada está transformando las operaciones para impulsar las estrategias de los

negocios para obtener un alto impacto en las organizaciones.

 12

Conclusiones

De esta forma se puede decir el análisis de información a través de sistemas ERP se

ha vuelto indispensable para las organizaciones dado el valor que tienen los datos para tomar

decisiones y convirtiéndose en empresas competitivas, ágiles en análisis y estratégicas,

generando un impacto positivo en la organización a nivel de procesos y producción.

Aunque existen muchas herramientas análisis de datos hay muchos factores que deben

considerarse antes de elegir una de ellas, por ejemplo, dada la necesidad que tenga la

organización si solo se trata organizar y guardar los datos, si además de guardar la data es

aprovechar para transformar esos datos en un análisis, los temas de costos que generaría la

implementación de la herramienta pues esta debe ser justificada y además del valor que

aporta la misma y por ultimo el impacto que generaría en cada una de las áreas de la

organización.
 13

Referencias Bibliográficas

The 8 data analysis tools that every developer should know.

https://nexusintegra.io/es/8-herramientas-analisis-datos-todo-desarrollador-

deberia-conocer/

IBM Data Analyst Course - Build a Creer in Data Science.

https://alend.com/es/resources/what-is-data-processing/

Oracle. (s, f). Ciencia de datos. https://www.oracle.com/co/data-science/what-is-data-

science/

Iberdrola. (s, f). Inteligencia artificial. https://www.iberdrola.com/innovacion/que-es-

inteligencia-artificial

Iberdrola. (s, f). Machine Learning. https://www.iberdrola.com/innovacion/machine-

learning-aprendizaje-automatico

Profile. (s,f). Algoritmos. https://profile.es/blog/que-es-un-algoritmo-informatico/

SAS Insights. (s,f). Big data. https://www.sas.com/es_co/insights/big-data/what-is-

big-data.html
 14

Zeus data tallk. (2017). Datawarehouse.

https://datablog.zeus.vision/2017/06/02/que-es-data-warehouse/

Stedman, C & Vaughan. (2021). Computerweekly. Gestión de datos.

https://www.computerweekly.com/es/definicion/Gestion-de-datos

Taled. (s,f). Gobernanza de datos. https://www.talend.com/es/resources/what-is-data-

governance/

Cuepe. (2016). Tecnología de datos. https://www.ceupe.com/blog/que-son-las-

tecnologias-de-la-informacion.html

Question pro. (2016). Análisis de datos. https://www.questionpro.com/es/analisis-de-

datos.html

Gob.pe. (s,f). Metadatos. https://www.geoidep.gob.pe/conoce-las-ides/metadatos/que-

son-los-metadatos

Neoland. (s,f). data science. https://www.neoland.es/blog/que-es-data-science

Centro de Biotecnología. (s,f). biotecnología.

https://www.centrobiotecnologia.cl/comunidad/que-es-la-biotecnologia/
 15

Quero, O. (2020). Huge Data: la gestión masiva de datos.

https://marketing.onlinebschool.es/Prensa/Informes/informe%20Huge

%20Data.pdf

Masadelante. (s,f). que es petabyte. https://www.neoland.es/blog/que-es-data-science