IBM Software

Thought Leadership, documento tcnico

Las cinco mejores formas

de abordar big data

Junio de 2013

Las cinco mejores formas de abordar big data

Big data: una oportunidad de alto riesgo

Se acuerda de cmo era el mundo antes de big data? Este
trmino est tan extendido en el lenguaje empresarial que a veces
nos cuesta recordar que big data es un fenmeno relativamente
reciente. Algunos lo consideran como una moda pasajera; sin
embargo el volumen de datos que generan las personas, los
procesos y las mquinas no para de crecer, por lo que no parece
que big data vaya a desaparecer.
No nos engaemos: los datos son valiosos, pero no cuando se
pierde el control sobre ellos. En la actual era de la informacin,
los recursos ms preciados tambin pueden convertirse en su
perdicin si su organizacin no sabe cmo sacarles partido. Por
lo tanto la pregunta es: qu se puede hacer con los datos?
Preste atencin a las siguientes situaciones reales:
El fraude en el sector de la atencin sanitaria supone un gasto
anual de aproximadamente 250.000 millones de dlares. Se
estima que para 2016, la cifra supere los 400.000 millones de
dlares al ao.1 En EE.UU., este sector podra generar un
valor anual de ms de 300.000 millones de dlares si utilizara
big data para mejorar la eficacia y la calidad del servicio
prestado.2
En una firma mundial de servicios financieros, un comercial
deshonesto gener unas prdidas de 2.000 millones de dlares
que casi suponen la quiebra de la empresa. Hoy en da, las
instituciones financieras disponen de ms datos para evitar los
fraudes externos (clientes, titulares de cuentas o plizas) e
internos, as como las incidencias con los clientes.
En Europa, los gobiernos podran ahorrar ms de 100.000
millones de euros (149.000 millones de dlares) con las
mejoras operativas que pueden obtenerse con el uso de big
data3, sin incluir el uso de big data para reducir el fraude y los
errores o mejorar la recaudacin de impuestos.

Los comerciantes minoristas pierden cada ao unos 93.000

millones de dlares por no tener existencias de los productos
adecuados para satisfacer las demandas de los clientes. Se
estima que gracias a big data, cada comerciante podra
incrementar su margen operativo en ms de un 60%.4
En el sector de las telecomunicaciones, 6.000 millones de
abonados (una cifra que registra un crecimiento anual de dos
dgitos)5 demandan servicios exclusivos, personalizados y
localizados que se ajusten a sus estilos de vida.
Ante estos costes y oportunidades, el mercado est preparado
para las soluciones de big data. En un reciente estudio realizado
por el IBM Institute for Business Value en colaboracin con el
Sad Business School de la Universidad de Oxford, se analiz el
nivel de actividades de big data realizadas actualmente en las
organizaciones de los encuestados. Los resultados obtenidos
indican que existen cuatro fases en la adopcin y progresin del
big data: Educacin, Exploracin, Organizacin y Ejecucin (vea
la figura 1).6

Patrn de adopcin de big data

Organizacin

Ejecucin

Recopilacin de
informacin y
datos del mercado

Educacin

Exploracin
Desarrollo de
estrategias y
hojas de ruta en
base a los retos y
necesidades del negocio

Iniciativas
piloto de big data
para validar los
requisitos y el valor

Implementacin de
dos o ms iniciativas
de big data y aplicacin
de anlisis avanzados

Porcentaje de
encuestados

Porcentaje de
encuestados

Porcentaje de
encuestados

Porcentaje de
encuestados

24%

47%

22%

6%

Total de encuestados = 1061

Identificacin del estado actual de las actividades de big data en las organizaciones de los encuestados.
La suma de los porcentajes no equivale al 100% debido al redondeo.

Figura 1. Cuatro fases de la adopcin de big data

IBM Software

Pese a que solo el 6% de los encuestados usa iniciativas de big

data, una cuarta parte tiene en marcha iniciativas piloto, la mitad
est en fase de desarrollo de estrategia y en vas de realizar
compras de soluciones y otra cuarta parte se encuentra en la fase
de recopilacin de informacin.

Caso de uso 1: exploracin de big data

Si no utiliza ninguna estrategia de big data, tenga en cuenta que

probablemente la competencia s la utilice. La dificultad est en
determinar en cmo y dnde abordar el big data.

La mayora de las conversaciones sobre big data giran en torno a

tres dimensiones: volumen, velocidad y variedad. Estos valores
identifican las dimensiones de los retos a los que se enfrentan a
diario las organizaciones para extraer valor de los recursos de
informacin, tomar decisiones ms acertadas, mejorar las
operaciones y reducir el riesgo. Toda decisin importante,
interaccin con clientes o anlisis requiere informacin de
distintas fuentes de datos. La solucin IBM InfoSphere Data
Explorer, que forma parte de la plataforma IBM Big Data,
permite navegar fcilmente tanto por la informacin de sistemas
empresariales como por los datos externos a la organizacin.

Casos de uso de big data

En el pasado, gran parte de la actividad del mercado relacionada
con big data se ha centrado en el aprendizaje de tecnologas de
big data. Por ello, los proveedores no han realizado esfuerzos
conjuntos en ayudar a las organizaciones a comprender los
problemas que puede abordar big data. Sin embargo, IBM ha
sido la excepcin.
Iniciativas como, por ejemplo, las encuestas, el estudio de
conclusiones de analistas, las conversaciones mantenidas con ms
de 300 clientes y clientes potenciales, as como la
implementacin de cientos de soluciones de big data, ha
permitido a IBM identificar cinco casos de uso que pueden servir
de gua a la hora de adoptar big data:
1. Exploracin de big data: bsqueda, visualizacin y
comprensin de big data para mejorar la toma de decisiones.
2. Perspectiva integral mejorada del cliente: ampliacin de la
perspectiva actual de los clientes con la incorporacin de
fuentes de informacin internas y externas.
3. Mejora de la inteligencia/seguridad: reduccin de riesgos y
fraudes y supervisin de la ciberseguridad en tiempo real.
4. Anlisis de operaciones: anlisis de datos informticos para
obtener mejores resultados de negocio y aumentar la eficacia.
5. Modernizacin de los data warehouse: integracin de big
data con las capacidades de almacenamiento para obtener
perspectivas de negocio y optimizar la infraestructura
existente.

El primer paso para abordar big data es determinar los recursos

de los que dispone y usarlos para mejorar la toma de decisiones,
as como las operaciones del da a da. Esto se conoce como
exploracin de big data.

El crecimiento del volumen de datos brutos de sensores,

registros de sistemas, secuencias de clics, sitios web, etc. plantea
otro reto: cmo pueden las organizaciones aadir contexto a
estos datos para mejorar los procesos de anlisis y toma de
decisiones? Nuevamente, la capacidad de InfoSphere Data
Explorer y de otras funciones de la plataforma IBM Big Data
para fusionar la informacin de estas fuentes semiestructuradas
con los datos empresariales puede aportar contexto que ayuda a
las organizaciones a obtener mayor valor de los datos.
Las capacidades de exploracin de big data de IBM ayudan a
contener el riesgo. Las organizaciones que no tienen capacidad
para explorar su propia informacin corren el riesgo de perder
datos confidenciales como, por ejemplo, la informacin de
identificacin personal (PII), revelar secretos comerciales o de
estrategia a la competencia, as como de no poder recuperar ni
comprobar la informacin cuando sea necesario en caso de
litigios u otras situaciones de gestin corporativa.

Las cinco mejores formas de abordar big data

Es la exploracin de big data el caso de uso adecuado para

usted?
Hgase las preguntas siguientes:
Cmo separa el ruido del contenido til?
Cmo explora los datos en volmenes de informacin
grandes y complejos?
Cmo extrae perspectivas de tipos datos nuevos y no
estructurados (medios sociales y correo electrnico)?
Utilizan los usuarios la informacin para tomar decisiones
de negocio acertadas o supone la incapacidad para
acceder a la informacin una traba para las buenas
prcticas de negocio?
De qu medios disponen sus empleados para navegar y
explorar contenido de la empresa y externo? Puede
aunarlos en una nica interfaz de usuario?
Cmo identifica las reas de riesgo para los datos antes de
que se conviertan en un problema?
Cul es su punto de partida en las iniciativas de big data?

Caso de uso 2: perspectiva integral

mejorada del cliente
Obtener una perspectiva detallada de los clientes (preferencias de
hbitos de compra, motivos de cambio, artculos preferidos o
razones para recomendar una empresa a otros clientes) es
importante para todas las empresas. Sin embargo, esto requiere
utilizar las fuentes de informacin internas y externas para
evaluar el nimo de los clientes, as como para comprender qu
acciones permitirn consolidar las relaciones con estos.
Un reciente informe del IBM Institute for Business Value sobre
el uso de big data recomienda a las organizaciones canalizar sus
esfuerzos en materia de big data sobre todo en el anlisis de
clientes para poder comprender las necesidades de los clientes y
anticiparse a futuros comportamientos.
En este caso, el trmino cliente se utiliza en sentido general:
pacientes en el sector de la atencin sanitaria, funcionarios de la
administracin o proveedores del sector de la fabricacin.

Adems de estos anlisis que proporcionan perspectivas

estratgicas sobre el comportamiento del cliente, la importancia
del enfoque integral se aplica a los empleados de primera lnea.
Las organizaciones ms innovadoras reconocen la necesidad de
proporcionar a estos profesionales informacin que ayude a
comprometer a los clientes, consolidar las relaciones y obtener
resultados positivos como, por ejemplo, al solucionar problemas
de clientes o fomentar las ventas cruzadas y complementarias de
productos. Para ello, estos empleados deben contar con medios
para analizar rpidamente grandes volmenes de informacin e
identificar las necesidades especficas de los clientes.
IBM InfoSphere Data Explorer trabaja con IBM InfoSphere
Master Data Management (MDM) para combinar la
informacin en contexto procedente de todas las aplicaciones y
repositorios que contienen informacin sobre el cliente (CRM,
ECM, cadena de suministro, bases de datos de seguimiento de
pedidos, correo electrnico, etc.) y mostrar una perspectiva
completa del cliente, sin que el usuario tenga que iniciar sesin y
realizar bsquedas en distintos sistemas.
En esta perspectiva unificada, los profesionales en contacto con el
cliente tienen acceso a toda la informacin: productos comprados,
incidencias recientes, noticias sobre sus empresas, conversaciones
recientes, etc. Las noticias de actividad muestran, en el centro de
la pantalla, las actualizaciones ms recientes del cliente, el
producto u otras entidades. Tambin se muestran anlisis de
InfoSphere BigInsights, InfoSphere Streams, IBM Cognos
Business Intelligence e IBM SPSS con el contexto de las
analticas definidas por la aplicacin. De este modo, el empleado
dispone de ms tiempo para interactuar con el cliente de forma
personalizada. A su vez, esto ayuda a ofrecer las respuestas
adecuadas y a recomendar oportunidades de ventas
complementarias. Esta mayor visibilidad fomenta la lealtad del
cliente, mejora su satisfaccin y, en ltima instancia, incrementa
los ingresos.
Tal como se muestra en la figura 2, la gestin de datos maestros
mejora la precisin y fiabilidad de los datos en todos los sistemas
de la organizacin. Esta homogeneidad garantiza que las

IBM Software

Caso de uso 3: mejora de la inteligencia/

seguridad
Para combatir las nuevas amenazas de seguridad cada vez ms
sofisticadas, las organizaciones deben adoptar enfoques que
ayuden a detectar anomalas e indicadores de ataques
imperceptibles. Muchas de las organizaciones de hoy en da usan
tecnologas de big data para argumentar y desarrollar las
soluciones de seguridad tradicionales con el fin de mejorar la
inteligencia, la seguridad y el cumplimiento de las normativas.
El enfoque de mejora de la seguridad/inteligencia permite a las
organizaciones:

Figura 2. Informacin sobre el cliente mostrada en una aplicacin creada con

InfoSphere Data Explorer Application Builder, que utiliza InfoSphere Master
Data Management para mostrar una perspectiva fiable de los datos del cliente.

perspectivas que ofrezca InfoSphere Data Explorer contarn con

datos homogneos y precisos sobre las entidades. En cierto
modo, InfoSphere Data Explorer proporciona a los usuarios de
negocio una interfaz de datos maestros fiables que se combina
con otros orgenes de datos estructurados y no estructurados.

Es la perspectiva integral del cliente el caso de uso

adecuado para usted?
Hgase las preguntas siguientes:
Cmo identifica y proporciona datos sobre clientes,
productos o competidores a aquellos usuarios que los
necesitan?
Cmo combina los datos estructurados y no estructurados
para ejecutar anlisis e identificar perspectivas?
Qu hace para fomentar la homogeneidad en sus recursos
de informacin al representar a clientes y socios?
Ofrece una perspectiva completa del cliente que permite a
los usuarios de la lnea de negocio obtener mejores
resultados?
Cmo aplica las perspectivas y lleva a cabo acciones?

Filtrar los datos (tanto internos como externos) para detectar

relaciones ocultas y patrones, as como para evitar amenazas de
seguridad.
Detectar casos de fraude al correlacionar el historial de
actividad de las cuentas con los datos en tiempo real y, de este
modo, localizar transacciones o comportamientos sospechosos.
Examinar nuevas fuentes de datos para obtener pruebas de
actividades delictivas como, por ejemplo, Internet, los
dispositivos mviles, las transacciones, el correo electrnico o
los medios sociales.
El caso de uso de mejora de la seguridad/inteligencia tiene tres
aplicaciones:
1. Mejora de la inteligencia y la vigilancia: las organizaciones
pueden analizar los datos en movimiento y estticos para
localizar asociaciones o detectar patrones. Esta perspectiva en
tiempo real tiene un valor incalculable e incluso vital.
2. Prediccin y lucha contra ataques en tiempo real: El
creciente nmero de delitos de alta tecnologa (terrorismo
ciberntico, el espionaje, los accesos no autorizados a sistemas
o el fraude ciberntico) es una amenaza real. Gracias al anlisis
del trfico de red, las organizaciones pueden anticiparse y
actuar casi en tiempo real.

Las cinco mejores formas de abordar big data

3. Prediccin y prevencin del crimen: la capacidad para

analizar datos de telecomunicaciones (por ejemplo, registros
de detalles de llamadas) y de los medios sociales ayuda a las
autoridades a localizar amenazas criminales y recopilar
pruebas. De este modo, en lugar de esperar a que se cometa el
crimen, pueden evitar que se produzca y arrestar a los
responsables de una forma ms proactiva.
Dependiendo del escenario, las organizaciones pueden necesitar
una de las siguientes plataformas de seguridad/inteligencia:
Criminal Information Tracking System, Surveillance Monitoring
System o Security Information and Event Management (SIEM).
Hoy en da, estas plataformas acceden a datos de una amplia
gama de orgenes de datos estructurados (de transacciones, bases
de datos, redes, cortafuegos y otros). Los datos de la plataforma
se almacenan y administran en una base de datos o warehouse

propios. Sin embargo, estos sistemas no pueden gestionar las

nuevas tendencias de big data que requieren del anlisis de datos
en tiempo real o de tipos de datos no estructurados (vea la figura
3).
Las tecnologas de big data como la informtica de flujos
(InfoSphere Streams) y el anlisis empresarial Apache Hadoop
(InfoSphere BigInsights) mejoran estas plataformas tradicionales
de anlisis de inteligencia y seguridad al acceder de forma nativa
a los orgenes de datos no estructurados o de flujos de big data
como, por ejemplo, los registros de telecomunicaciones,
dispositivos inteligentes, flujos de Twitter, publicaciones de
Facebook, correo electrnico, supervisin de puntos de ventas,
sensores basados en ubicaciones, vdeo, audio o datos generados
por otros sistemas.

Identificacin y proteccin contra las amenazas gracias a las perspectivas

obtenidas de conjuntos de datos
Tecnologa y
operaciones
tradicionales
de seguridad

Registros
Eventos Alertas

Informacin
de configuracin
Contexto de
Registros de
auditora de sistemas identidad
Anomalas y
flujos de red
Datos de inteligencia Datos de vigilancia
sobre
de vdeo/audio
amenazas externas
Datos de
Texto de
procesos de negocio
pgina web
Transacciones
Correo electrnico de los clientes
Analtica de y medios sociales

Nuevas consideraciones

Recopilacin, almacenamiento
y procesamiento
Recopilacin e integracin
Tamao y velocidad
Correlacin y enriquecimiento
Analtica y flujos de trabajo
Visualizacin
Anlisis de datos no estructurados
Aprendizaje y prediccin
Personalizacin
Uso compartido y exportacin

big data

Figura 3. Creacin de perspectivas de seguridad detalladas mediante conjuntos de datos integrales.

IBM Software

Los datos en tiempo real se pueden procesar y analizar mediante

InfoSphere Streams y el resultado puede guardarse en un data
warehouse o InfoSphere BigInsights. Los clientes que usan la
solucin IBM i2 Analysts Notebook pueden ver y analizar
directamente los datos en tiempo real gracias a la integracin de
InfoSphere Streams.
Es la mejora de la inteligencia/seguridad el caso de uso
adecuado para su empresa?

Caso de uso 4: anlisis de operaciones

La abundancia y el aumento de los datos de sistemas (generados
por equipos y dispositivos de red, sensores, medidores y
dispositivos GPS) es otro factor clave para las soluciones de big
data. Estos datos se generan en grandes volmenes y en una
amplia gama de formatos, incluidos los datos en movimiento o
de flujo. Esta informacin requiere complejas funciones de
anlisis y correlacin en distintos conjuntos de datos, as como
capacidades de visualizacin exclusivas segn el tipo de datos, el
sector o la aplicacin.

Hgase las preguntas siguientes:

Necesita enriquecer sus sistemas de seguridad o
inteligencia con datos en tiempo real procedentes de
orgenes de datos no usados (vdeo, audio, dispositivos
inteligentes, redes, registros de datos de llamadas o medios
sociales)?
Necesita sistemas de deteccin, identificacin y resolucin
inmediata para amenazas fsicas o en lnea?
Necesita vigilar las actividades de criminales o terroristas?
Necesita correlacionar grandes volmenes de orgenes y
datos de inteligencia tcnica o humana para buscar patrones
o asociaciones (anlisis de big data)?
Necesita mejorar su solucin SIEM con datos no
estructurados (correo electrnico y medios sociales) para
mejorar la deteccin y neutralizacin de amenazas
cibernticas?

Las organizaciones que desestiman esta amplia fuente de

informacin toman sus decisiones de negocio en base a un
pequeo subconjunto de los datos que tienen a su disposicin.
La combinacin de los datos de sistemas con los datos
empresariales existentes mediante anlisis de operaciones
permite a las organizaciones:
Obtener visibilidad en tiempo real de las operaciones, la
experiencia del cliente, las transacciones y los
comportamientos.
Realizar una planificacin proactiva para incrementar la
eficacia operativa.
Identificar e investigar las anomalas.
Supervisar la infraestructura para evitar de forma proactiva las
incidencias o la degradacin de los servicios.

Las cinco mejores formas de abordar big data

Indexacin, bsquedas

Datos empresariales

Datos de sistemas

Flujo

Analtica en
tiempo real

Sistema Hadoop

Modelado de
estadsticas

Zona de recepcin
Preprocesamiento
Analtica

Estructurados

Almacenamiento

Anlisis de
causa raz

No estructurados
Deteccin y
navegacin federada

Figura 4. El anlisis de operaciones combina los datos empresariales y de sistemas para proporcionar perspectivas detalladas..

Tal como se muestra en la figura 4, su organizacin puede

manejar grandes volmenes de datos de sistemas en mltiples
formatos o datos de flujos que llegan al Hadoop Distributed File
System (HDFS) y que no funcionan como es debido. La
solucin InfoSphere BigInsights, que incorpora un acelerador de
datos de sistemas, es capaz de gestionar y procesar grandes
volmenes de datos de sistemas para ofrecer perspectivas de
negocio detalladas. Esto permite correlacionar la informacin de
sistemas con otros datos empresariales como, por ejemplo, de
clientes o productos.
Al combinar los datos de sistemas con los de negocio, podr
ponerlos a disposicin de los responsables de las decisiones
operativas, lo que redunda en una mayor eficacia e inteligencia
operativa. Por su parte, los responsables de las decisiones pueden
visualizar datos de mltiples sistemas para obtener perspectivas
basadas en datos y reaccionar rpidamente ante sucesos y
cambios.

Es el anlisis de operaciones el caso de uso adecuado

para usted?
Hgase las preguntas siguientes:
Trabaja con grandes volmenes de datos de sistemas
como, por ejemplo, datos sin procesar de registros,
sensores, medidores inteligentes, colas de mensajes,
sistemas de suministros, sistemas de instalaciones, datos
de secuencias de clics, archivos de configuracin, registros
de auditora de bases de datos y tablas?
Es capaz de realizar anlisis complejos para correlacionar
informacin e indicadores claves de rendimiento en distintos
conjuntos de datos y sucesos en tiempo real?
Puede realizar bsquedas y acceder a todos los datos de
sus sistemas?
Es capaz de visualizar datos de flujos y reaccionar en
tiempo real?
Es capaz de utilizar dichos datos para analizar la raz de los
problemas?

IBM Software

Entorno de datos empresariales existente

Almacn LOB/
fragmentado

Gestin e
integracin
de la
informacin

Almacn de
deteccin/
exploracin

Informes
y
analticas

Otros sistemas de
datos relacionales

MDM

Entorno de big data

Analtica en
tiempo real

Entorno Hadoop
Zona de
Deteccin/
recepcin/
analtica
hub de
preprocesamiento

Datos de flujo

Consultas en
almacn
de datos

Datos estructurados y no estructurados

Figura 5. La modernizacin de los data warehouse ayuda a maximizar el valor de los datos.

Caso de uso 5: modernizacin de los data

warehouse
El ltimo caso de uso, la modernizacin de los data warehouse,
se basa en la infraestructura de los data warehouse existente para
aplicar las tecnologas de big data e incrementar su valor. No se
trata de reemplazar el entorno de los data warehouse existente,
sino de maximizar su valor.
La modernizacin de los data warehouse surge de dos
necesidades bsicas. La primera es la necesidad de utilizar los
datos para obtener nuevas perspectivas de negocio. Las
organizaciones necesitan analizar datos multiestructurados; sin
embargo, los data warehouse no estn diseados para ello. Al
depender solo de los data warehouse, las empresas se ven
obligadas a descartar informacin muy valiosa. Adems, las
organizaciones demandan cada vez ms una menor latencia:
necesitan la informacin en horas o minutos, no en semanas o
meses. Por ltimo, las organizaciones requieren acceso de
consulta a los datos.

La segunda necesidad bsica es la optimizacin de la

infraestructura de data warehouse. Los volmenes de datos de
hoy en da estn llegando a niveles de big data, lo que
incrementa la carga que soporta el almacenamiento. Esta
infraestructura en s no es costosa, pero el almacenamiento y el
anlisis de todo el contenido del entorno s repercuten en el
rendimiento y los costes.
Existen tres formas de modernizar los data warehouse (vea la
figura 5):
1. Hub de preprocesamiento: se utiliza en instalaciones
Hadoop empresariales (InfoSphere BigInsights) cuando se
necesita una rea de espera o zona de recepcin para los
datos antes de determinar qu informacin debe moverse al
data warehouse. InfoSphere Data Explorer puede utilizarse
para la exploracin anticipada con el fin de determinar qu
datos deben moverse a soluciones de analticas detalladas o a
sistemas de almacenamiento de menor coste. Este paso no es
obligatorio, pero puede usarse en reas en las que las
organizaciones deseen conservar datos.

10 Las cinco mejores formas de abordar big data

La informtica de flujos (InfoSphere Streams) tambin puede

usarse como componente en tiempo real de procesamiento y
anlisis de datos de flujos, sin tener que almacenar la
informacin a priori para determinar qu datos deben
guardarse en el HDFS o en el data warehouse. En algunos
casos los datos no se guardarn, lo que implica que podr
procesar y emprender acciones en base a la informacin sobre
la marcha, reduciendo el volumen en el data warehouse. Con
este enfoque de zona de recepcin, podr depurar y
transformar la informacin antes de cargarla al data
warehouse.
2. Deteccin/analtica: este enfoque se basa en la analtica de
datos en movimiento de la informtica de flujos, lo que
proporciona a las organizaciones capacidad para realizar
analticas que antes se hacan en el data warehouse. Esto
redunda en la optimizacin del data warehouse y en la
posibilidad de realizar nuevos tipos de anlisis. Al poder
combinar distintos tipos de datos con la informacin del data
warehouse, es posible realizar anlisis ms detallados y
obtener perspectivas que antes no eran factibles. Adems, la
informtica de flujos puede actuar como un filtro capaz de
localizar datos de gran valor que pueden almacenarse en
InfoSphere BigInsights o en el data warehouse.
3. Almacn de datos habilitados consultables: con este
enfoque, los datos antiguos o no usados con frecuencia se
pueden descargar del data warehouse y de las bases de

datos de aplicaciones mediante herramientas y programas de

integracin de informacin. Esto ayuda a las organizaciones a
almacenar los datos poco relevantes en sistemas de
almacenamiento de bajo coste sin que dejen de estar
disponibles en InfoSphere BigInsights gracias a las
herramientas BI o de consulta. InfoSphere Data Explorer
puede usarse para visualizar y desplazarse por los datos
almacenados en InfoSphere BigInsights.
Es el caso de uso de la modernizacin del data
warehouse el punto de partida ms adecuado para su
organizacin?
Hgase las preguntas siguientes:
Tiene problemas para controlar grandes conjuntos de
datos (terabytes o petabytes)?
Utiliza su entorno de data warehouse como repositorio para
toda la informacin?
Almacena grandes cantidades de datos poco relevantes?
Desecha datos porque no es capaz de almacenarlos o
procesarlos?
Necesita analizar los datos en movimiento para determinar,
en tiempo real, qu informacin debe almacenar?
Necesita explorar grandes volmenes de datos complejos?
Quiere analizar datos no operativos?
Le interesa usar los datos para realizar nuevos tipos de
analticas y analticas tradicionales?

IBM Software 11

Plataforma IBM Big Data

Ms informacin

Los cinco casos de uso de big data descritos en este documento

ofrecen valiosos puntos de partida a aquellas empresas que
quieran empezar a aprovechar big data. La plataforma IBM Big
Data puede desempear un papel muy importante en esta
transformacin.

Para obtener ms informacin sobre los casos y sobre la

plataforma IBM Big Data, pngase en contacto con su
representante de IBM o socio empresarial de IBM, o visite:
ibm.com/software/data/bigdata/use-cases.html

Los casos de uso de big data requieren tecnologas

especficamente diseadas para abordar los retos del trabajo con
grandes volmenes de datos variados y de alta velocidad. No se
trata de problemas nicos que requieren soluciones nicas: la
plataforma de IBM ayuda a las empresas a reducir el plazo y los
costes de los proyectos de big data a la vez que ofrece una rpida
recuperacin de la inversin (ROI) mediante el uso de
componentes previamente integrados. Adems, los servicios
avanzados y basados en estndares proporcionan slidas bases
para la implementacin. De este modo, puede comenzar por un
caso de uso inicial y continuar con otros casos a medida que
progresa con big data.

Adems, IBM Global Financing puede ayudarle en la adquisicin

de las capacidades de software que su empresa necesita de la
forma ms rentable y estratgica posible. IBM Global Financing
se ala con clientes de crdito para personalizar una solucin de
financiacin que se ajuste a sus objetivos de desarrollo y
empresariales, facilite la gestin de flujo de efectivo y mejore el
coste total de adquisicin. IBM Global Financing proporciona
los recursos de inversin de TI crticos que necesita para que su
negocio siga avanzando. Para obtener ms informacin, visite:
ibm.com/financing

 Copyright IBM Corporation 2013

IBM Corporation
Software Group
Route 100
Somers, Nueva York 10589
Producido en los Estados Unidos de Amrica
Junio de 2013
IBM, el logotipo de IBM, ibm.com, Analyst's Notebook, BigInsights,
Cognos, i2, InfoSphere y SPSS son marcas comerciales de International
Business Machines Corp, registradas en muchas jurisdicciones de todo el
mundo. El resto de nombres de servicios y productos pueden ser marcas
comerciales de IBM o de otras empresas. Encontrar una lista actualizada de
las marcas registradas de IBM en la web, en el apartado sobre informacin de
Copyright y marcas registradas en ibm.com/legal/copytrade.shtml
Este documento est actualizado a la fecha inicial de publicacin e IBM
puede modificarlo en cualquier momento.
LA INFORMACIN DE ESTE DOCUMENTO SE PROPORCIONA
TAL CUAL SIN NINGN TIPO DE GARANTA, TANTO EXPRESA
COMO IMPLCITA DE COMERCIABILIDAD, IDONEIDAD PARA
UN FIN DETERMINADO Y SIN NINGN TIPO DE GARANTA O
CONDICIN DE NO INFRACCIN. Los productos de IBM se
garantizan segn los trminos y condiciones de los acuerdos en virtud de los
cuales se proporcionan.
El cliente es responsable del cumplimiento de las leyes y normativas
aplicables. IBM no presta ningn servicio de asesoramiento legal ni garantiza
que la utilizacin de sus servicios o productos por parte del cliente est
conforme a ninguna ley o normativa.
1 Financial

Crimes Report to the Public: Fiscal Years 2010-2011.

www.fbi.gov/stats-services/publications/financial-crimes-report-2010-2011
2 McKinsey

Global Institute. Big data: The next frontier for innovation,

competition, and productivity. Mayo de 2011. www.mckinsey.com/insights/
business_technology/big_data_the_next_frontier_for_innovation

6 IBM

Institute for Business Value in collaboration with the Sad Business

School at the University of Oxford. Analytics: The real-world use of
big data. Noviembre de 2012. http://www-935.ibm.com/services/us/gbs/
thoughtleadership/ibv-big-data-at-work.html

7 IBM

Institute for Business Value in collaboration with the Sad Business

School at the University of Oxford. Analytics: The real-world use of
big data. Noviembre de 2012. http://www-935.ibm.com/services/us/gbs/
thoughtleadership/ibv-big-data-at-work.html

3 McKinsey

Global Institute. Big data: The next frontier for innovation,

competition, and productivity. Mayo de 2011. www.mckinsey.com/insights/
business_technology/big_data_the_next_frontier_for_innovation

4 McKinsey

Global Institute. Big data: The next frontier for innovation,

competition, and productivity. Mayo de 2011. www.mckinsey.com/insights/
business_technology/big_data_the_next_frontier_for_innovation

5 International

Telecommunication Union. Measuring the Information

Society. Septiembre de 2012.
Recicle este documento

IMW14710-ESES-00