Cómo manejar los grandes volúmenes de datos

Una guía para principiantes. ¿Qué deben saber las empresas que consideran implementar proyectos de big data?

NOTA DEL EDITOR COMPARACIÓN ENTRE SIETE PASOS PARA 10 PASOS PARA USAR
AWS, AZURE Y GOOGLE IMPLEMENTAR UN LAGO ANALÍTICA PREDICTIVA
DE DATOS
 NOTA DEL
EDITOR
Fundamentos para proyectos de big data
INICIO La necesidad de analizar los grandes volúme-
nes de datos demanda cada vez más recursos de
NOTA DEL EDITOR
la infraestructura de computación empresarial. La
COMPARAR potencia de cálculo necesaria para procesar rápi-
CONSEJOS
damente grandes volúmenes y variedades de datos
puede sobrecargar un solo servidor o un clúster
ANALÍTICA
de servidores. Las organizaciones deben aplicar el
poder de cálculo adecuado a las tareas de big data
para lograr la velocidad deseada.
Alcanzar esa velocidad de una manera rentable
es también un reto. Como no todas las empresas
tienen la capacidad de aumentar su infraestruc-
tura, la computación en la nube pública ofrece una
alternativa para alojar grandes proyectos de análi-
sis de datos.
Esos grandes volúmenes de datos, o big data,
pueden dividirse en datos estructurados (como los
2 CÓMO MANEJAR LOS GRANDES VOLÚMENES DE DATOS
que están en las bases de datos relacionales), datos
semiestructurados (que están organizados, pero
no están en una base de datos, como documentos
XML) y datos no estructurados (imágenes, audios,
publicaciones de redes sociales, etc.).
Pero, para que sean útiles, los datos deben ser
analizados, filtrados y gestionados. Aquí es donde
las soluciones de gestión de big data y analítica
entran en juego, potenciadas por nuevas tenden-
cias tecnológicas que se alimentan de la informa-
ción generada, como la inteligencia artificial, el
aprendizaje automático o incluso internet de las
cosas (IoT). En los siguientes artículos, encontra-
rán algunos consejos para elegir la mejor solución
para su empresa así como para implementarla y
aprovechar los análisis de datos.
—Lizzette Pérez Arbesú
 COMPARAR
Comparación entre AWS, Azure y Google
INICIO El mercado de la nube está evolucionando
con rapidez, con un conjunto siempre cambiante
NOTA DEL EDITOR
de los servicios de big data. Si bien esto dificulta
COMPARAR las comparaciones de proveedores de nube, vale
CONSEJOS
la pena el intento, debido a que las ofertas de los
tres principales proveedores de la nube –Amazon
ANALÍTICA
Web Services, Microsoft Azure y Google– no son
iguales.
Big data en la nube es un área del mercado en el
que la inmensa experiencia en búsquedas de Goo-
gle tiene sinergias, pero Amazon Web Services
(AWS) y Azure están atrayendo a algunas compa-
ñías nuevas e interesantes para agregar valor.
El resultado es un espectro vibrante de servi-
cios de datos grandes que es cada vez más atrac-
tiva tanto desde una capacidad como desde una
perspectiva económica. Los usuarios de la nube en
última instancia, ha ganado en la gran competición
de datos entre los tres grandes –y parece que eso
continuará en los próximos años.
3 CÓMO MANEJAR LOS GRANDES VOLÚMENES DE DATOS
He aquí un vistazo más de cerca a los actuales
servicios de big data de AWS vs. Azure vs. Google.
AMAZON WEB SERVICES
AWS tiene un amplio espectro de servicios de
big data. Amazon Elastic MapReduce, por ejem-
plo, corre Hadoop y Spark, mientras que Kinesis
Firehose y Kinesis Streams proporcionan una
manera de transmitir grandes cantidades de datos
en AWS. Los usuarios pueden almacenar datos en
Redshift, un almacén de datos de escala petabyte,
con compresión de datos para ayudar a reducir los
costos. Amazon Elasticsearch es un servicio para
implementar la herramienta de código abierto
Elasticsearch en AWS para el análisis como click-
through y el registro de monitorización. Kinesis
Analytics complementa esto mediante el análisis
de los flujos de datos.
AWS tiene una mayor cantidad de opciones de
 COMPARAR
almacenamiento de datos en comparación con
Google. Además de la granja masiva Simple Sto-
rage Service de AWS, tiene DynamoDB, una base
de datos NoSQL de baja latencia; DynamoDB para
Titan, que proporciona almacenamiento para la
INICIO base de datos gráfica Titan; ApacheHBase, una
base de datos NoSQL de escala petabyte; y bases
NOTA DEL EDITOR
de datos relacionales.
COMPARAR AWS también tiene un servicio de inteligencia
CONSEJOS
de negocio (BI), QuickSight, que utiliza en paralelo,
en el procesamiento de memoria para lograr altas
ANALÍTICA
velocidades. Esto se complementa con Amazon
Machine Learning y la plataforma de la internet de
las cosas (IoT) de AWS, la cual conecta dispositi-
vos a la nube y puede escalar a miles de millones
de dispositivos y trillones de mensajes.
Mientras que Google tiene una ventaja con los
motores de búsqueda y análisis, AWS tiene un
espectro más amplio de servicios, así como BI e
instancias de de unidades de procesamiento de
gráficos (GPU).
Los usuarios de la nube han ganado en la gran competición de datos
entre los tres grandes –y parece que eso continuará en los próximos años.
4 CÓMO MANEJAR LOS GRANDES VOLÚMENES DE DATOS
MICROSOFT AZURE
Para la analítica, Azure tiene Data Lake Analytics,
que utiliza U-SQL propietario con SQL y C++, así
como HDInsight, un servicio basado en Hadoop.
También hay un servicio Azure Stream Analytics,
un catálogo de datos que identifica los activos de
datos que utilizan un sistema mundial de metada-
tos, y la fábrica de datos (Data Factory), que entre-
laza fuentes de datos en las instalaciones y en la
nube y gestiona procesos de datos.
El servicio de almacenamiento de big data de
Azure es Data Lake Store, un sistema de archivos
Hadoop. El proveedor de la nube tiene una amplia
gama de ofertas de almacenamiento de propósito
general, incluyendo StorSimple, SQL y bases de
datos NoSQL y almacenamiento de blobs (grandes
objetos binarios).
Azure también tiene Power BI y aprendizaje
automático, alineándose con AWS, y cuenta con
un concentrador para la internet de las cosas. La
plataforma de nube también incluye un motor de
 COMPARAR
búsqueda. La suite Cortana y los servicios cogniti-
vos de Microsoft proporcionan más capacidades de
inteligencia avanzada.
INICIO GOOGLE
El servicio de datos BigQuery de Google utiliza
NOTA DEL EDITOR
una interfaz similar a SQL que es intuitivo para
COMPARAR que la mayoría de los usuarios –incluso los no
CONSEJOS
técnicos– lo aprendan. Es compatible con las
bases de datos petabytes y puede realizar flujos
ANALÍTICA
de datos de 100.000 filas por segundo como una
alternativa a la ejecución de los datos en la nube de
almacenamiento. BigQuery también es compatible
con la replicación geográfica y los usuarios pueden
seleccionar el lugar donde se almacenan sus datos.
BigQuery es un servicio de pago por uso sin una
infraestructura dedicada de las instancias, lo que
permite a Google usar un gran número de procesa-
dores para mantener los tiempos veloces de con-
sulta. También soporta la integración con Spark,
Una forma de determinar el mejor servicio en la nube es probarlo en un
entorno limitado para tener una idea de cómo funciona y cuánto costará.
5 CÓMO MANEJAR LOS GRANDES VOLÚMENES DE DATOS
Hadoop, Pig y Hive. Las organizaciones también
pueden utilizar Google Analytics y DoubleClick –
una herramienta para la industria de la publicidad
que reúne estadísticas para alimentar BigQuery–
como fuentes de datos. Google Cloud Dataflow
permite a los usuarios secuenciar los servicios de
datos en la nube.
Otros servicios de big data ofrecidos por Goo-
gle incluyen Cloud Datastore, una base de datos
NoSQL para datos no relacionales; Cloud BigTable,
una base de datos NoSQL masivamente escalable;
Cloud Machine Learning, una plataforma gestio-
nada por la máquina de aprendizaje; y herramien-
tas auxiliares como traductores y convertidores de
voz.
Una oferta notable de la que Google carece para
big data es la instancia GPU. Escribir código GPU
para el análisis de datos es una técnica de alto
valor, dado el increíble impulso al rendimiento
que ofrecen las GPU. La falta de una familia de
instancias GPU por parte de Google es un tanto
 COMPARAR
desconcertante, sobre todo cuando AWS tiene la
característica desde 2011 y Azure la agregó en el
año 2015.
INICIO AWS, AZURE, GOOGLE: UNA CARRERA CERRADA
En muchos sentidos, los tres grandes proveedores
NOTA DEL EDITOR
de la nube van al mismo ritmo en los servicios de
COMPARAR big data, aunque hay diferencias bajo el capó en
CONSEJOS
el rendimiento y la facilidad de uso que requieren
algunas pruebas prácticas de discernir. Mientras
ANALÍTICA
que Google probablemente tiene una ventaja en
la búsqueda, va a la zaga en la parte frontal de BI,
6 CÓMO MANEJAR LOS GRANDES VOLÚMENES DE DATOS
donde Microsoft tiene una ventaja con Cortana. La
falta de instancias de GPU de Google es también
una notable diferencia.
Al igual que con cualquier amplio espectro de
productos, y debido a que todos estos servicios
de big data están en su infancia relativa, habrá
diferencias que dependen del caso de uso o de los
datos. Puede ser difícil elegir entre AWS vs. Azure
vs. Google. Una forma de determinar el mejor
servicio en la nube para usted es probarlos en un
entorno limitado por un par de semanas para tener
una idea de cómo funciona y cuál será el precio.
—Jim O’Reilly
 CONSEJOS
Siete pasos para implementar un lago de datos
INICIO El concepto del lago de datos se originó con
el surgimiento de big data como un activo central
NOTA DEL EDITOR
para las empresas y la llegada de Hadoop como una
COMPARAR plataforma para almacenarlo y administrarlo. Sin
CONSEJOS
embargo, sumergirse ciegamente en la implemen-
tación de un lago de datos de Hadoop no necesa-
ANALÍTICA
riamente llevará a su organización a la era del big
data, al menos no de manera exitosa.
Esto es particularmente cierto en los casos
en que los recursos de datos de todas las for-
mas y tamaños se canalizan hacia un entorno de
Hadoop de forma no gobernada. Un enfoque for-
tuito de este tipo conduce a varios desafíos y pro-
blemas que pueden obstaculizar gravemente el uso
de un lago de datos para soportar aplicaciones de
análisis de big data.
Por ejemplo, es posible que no pueda documen-
tar qué objetos de datos están almacenados en un
lago de datos así como tampoco podría registrar
sus fuentes y procedencia. Eso dificulta que los
7 CÓMO MANEJAR LOS GRANDES VOLÚMENES DE DATOS
científicos de datos y otros analistas encuentren
datos relevantes distribuidos en un clúster de
Hadoop y que los administradores de datos pue-
dan rastrear quién accede a determinados conjun-
tos de datos y determinar qué nivel de privilegios
de acceso se necesitan.
Organizar datos y “agrupar” objetos de datos
similares para ayudar a facilitar el acceso y el aná-
lisis también es un desafío si no cuenta con un
proceso bien administrado.
Ninguno de estos problemas tiene que ver con la
arquitectura física del lago de datos o del entorno
Hadoop subyacente. Más bien, los mayores impe-
dimentos para una implementación exitosa del
lago de datos son el resultado de una planificación
y supervisión inadecuadas de la administración de
datos.
La buena noticia, sin embargo, es que los desa-
fíos se superan fácilmente. Aquí hay siete pasos
para enfrentarlos y evitarlos:
 CONSEJOS
1. Cree una taxonomía de clasificaciones de
datos. Organizar objetos de datos en un lago de
datos depende de cómo se clasifiquen. Identifique
las dimensiones clave de los datos como parte de
sus clasificaciones, como tipo de datos, contenido,
INICIO escenarios de uso, grupos de posibles usuarios y
sensibilidad de los datos. Esto último se relaciona
NOTA DEL EDITOR
con la protección de datos personales y corpo-
COMPARAR rativos, como la información de identificación
CONSEJOS
personal sobre los clientes en el primer caso y la
propiedad intelectual en el segundo.
ANALÍTICA
2. Diseñe una arquitectura de datos adecuada.  4. Estandarice el proceso de acceso a datos. Las difi-
Aplique la taxonomía de clasificación definida para
dirigir cómo se organizan los datos en su entorno
Hadoop. El plan resultante debe incluir cosas como
estructuras de jerarquía de archivos para el alma-
cenamiento de datos, convenciones de nombres de
archivos y carpetas, métodos de acceso y controles
para diferentes conjuntos de datos, al igual que
mecanismos para guiar la distribución de datos.
3. Emplee herramientas de creación de perfiles de
datos. Enmuchos casos, la ausencia de conoci-
miento sobre todos los datos que entran en un lago
8 CÓMO MANEJAR LOS GRANDES VOLÚMENES DE DATOS
de datos se puede aliviar parcialmente analizando
su contenido. Las herramientas de creación de
perfiles de datos pueden ayudar al reunir infor-
mación sobre lo que hay en los objetos de datos,
lo que proporciona información para clasificarlos.
La elaboración de perfiles de datos como parte de
la implementación de un lago de datos también
ayuda a identificar problemas de calidad de los
datos que deberían evaluarse para detectar posi-
bles soluciones a fin de garantizar que los analistas
estén trabajando con información precisa.
cultades en el uso efectivo de conjuntos de datos
almacenados en un lago de datos de Hadoop a
menudo se derivan del uso de una variedad de
métodos de acceso a datos, muchos de ellos sin
documentar, por diferentes equipos de analítica.
En cambio, instituir una API común y directa
puede simplificar el acceso a los datos y, en última
instancia, permitir que más usuarios aprovechen
los datos.
5. Desarrolle un catálogo de datos con capacidad de
búsqueda. Un obstáculo más insidioso al acceso
 CONSEJOS
y uso efectivo de los datos es que los usuarios
potenciales desconozcan qué hay en un lago de
datos y dónde se encuentran los diferentes con-
juntos de datos en el entorno Hadoop, además de
información sobre el linaje, la calidad y la actua-
INICIO lidad de los datos. Un catálogo de datos colabora-
tivo permite que estos y otros detalles sobre cada
NOTA DEL EDITOR
activo de datos sean documentados. Por ejemplo,
COMPARAR captura metadatos estructurales y semánticos,
CONSEJOS
registros de procedencia y linaje, información
sobre privilegios de acceso y más. Un catálogo de
ANALÍTICA
datos también proporciona un foro para grupos de
usuarios para compartir experiencias, problemas y
consejos sobre cómo trabajar con los datos.
6. Implemente suficientes protecciones de
datos. Además de los aspectos convencionales de
la seguridad de TI, como las defensas del perí-
metro de la red y los controles de acceso basados
en roles, se utilizan otros métodos para evitar la
exposición de información confidencial conte-
nida en un lago de datos. Esto incluye mecanismos
como el cifrado de datos y el enmascaramiento de
datos, junto con la supervisión automatizada para
generar alertas sobre el acceso o transferencia de
9 CÓMO MANEJAR LOS GRANDES VOLÚMENES DE DATOS
datos no autorizados.
7. Aumente la conciencia de datos interna-
mente. Finalmente, asegúrese de que los usuarios
de su lago de datos sean conscientes de la nece-
sidad de administrar y gobernar activamente los
activos de datos que contiene. Capacítelos sobre
cómo usar el catálogo de datos para encontrar
conjuntos de datos disponibles y cómo configu-
rar aplicaciones de analítica para acceder a los
datos que necesitan. Al mismo tiempo, recalque
la importancia del uso adecuado de los datos y la
buena calidad de los datos.
Para cumplir con el objetivo final de hacer acce-
sible y utilizable un lago de datos, es fundamental
tener un plan bien diseñado para manejar los datos
antes de migrarlos a su entorno Hadoop. Seguir los
pasos que se detallan aquí ayudará a simplificar el
proceso de implementación del lago de datos. Más
importante aún, la combinación correcta de plani-
ficación, organización y gobierno ayudará a maxi-
mizar su inversión en un lago de datos y reducirá
el riesgo de una implementación fallida.
—David Loshin
 ANALÍTICA
10 pasos para usar analítica predictiva
INICIO Hay una tendencia creciente entre las empre-
sas de utilizar algoritmos de analítica predictiva
NOTA DEL EDITOR
para aumentar sus resultados finales. En compara-
COMPARAR ción con la analítica descriptiva, que proporciona
CONSEJOS
una perspectiva de lo que ya ha sucedido, la ana-
lítica predictiva intenta discernir eventos futuros;
ANALÍTICA
por ejemplo, identificar a las personas que pueden
ser receptivas a las ofertas de marketing.
Pero para aprovechar al máximo los modelos
predictivos, los equipos de análisis deben equi-
librar la adopción de herramientas analíticas
avanzadas con el establecimiento de procesos
empresariales nuevos o modificados, y otros cam-
bios organizativos. Puro y simple: los resultados
analíticos que no influyen en la toma de decisio-
nes y en el comportamiento corporativo de una
manera productiva no agregarán ningún valor al
negocio.
Un programa de analítica predictiva eficaz re-
quiere el compromiso y el apoyo de los usuarios
10 CÓMO MANEJAR LOS GRANDES VOLÚMENES DE DATOS
empresariales en todo el ciclo de vida del análisis
de datos. Considere la posibilidad de seguir los
siguientes 10 pasos para ayudar a fomentar eso y
poner otros elementos básicos para establecer su
iniciativa de analítica para el éxito.
1. Encuentre un campeón corporativo. Es aconse-
jable empezar por obtener el respaldo de un líder
de alto nivel que está dispuesto a invertir recursos
y buena voluntad personal para garantizar que la
organización apoya adecuadamente el proceso de
analítica predictiva y las mejoras operacionales que
ayuda a impulsar. Por ejemplo, un director de mar-
keting puede ser un buen candidato para patroci-
nar un programa de análisis de clientes porque el
CMO puede proporcionar los fondos necesarios
y ordenar a los equipos de marketing que utilicen
los resultados generados por los algoritmos de
análisis predictivo en campañas de planificación y
promociones.
 ANALÍTICA
2. Entienda los principales objetivos de negocio de la
empresa. Los mejores modelos predictivos son los
que comparten dos características importantes: la
precisión en las predicciones y la relevancia para
el negocio. Puede mejorar la probabilidad de crear
INICIO valor de negocio cuando los científicos de datos y
los analistas que hacen el trabajo de análisis son
NOTA DEL EDITOR
conscientes de los objetivos de negocio de la orga-
COMPARAR nización y se concentran en la construcción de
CONSEJOS
modelos que pueden tener el máximo impacto en
el cumplimiento de esos objetivos.
ANALÍTICA
3. Evalúe cómo los procesos empresariales podrían
verse afectados. Los modelos predictivos ayudan a
identificar oportunidades de negocio, pero incluso
los mejor diseñados serán ineficaces si los resulta-
dos de las aplicaciones analíticas no se usan para
guiar las acciones de los gerentes de negocios y
los trabajadores operacionales. Para poder poner
los hallazgos en acción, será necesario identificar
los procesos de negocio que pueden mejorarse con
base en los hallazgos de los algoritmos de analítica
predictiva, así como también conseguir jefes de
departamento que se sumen con la preparación de
habilidades de sus trabajadores.
11 CÓMO MANEJAR LOS GRANDES VOLÚMENES DE DATOS
4. Defina métricas de rendimiento. Sus modelos pre-
dictivos no solo deben influir en los cambios en
los procesos de negocio, sino que también deben
tener un impacto mensurable en el desempeño del
negocio. Elabore un plan para crear métricas que se
puedan utilizar para cuantificar el valor de emplear
los modelos.
5. Contrate a un equipo competente. Su equipo de
analítica debe estar compuesto por individuos
con una amplia gama de habilidades, incluyendo
potencialmente estadísticos, científicos de datos,
analistas de datos, analistas de negocios, inge-
nieros de datos y profesionales de la gestión del
cambio.
6. Defina su metodología de desarrollo de mode-
los. Uno de los impedimentos para el éxito de la
analítica es cuando el tiempo que toma desarro-
llar los modelos predictivos supera la ventana de
oportunidad de negocios. Algunas organizaciones
adoptan técnicas de desarrollo ágiles para acele-
rar el proceso de creación de modelos, con refi-
namientos iterativos para mejorar los modelos a
medida que se están desplegando. La entrega más
 ANALÍTICA
rápida del valor incremental es mucho mejor que
los retrasos interminables en la entrega del modelo
predictivo perfecto.
7. Asegúrese de que los datos correctos están
INICIO disponibles, y accesibles. Bigdata es una bendi-
ción mixta. Aunque su organización puede tener
NOTA DEL EDITOR
la capacidad de recopilar y almacenar cantidades
COMPARAR masivas de datos, los analistas todavía necesitan
CONSEJOS
saber qué conjuntos de datos están disponibles y
cómo acceder a los que son relevantes para ellos.
ANALÍTICA
Además de crear un inventario de conjuntos de
datos, mantenga suficientes metadatos técnicos
y empresariales en un catálogo de datos para
asegurar que las aplicaciones específicas de
análisis predictivo tengan acceso a los datos
adecuados.
8. Instituya un sólido programa de gobierno de
datos. Elentorno de datos corporativos está cam-
biando constantemente y nuevos conjuntos de
datos se capturan y se ingieren continuamente
desde fuentes internas y externas. Implemente
prácticas de gobierno de datos que ayuden a garan-
tizar que la calidad y consistencia de los datos en
12 CÓMO MANEJAR LOS GRANDES VOLÚMENES DE DATOS
sus sistemas de análisis permanecen en un nivel
aceptable, con políticas de uso de datos asociadas
para evitar diferentes interpretaciones que con-
duzcan a resultados analíticos en conflicto.
9. Planifique fallar rápido cuando las cosas no salen
bien. Va a haber muchas oportunidades para cons-
truir modelos analíticos, pero no todas tendrán
éxito en la entrega de información útil. Establezca
el principio de fracaso rápido: Si un modelo pre-
dictivo no está produciendo nada de valor para el
negocio, pase a la próxima oportunidad.
10. Elija las herramientas adecuadas para el trabajo
a mano. Hay un mercado saludable de herramien-
tas de análisis predictivo, incluyendo opciones
de fuente abierta y comerciales. Busque herra-
mientas que proporcionen un conjunto básico de
capacidades que se adapten a sus necesidades de
aplicación. Los factores a considerar incluyen el
soporte para los algoritmos de análisis predictivo
particulares que va a utilizar, la interoperabilidad
con una variedad de plataformas convencionales y
de big data, la capacidad de manejar datos estruc-
turados y no estructurados, y la integración con
 ANALÍTICA

herramientas de visualización de datos y herra-
mientas frontales de presentación.
Estos 10 pasos no son una lista exhaustiva de lo
que implica el establecimiento de un exitoso pro-
INICIO grama de analítica predictiva. Pero proporcionan
una base para obtener un soporte sostenible inter-
NOTA DEL EDITOR
namente, enmarcando los modelos predictivos
COMPARAR
planificados en el contexto del valor del negocio,
involucrando a los usuarios empresariales, ges-
tionando el cambio, y dando acceso a analistas a
datos relevantes y confiables. Hechos correcta-
mente, ayudarán a alimentar procesos repetibles
para desarrollar, probar e implementar modelos
predictivos que, de hecho, pueden beneficiar al
negocio.—David Loshin

CONSEJOS

ANALÍTICA

13 CÓMO MANEJAR LOS GRANDES VOLÚMENES DE DATOS

 SOBRE
LOS AUTORES

LIZZETTE PÉREZ Arbesú es editora de SearchDataCenter en

Español, el portal de habla hispana de TechTarget enfocado
en contenidos de tecnología para las empresas de América
Latina.
Cómo manejar los grandes volúmenes de datos
DAVID LOSHIN es presidente de una firma de consultoría, es una publicación de SearchDataCenter.Es
INICIO
capacitación y desarrollo en temas relacionados con inteli-
Rich Castagna | Vicepresidente editorial
NOTA DEL EDITOR gencia de negocios, big data, calidad de los datos, gobierno
Lizzette Pérez Arbesú | Editora ejecutiva
COMPARAR
de datos y gestión de datos maestros. Además de escribir
para TechTarget y otros medios, es orador y catedrático. Melisa Osores | Editora adjunta
CONSEJOS
Linda Koury | Director de diseño online
ANALÍTICA
JIM O’REILLY es
un consultor enfocado en almacenamiento y
Moriah Sargent | Directora adjunta de la Central Editorial
cómputo de nube. Ostentó cargos ejecutivos en importantes
compañías como Germane Systems, Memorex-Telex y NCR, Sarah Zuccaro | Publisher
szuccaro@techtarget.com
donde su equipo y él desarrollaron el primer SCSI-ASIC
que actualmente se exhibe en el Museo Smithsoniano. TechTarget
275 Grove Street, Newton, MA 02466
www.techtarget.com

© 2018 TechTarget Inc. Ninguna parte de esta publicación puede ser reproduci-
das o retransmitidas de ninguna manera o por ningún medio sin el consentimien-
to por escrito de la editorial. Los reimpresos de TechTarget están disponibles a
través de YGS Group.

Acerca de TechTarget: TechTarget publica contenidos para profesionales de tec-

nología de información. Más de 100 sitios web focalizados permiten un rápido
acceso a un vasto repositorio de noticias, consejos y análisis sobre tecnologías,
productos y procesos cruciales para su trabajo. Nuestros eventos virtuales y pres-
enciales le proporcionan acceso directo a los comentarios y consejos de exper-
tos independientes. A través de IT Knowledge Exchange, nuestra comunidad so-
cial, usted puede obtener asesoría y compartir soluciones con colegas y expertos.

COVER ART: CARLOS CASTILLA/ISTOCK

14 CÓMO MANEJAR LOS GRANDES VOLÚMENES DE DATOS