IOT

La nueva sociedad de datos

Las cuestiones que la sociedad de los datos trata de abordar son complejas. Las mismas tecnologías innovadoras y prácticas sociotécnicas que están reconfigurando la sociedad que permiten nuevos modos de interacción, nuevas oportunidades de conocimiento y paradigmas empresariales disruptivos pueden ser abusadas para invadir la privacidad de las personas, proporcionar nuevos instrumentos de discriminación y perjudicar a las personas y las comunidades. (DataSociety, 2017).

Los programas de Data & Society reúnen diferentes perspectivas, métodos de investigación y prácticas. Entrelazamos investigadores, empresarios, activistas, creadores de políticas, periodistas, frikis e intelectuales públicos. Vemos enormes beneficios recíprocos para la creación de redes y la investigación cuando se combinan. (DataSociety, 2018).  Las disciplinas más empleadas y extendidas de esta nueva sociedad de datos son:

(Steve Treharne, 2018)

Data Science

El uso del término Data Science es cada vez más común, pero ¿qué significa exactamente? ¿Qué habilidades necesitas para convertirte en Data Scientist? ¿Cómo se toman las decisiones y predicciones en Data Science? Estas son algunas de las preguntas que se responderán más adelante.

Primero, veamos qué es Data Science. Data Science es una mezcla de varias herramientas, algoritmos y principios de aprendizaje automático con el objetivo de descubrir patrones ocultos de los datos brutos. ¿En qué se diferencia esto de lo que los estadísticos han estado haciendo durante años? Un analista de datos generalmente explica lo que está pasando por el procesamiento de la historia de los datos. Por otra parte, Data Scientist no sólo realiza el análisis exploratorio para descubrir ideas a partir de él, sino que también utiliza varios algoritmos avanzados de aprendizaje automático para identificar la ocurrencia de un evento en particular en el futuro. Un científico de datos mirará los datos desde muchos ángulos, a veces ángulos no conocidos anteriormente. (Sharma H,2020)

(IntelliPaat, 2019)

Big Data

Big data es una combinación de datos estructurados, semiestructurados y no estructurados recogidos por organizaciones que pueden ser extraídos para obtener información y utilizados en proyectos de aprendizaje automático, modelado predictivo y otras aplicaciones analíticas avanzadas. Los sistemas que procesan y almacenan macrodatos se han convertido en un componente común de las arquitecturas de gestión de datos en las organizaciones. El Big data se caracteriza a menudo por los 3Vs: el gran volumen de datos en muchos entornos, la gran variedad de tipos de datos almacenados en sistemas de Big data y la velocidad a la que se generan, recogen y procesan los datos. Estas características fueron identificadas primero por Doug Laney, entonces analista en Meta Group Inc., en 2001; Gartner las popularizó aún más después de que adquirió Meta Group en 2005. Más recientemente, varios otros han sido añadidos a diferentes descripciones de los macrodatos, incluida la veracidad, el valor y la variabilidad.

Las empresas utilizan los macrodatos acumulados en sus sistemas para mejorar las operaciones, proporcionar un mejor servicio al cliente, crear campañas de marketing personalizadas basadas en las preferencias específicas del cliente y, en última instancia, aumentar la rentabilidad. Las empresas que utilizan macrodatos tienen una ventaja competitiva potencial sobre las que no lo hacen, ya que son capaces de tomar decisiones empresariales más rápidas y más informadas, siempre que utilicen los datos con eficacia. Por ejemplo, los macrodatos pueden proporcionar a las empresas información valiosa sobre sus clientes que puede utilizarse para perfeccionar las campañas y técnicas de marketing con el fin de aumentar la participación de los clientes y las tasas de conversión.

Los investigadores médicos también utilizan los macrodatos para identificar los factores de riesgo de enfermedades y los médicos para ayudar a diagnosticar enfermedades y afecciones en pacientes individuales. Además, los datos obtenidos de los historiales médicos electrónicos, las redes sociales, la Web y otras fuentes proporcionan a las organizaciones sanitarias y a los organismos gubernamentales información actualizada sobre las amenazas o brotes de enfermedades infecciosas. (DataMangament, 2018)

Data Analytics

La analítica de datos es la ciencia del análisis de datos brutos para sacar conclusiones sobre esa información. Muchas de las técnicas y procesos de análisis de datos se han automatizado en procesos y algoritmos mecánicos que trabajan sobre datos brutos para el consumo humano. Las técnicas de análisis de datos pueden revelar tendencias y métricas que de otro modo se perderían en la masa de información. Esta información se puede utilizar para optimizar los procesos para aumentar la eficiencia general de un negocio o sistema.

El análisis de datos es un término amplio que abarca muchos tipos diversos de análisis de datos. Cualquier tipo de información se puede someter a las técnicas de análisis de datos para obtener información que se puede utilizar para mejorar las cosas. Por ejemplo, las empresas de fabricación a menudo registran el tiempo de ejecución, el tiempo de inactividad y la cola de trabajo de varias máquinas y luego analizan los datos para planificar mejor las cargas de trabajo para que las máquinas funcionen más cerca de la capacidad máxima. El análisis de datos puede hacer mucho más que señalar cuellos de botella en la producción. Las compañías de juegos utilizan análisis de datos para establecer programas de recompensas para los jugadores que mantienen a la mayoría de los jugadores activos en el juego. Las empresas de contenido utilizan muchos de los mismos análisis de datos para mantenerlo haciendo clic, mirando o reorganizando el contenido para obtener otra vista u otro clic. (investopedia, 2018)

Business Intelligence

El término Business Intelligence (BI) se refiere a tecnologías, aplicaciones y prácticas para la recopilación, integración, análisis y presentación de información empresarial. El propósito de Business Intelligence es apoyar una mejor toma de decisiones empresariales. Esencialmente, los sistemas de inteligencia empresarial son sistemas de apoyo a la decisión basados en datos (DSS). La Inteligencia de Negocios a veces se utiliza indistintamente con libros de información, herramientas de informe y consulta y sistemas de información ejecutiva. (OLAP, 2020) 

Actualmente las organizaciones están empezando a ver que los datos y el contenido no deben considerarse aspectos separados de la gestión de la información, sino que deben gestionarse con un enfoque institucional integrado. La gestión de la información empresarial aúna la inteligencia empresarial y la gestión de los contenidos empresariales. En la actualidad, las organizaciones están avanzando hacia la Inteligencia Operacional de Negocios, que en la actualidad está siendo atendida y no impugnada por los proveedores. Tradicionalmente, los proveedores de Business Intelligence están apuntando sólo a la parte superior de la pirámide, pero ahora hay un cambio de paradigma hacia la toma de Business Intelligence a la parte inferior de la pirámide con un enfoque de autoservicio de inteligencia empresarial. (OLAP, 2020)

Machine learning

El aprendizaje automático es una aplicación de la inteligencia artificial (IA) que proporciona a los sistemas la capacidad de aprender y mejorar automáticamente de la experiencia sin ser explícitamente programado. El aprendizaje automático se centra en el desarrollo de programas informáticos que puedan acceder a los datos y utilizarlos para aprender por sí mismos. El proceso de aprendizaje comienza con observaciones o datos, como ejemplos, experiencia directa o instrucción, con el fin de buscar patrones en los datos y tomar mejores decisiones en el futuro sobre la base de los ejemplos que proporcionamos. El objetivo principal es permitir que los ordenadores aprendan automáticamente sin intervención o asistencia humana y ajustar las acciones en consecuencia.

Algunos métodos del machine learning son:

Los algoritmos supervisados de aprendizaje automático, que pueden aplicar lo aprendido en el pasado a nuevos datos usando ejemplos etiquetados para predecir eventos futuros.

Los algoritmos de aprendizaje automático no supervisados, usados cuando la información utilizada para la formación no está clasificada ni etiquetada.

Los algoritmos de aprendizaje automático semisupervisados se sitúan entre el aprendizaje supervisado y el no supervisado, ya que utilizan tanto datos etiquetados como no etiquetados para el entrenamiento, normalmente una pequeña cantidad de datos etiquetados y una gran cantidad de datos sin etiquetar.

Los algoritmos de aprendizaje automático de refuerzo, que son un método de aprendizaje que interactúa con su entorno mediante la producción de acciones y descubre errores o recompensas. (Expert System Team, 2018)

Estás nuevas disciplinas que vienen desarrollándose desde hace muy poco tiempo, son muy útiles, y mejoran muchos aspectos de nuestra sociedad, pero estos nuevos cambios traen consigo nuevas amenazas, y por tanto nuevos retos, estas amenazas se centran en la ciberseguridad. Antes los miedos que tenían los usuarios en torno a Internet y a sus vertientes eran los denominados hackers, personas que supuestamente se dedicaban a sembrar el caos en las plataformas mediante robos de identidad, estafas... Ahora la amenaza ya no está en esos hackers, está en las propias empresas, que tienen en su poder los datos de todos los ciudadanos y pueden hacer con ellos prácticamente lo que quieran.

 Bibliografía

Data & Society. (2020). About. [online] Available at: https://datasociety.net/about/ [Accessed 25 Jan. 2020].

Sharma, H. (2020). What Is Data Science? A Beginner's Guide To Data Science | Edureka. [online] Edureka. Available at: https://www.edureka.co/blog/what-is-data-science/ [Accessed 25 Jan. 2020].

SearchDataManagement. (2019). What is Big Data and Why is it Important?. [online] Available at: https://searchdatamanagement.techtarget.com/definition/big-data [Accessed 25 Jan. 2020].

Investopedia. (2018). How Data Analytics Work. [online] Available at: https://www.investopedia.com/terms/d/data-analytics.asp [Accessed 25 Jan. 2020].

OLAP.com. (2020). What is Business Intelligence? BI Definition. [online] Available at: https://olap.com/learn-bi-olap/olap-bi-definitions/business-intelligence/ [Accessed 25 Jan. 2020].

Expert System. (2020). What is Machine Learning? A definition - Expert System. [online] Available at: https://expertsystem.com/machine-learning-definition/ [Accessed 25 Jan. 2020].