Big Data vs Expertos. En un mundo donde cada vez se produce más información, cómo las instituciones deben recolectar y/o utilizar la información disponible en redes sociales para tomar mejores decisiones que en muchos casos superan a los expertos que llevan años trabajando en una determinada área. Adrián Plattner @adrianplattner Mas informacion: http://www.refreshmaracaibo.org

1. Big Data vs Expertos
@adrianplattner

2. ¿Qué tienen en común todas
las empresas?
Dependen en gran medida en tomar las decisiones correctas

3. ¿Qué decisiones son claves en
las empresas?
O ¿Qué riesgos tomar?
O ¿Qué productos hacer?
O ¿Qué clientes abarcar y como
mantenerlos el mayor tiempo posible?

4. Poder predecir el futuro seria
de mucha ayuda

5. Algunos lo han intentado

6. Bueno, volvamos a la realidad
Las decisiones que toman las empresas
hoy en día se basan en los conocimientos y
experiencia de expertos en un área
determinada.

7. Limitaciones de la forma
convencional

8. ¿Que otra alternativa tenemos?
¿Que tal dejar que la información hable por nosotros?

9. Nada nuevo
O Muchas empresas utilizan métodos
estadísticos como apoyo para la toma de
decisiones.
O En la practica la mayoría solo usan
sumatorias y promedios.

10. Alternativa

11. Ejemplos
http://commons.wikimedia.org/wiki/File:ElectoralCollege2012.svg

12. Ejemplos
http://www.google.org/flutrends/us/#US

13. Wallmart

14. Farecast

15. Big Data
“Big Data is any data that is expensive to
manage and hard to extract value from.”
Michael Franklin-University of Berkeley
“Big” es relativo

16. Desafíos de Big Data
O Volumen
O Velocidad
O Variedad

17. ¿Qué datos producen en la
actualidad?
O Cada día Google produce 24 petabytes
de datos.
O De la información actual 90% fue
generada en los últimos dos años.
O 32 billones de búsquedas en Twitter el
ultimo mes.
O Mas de dos billones de videos fueron
vistos ayer en Youtube.

18. Pasos a seguir para una
empresa
O Analizar que procesos de tu negocio
quieres mejorar.
O Analizar que datos tienes que te pueden
servir y cual tienes que recolectar.
O Dividir la información en muestra y
prueba.
O Aplicar diferentes modelos de predicción
que dependen del problema en base a la
muestra.
O Aplicar el modelo resultante en la prueba.
O Volver al segundo paso.

19. ¿Que proceso puedo mejorar
en base a los datos?
O Segmentación de Clientes.
O Determinar el precio optimo de un
producto.
O La usabilidad de mi pagina web
(Clickstream).
O Detección de fraude.
O Determinar el éxito de una campaña o
producto en las redes sociales.
O Calcular una oferta académica de una
universidad.

20. Machine Learning
Regresión Linear, Regresión Logística, Redes Neuronales, etc.

21. Herramientas importantes.
O Map-Reduce(Apache Hadoop).
O SQL(MySQL) y NoSQL(HBase).
O Lenguajes de programación como
Python, R y Java.
O Hojas de calculo(Excel).
O IaaS(AWS).

22. Personal Necesario
O Estadísticos, Matemáticos o Físicos.
O Ingenieros o licenciados en Computación
o Informática.
O Managers.
O Economistas.
O Data Scientist(El nuevo Web Master).

23. Análisis de Sentimiento
Analizar la reacción del publico hacia un producto o campaña en las
Redes sociales(Twitter).

24. Análisis de Sentimiento
O Utilizar el API de Twitter para consultar y/o
almacenar los tweets sobre lo que nos
interesa.
O search.twitter.com/search.json?q=XXX
O Almacenarlos en una bases de datos
orientad a documentos(mongodb).
O Tomar una muestra aleatoria de los
tweets y clasificarlos uno a uno
manualmente.

25. Análisis de Sentimiento
O P(recomendado|+)=100/1000=0.10
O P(recomendado|-)=1/500=0.002
O P(malo | -)=150/500 = 0.3
O Ejemplo si l tweet es “Hey ayer fui a XX,
altamente recomendado!”
O Aplicando Bayes podemos determinar
que el tweet es positivo.

26. El Lado Oscuro de Big Data

27. Conclusión

28. Gracias (:
@adrianplattner