Presentación de Mike Beattie, CEO y co-founder en Mediamano y CEO y founder en Sepomo, en el Modern Thinking del 19 de enero de 2016 en MSMK - Madrid School of Marketing.

1. Retos y Desafíos del Big Data
¿Es posible hacer Big Data cuando
tus fuentes de datos son textos?
Mike Beattie
CEO, Mediamano

2. ?

3. Big Data : Macro vs Micro
Macro Micro
El Corte Inglés /
Carrefour
✓ ✓
Censo EEUU ✓ ✓
Google Maps ✓
“Piensa en Java” -
Bruce Eckel
✓ ✓
Wikipedia “Madrid” ✓

4. Micro
¿Se identifica como Afro-Americano ? Sí No
Indíquenos su condado y estado Condado _______________ Estado _ _

5. Macro

6. Google Maps

7. ¿Qué puedes contar?

8. Conclusiones Interim :
Big Data : Macro (para analizar) y Micro (para encontrar) + otros
No todo lo que tiene Micro se puede analizar con Macro …
… ni todo lo que es Macro se puede enfocar hasta Micro
Es importante distinguir entre Google/Bing/Ask e información privada

9. Cuando la fuente no tiene
estructura …
"No seas siempre riguroso ni siempre blando y escoge entre
estos dos extremos; que en ello está el punto de la discreción”
- M. de Cervantes, DQ, 2ª parte
o
“Ahora se puede demostrar la verdadera potencia del Iterador:
la habilidad de recorrer una secuencia de la estructura
subyacente de esa secuencia” - Eckel, Piensa en Java
o

10. Hay un ejemplo no digital …
Índice de contenidos : Macro (19 pp)
Índice : Micro (24 pp)

11. 1.000.000 de artículos
¿Cuántos hablan de deportes?
¿Cuántos hablan de Natación en Madrid?
Macro
Macro
Micro
¿Dónde está el artículo sobre la
carencia de infraestructura en Madrid
para la natación competitiva?
… pero en digital ¿Cómo podemos
realizar Macro y Micro?

12. Con métodos tradicionales …
Término(s) Resultados
“Deportes” 400.000
“Natación” 2.580
“Natación Madrid” 655
“Natación en Madrid” 168
“Madrid la natación” 46
“Madrid” “Natación” 157.804

13. Macro ?

14. Macro ?

15. La lógica de Boole es perfecta para
millones de aplicaciones
pero no para el análisis de bases de texto

16. Entonces, ¿qué alternativas
hay?
Tagging Manual
Ontología
(estructura de significados)
Inteligencia
Artificial

17. ¿Puede una máquina aprender
significados sin gramática/ Ontología ?

18. ¡Sí! Con una red neuronal
(sin más detalles)
Input
Output
Hidden
“Ahorasepuededemostrarlaverdaderapotenciadel
Iterador:lahabilidadderecorrerunasecuenciadela
estructurasubyacentedeesasecuencia”-Eckel,Piensa
enJava
Palabra
+
Ubicación
x100.000

19. Palabras en una dimensión
Rojo
Naranja
Amarillo
colegio

20. Palabras en 2 dimensiones
Naranja
Rojo Amarillo
colegio
Pera Plátano

21. Palabras en 3 dimensiones

22. ¿Cuántas se necesitan para
simular el cerebro?

23. El mapa semántico y sus usos
Cada palabra, y cada texto, tiene una ubicación
Así se puede calcular la distancia entre textos y palabras
Que permite hacer muuuuuuchas cosas….

24. Búsqueda semántica

25. Semantic Neighbors

26. Occurrences
- score > 0,5
- Fuente : Web nacional de noticias

27. Contexto de Big Data : Temporal
Batería de
consultas
Data
-17.5
0
17.5
35
52.5
70
87.5
-4 0 4 8 12 16 20
Masterchef Junior Natación Problema

28. Batería de
consultas
Data
Contexto de Big Data : No Temporal
0
25
50
75
100
Mahou Heineken Damm Estrella
Fuente 1 Fuente 2

29. Conclusiones
¡YES WE CAN Hacer Big Data con Texto!
Al tener un score en cada resultado, podemos medir y cuantificar
Podemos descubrir cosas que no sabíamos que estábamos buscando
Podemos generar tags automáticamente

30. Mike Beattie
mike@mediamano.com
www.happening.technology