Informe OBS: Big Data y Huge Data 2017-2018

Big Data 2017-2018
y el salto del Big Data
al Huge Data
Autor
Chema Maroto
OBS Business School
www.obs-edu.com
Doble Titulación:

Big Data 2017-2018 y el salto
del Big Data al Huge Data
2 3
Índice
Introducción 2
Escenario actual del Big Data 4
La Inversión en Big Data 5
Adopción de Proyectos de Big Data en este período 6
Resultados Medibles 7
El dato,“la carrera por el oro” 10
Inteligencia Artificial 13
Machine Learning 16
Deep Learning 23
IoT 34
Estado actual (Collect & Compute). Factores de motivación 34
La Inversión en IoT, el presupuesto es el mayor freno 37
IoT por Sectores 38
Retos para que IoT despegue 39
Blockchain 41
Blockchain, el nuevo impulso del Big Data 41
Inversión en Blockchain 43
El despliegue más allá del sector finanzas 43
El futuro del Blockchain 44
Conclusiones para el debate 46
Referencias 49

4 5
Introducción Introducción
El fenómeno Big Data ha cobrado forma durante este último año. Esto ha
ocasionado que el ecosistema empresarial tome más consciencia de su
significado y de su impacto. El número de casos de éxito y la cantidad de
iniciativas abiertas, en prácticamente todos los segmentos de la industria,
están proporcionando datos y situaciones más concretas para ayudar a los
líderes de las compañías a tomar decisiones acerca de cómo posicionarse o
adoptar el Big Data.
Cerca del 100% de las empresas líderes declaran estar adoptando proyectos de
Big Data en algunas de sus disciplinas. El Big Data es ya el activo empresarial
más influyente en la Transformación Digital.
Este año los proyectos de Big Data han pasado a otro nivel. El foco en esta nueva
etapa está en la capacidad de aprovechar el valor de los datos, después del
tiempo y el esfuerzo en recopilar, ordenar y administrar grandes volúmenes
de información. Ahora el trabajo está en desarrollar algoritmos predictivos
utilizando tecnologías de Inteligencia Artificial. El fenómeno de IA ya no es una
cuestión de futuro. Los datos publicados por las empresas líderes reflejan cómo
ya empiezan a obtenerse resultados medibles de las primeras inversiones
en proyectos de Inteligencia Artificial. El desarrollo de tecnologías como el
Machine Learning o el Deep Learning está considerado por las empresas líderes
como el principal.
La necesidad de conseguir la mejor aproximación, la segmentación más
precisa y los resultados más concluyentes obligan a los sistemas de Big Data a
almacenar y gestionar un mayor volumen de información,llevando el volumen
de datos a niveles nunca imaginados. La llegada del “Huge Data” obliga a las
empresas a convertir al dato en su principal activo y aumentar así su nivel de
involucración e inversión en este tipo de proyectos.
El propósito de esta fase de transformación para las compañías líderes es
llegar a adoptar una cultura corporativa orientada al dato (Data-Driven)
donde la toma de decisiones pueda realizarse desde un punto más objetivo y
más inmediato gracias al análisis de los datos y el alto volumen de elementos
inteligentes y sensores conectados a internet.
La llegada de la Inteligencia Artificial viene a acelerar a algunos proyectos
de Big Data que habían sufrido cierta desaceleración por culpa de no obtener
los resultados esperados. Más de la mitad de las compañías que empezaron a
adoptar Big Data, y que no tuvieron éxito en sus iniciativas, consideran que con
la Inteligencia Artificial pueden comenzar a obtener resultados medibles.
Otro de los factores que ha provocado el aumento del tamaño del Big Data es el
alto volumen de dispositivos conectados a internet como Internet de las Cosas.
El IoT, con la incorporación de sensores en maquinaria, y sistemas críticos
de seguridad y control, no sólo ha aumentado el volumen de información
que se trasmite entre una red y otra, sino que también ha aumentado otra
de las V del Big Data como es la velocidad. Los tiempos de latencia hoy son
inmediatos y además deben ser fiables y directos. Este motivo ha obligado a
mejorar los sistemas y fortalecer las infraestructuras y arquitecturas de los
sistemas de Big Data provocando así, tener un ecosistema del dato cada vez
más fiable y más interconectado. Tan sólo con la llegada el coche autónomo se
espera que el consumo actual de datos por internet llegue a multiplicarse de
manera exponencial. El volumen de datos que procesa un coche autónomo
equivale a los datos que pueden generar hoy casi 3.000 usuarios de internet.
Este es el año donde podemos hablar del alto nivel de madurez de las empresas
líderes en proyectos Big Data que ya están recogiendo resultados y comenzando
a desarrollar elementos innovadores y disruptivos en sus sectores debido al uso
de los algoritmos y los sistemas predictivos de Inteligencia Artificial.La“carrera
por el oro”ha comenzado y esto está provocando que los primeros posicionados
“le roben la merienda” a aquellas compañías que llevan manteniendo su
liderazgo en el sector gracias a las inercias producidas por la historia. Debido
al Big Data durante el último año han sido numerosos los casos donde David
vence a Goliat con su mejor fuerza que es el Dato.
Foto 1.
La llegada del
“Huge Data” obliga
a las empresas
convertir al dato en
su principal activo.

6 7
Escenario actual del Big Data
Durante este año se ha observado un esfuerzo considerable por parte de
las empresas por conseguir un nivel mayor de madurez en sus iniciativas
relacionadas con Big Data. El reto de las empresas de hoy ya no es saber cómo
almacenar y hacer accesible la gran cantidad de datos que terminan recogiendo
sino, que el objetivo durante el año es orientar la estrategia de la compañía hacia
una organización Data-Driven, focalizadas en conseguir Valor de los datos.
Elavanceporpartedelascompañías,ensuniveldeasimilaciónydescubrimiento
del potencial que ofrece el Big Data, los ha llevado a iniciar proyectos dedicados
al análisis predictivo y buscar más impacto y eficiencia en sus propuestas
empresariales. Gracias a los diseños de sistemas de análisis predictivos, se están
empezando a ver los primeros grandes beneficios en términos del retorno de la
inversión.
La capacidad de unir la gestión del dato almacenado con nuevas estrategias de
negocio digital está dando pie a nuevos proyectos donde la máquina comienza
a tomar decisiones por sí sola (algoritmos) consiguiendo una mayor conversión
en la relación empresa-cliente. Este concepto es lo que denominamos la nueva
generación del Big Data, la Inteligencia Artificial. Hasta ahora, todos los
sistemas que el hombre ha estado usando en su desarrollo y que han formado
parte de las revoluciones que han sucedido en la historia han sido sistemas
dirigidos a sustituir su acción manual por una mecánica. Gracias al Big Data y la
Inteligencia Artificial, el hombre comienza a crear sistemas llamados a sustituir
su cerebro, haciendo de esta nueva era un momento totalmente revolucionario
que genera mucha expectativa.
En el uso del Big Data, para lograr sistemas de Inteligencia Artificial, se han
desarrollado dos disciplinas de trabajo específicas para abordar proyectos que
consigan extraer el valor de los datos: Machine Learning y Deep Learning.
Ambas disciplinas están enfocadas en diseñar algoritmos que ayuden a
clasificar y ordenar los datos para conseguir modelos matemáticos que ayuden
a las compañías en el proceso de toma de decisión. La metodología Machine
Learning está dirigida fundamentalmente a conseguir una mayor segmentación
y clasificación de los datos,mientras que Deep Learning consigue resultados más
innovadores ya que es un sistema capaz de tomar decisiones por sí mismo.
La clave para diferenciarlos es justamente la intervención humana.Con Machine
Learning supervisamos todos los procesos y enseñamos a la máquina a aprender
de distintos datos y como clasificarlos. En cambio, Deep Learning aprende por sí
mismo con cada dato nuevo que recibe,puede tomar un dato o categoría erróneo
una vez. Sin embargo, aprende de ese error y emplea otro dato para acercarse al
resultado correcto cada vez de forma más rápida y fiable.
Durante estos últimos años hemos ido observando como la evolución en el
tratamientodeldatolacomplejidadparaabordarproyectosdeBigDataveníapor
la capacidad de gestionar las 7V (velocidad, volumen, variedad, visualización,…).
A día doy,el reto es tener la capacidad de“alimentar”con los datos suficientes
los sistemas de Inteligencia Artificial para que ayuden a generar valor
diferencial a las compañías en su desarrollo digital.
La Inversión en Big Data
Hoy en día, hablar ya de proyectos Big Data es también hablar de todas las
técnicas y tecnologías que están bajo el perímetro como es la Inteligencia
Artificial. Durante este año, apenas se distingue la información segmentada y se
trata como un conjunto, es decir, proyectos de Big Data e Inteligencia Artificial.
Según la encuesta de NVP realizada a las empresas líderes de cada uno de los
segmentos industriales, el 97,2% de las compañías han realizado inversiones en
de proyectos de Big Data y IA.
La inversión en big data ha sufrido un aumento considerable respecto al año
pasado debido en gran medida por la necesidad de las empresas de extraer
valor y conocimiento de los datos.
Las iniciativas dirigidas a crear sistemas de Inteligencia Artificial están
obligando a las compañías a invertir más en procesos de obtención y calidad
del dato provocando una necesidad mayor de infraestructura que permita la
gestión de este gran volumen de datos.
Tres de cada cuatro empresas informan que el disponer de grandes volúmenes de
datos impulsan la inversión en Inteligencia Artificial y aprendizaje cognitivo.
Gráfico 1.
Inversiones en
Iniciativas de Big
Data y IA
Gráfico 2.
Inversiones en
Iniciativas de Big
Data y IA
2,8%
24%
97,2%
76%
Si
Si
No
No
Fuente:NVP (2018)
Fuente:NVP (2018)

8 9
En cuanto a los datos de inversión, si bien prácticamente todas las compañías
líderes están adoptando proyectos de Big Data en su organización, los datos de
inversión indican que son todavía pocos los que están apostando fuerte. Apenas
el12,7%delasempresaslídereshansuperadolos%500MMdeinversión,mientras
que el análisis de la curva sitúa a la masa crítica en un nivel de adopción más
conservador en porcentajes del 60,3%.
Un mayor desglose indica que en los niveles más altos de inversión, el 7,9%
las empresas invierten más de $ 1B en iniciativas Big Data, mientras que, en el
extremo inferior, el 22,2% respondieron que sus empresas han invertido menos
de $ 10 MM.
Estos datos vienen a confirmar que, si bien la inversión en Big Data parece estar
muy extendida, los niveles de inversión continúan siendo relativamente
modestos para la mayoría de las organizaciones en este momento.
Adopción de Proyectos de Big Data en este período
Norteamérica y EMEA líderes en la transformación
La región que lidera la lista es Norteamérica con un 55% de inversión, muy
estrechamente EMEA 53% en la adopción actual por región. Las empresas de
Asia-Pacífico informan de un 44% de adopción actual, aunque es más probable
que digan que “pueden usar Big Data en el futuro”. En cambio, una pequeña
parte de las empresas de América del Norte y EMEA (12% y 11%,respectivamente)
informan que“no hay planes de utilizar Big Data en absoluto”.
Es sector de las Telecomunicaciones y de Finanzas a la cabeza de la revolución
Por industria, telecomunicaciones destaca, donde el 87% de las empresas ya lo
haadoptadoanivelglobal.Seguidomuydecerca,porlosserviciosfinancieroscon
un 76%, ambos datos superiores al 61% de adopción de la industria tecnológica.
Dentro del sector Salud, el 60% de las compañías están apostando por Big
Data. El resto están abiertos para un uso futuro. Y en menor medida, el sector de
la Educación actualmente roza el 25%, aunque el 67% está abierto a un posible
uso futuro. Son aproximadamente el 20% del resto de la industria quién dice no
tener ningún plan de adopción previsto.
Fuente: NVP (2018)
30%
40%
50%
60%
70%
20%
10%
0%
Mayores de
$500M
$50M - $500M Menores de
$50M
Gráfico 3.
Inversión Total
en Big Data
Gráfico 4.
Adopción Big Data
por territorio
Actualmente
Sin planes de adopción
Enelfuturo
Fuente: Dresner Advisory Services, LLC. Big Data Analytics Market Study 2017 Edition
30%
40%
50%
60%
70%
80%
90%
100%
20%
10%
0%
América del Norte EMEA Asía-Pacifico

10 11
Resultados Medibles
Los proyectos de Big Data e IA se han vuelto prácticamente indistinguibles,
especialmente debido al gran aumento de popularidad de las técnicas de
Machine Learning y Deep Learning para manejar grandes volúmenes de datos.
Las mejores noticias para el sector es que las empresas continúan obteniendo
valor de sus proyectos de Big Data e IA.El 73% de las empresas,a nivel global,ya
han recibido un valor medible de estas iniciativas.
Un desglose adicional indica que el 23,9% de las empresas caracterizan sus
resultados como altamente transformadores e innovadores. El 40,8% de las
empresas creen que sus inversiones en Big Data han ayudado a su compañía a
posicionarse de manera más efectiva para el futuro.Aquellas que respondieron
“No” creen que es demasiado pronto para decir que impacto tendrán estas
inversiones en su empresa.
Los resultados
medibles en
proyectos de Big
Data reflejan un
aumento del 50%
respecto al año
pasado.
Foto 2.
La llegada de
la Inteligencia
Artificial viene a
acelerar a algunos
proyectos de Big
Data que habían
sufrido cierta
desaceleración.
Gráfico 5.
Adopción Big Data
por sectores
0% 20% 40% 60% 80% 100%
Educación 68% 8%24%
Tecnología 20% 19%61%
Salud 39% 4%57%
Servicios
Financieros
20% 5%75%
Telecomunicaciones 14%86%
Actualmente
Si
NO
Enelfuturo
Sinplanesdeadopción
Fuente: NVP (2018)
60%
80%
40%
20%
0%
2017 2018
Gráfico 6.
Resultados Medibles
en inversiones de
Big Data e IA
Gráfico 7.
Impacto
del Big Data
Han ayudado para
posicionarse en el futuro
Resultados altamente
transformadores
Es demasiado pronto para
valorar el impacto
Fuente:NVP (2018)
41%
24%
35%

12 13
Los resultados indican que el desarrollo de técnicas de análisis avanzadas para
respaldar la mejora en la toma de decisiones empresariales se identificó como
la prioridad más alta y generó la mayor tasa de éxito con 36,2% de las empresas
citando esto como su principal prioridad. El 84,1% de las empresas son las que
invierten en este objetivo y el 58% apunta a resultados medibles, para una tasa
de éxito del 69%.
Otras áreas de inversión notables incluyen la mejora del servicio al cliente y
reduccióndegastos,registrandoíndicesdeéxitodel53,4%y60,9%respectivamente.
Tal vez lo más sorprendente es la menor tasa de éxito (43,8%) atribuida a las
iniciativas de innovación y disrupción, y la baja priorización (7,2%) y el éxito
(27,3%) de las iniciativas centradas en la monetización de datos. Si bien las
empresas hablan sobre el deseo de “monetizar” sus activos de datos, objetivo
que parece ser más ambicioso en este momento.
Herramientas para liderar la transformación
El consumo de herramientas e infraestructura es un factor determinante en el
incremento de la inversión proyectos de Big Data.
Entre las tecnologías punteras, encontramos Apache Spark reconocido como
un sistema de computación distribuida a través de clusters de ordenadores. Su
predecesor, MapReduce, fue desarrollado para evitar tener que diseñar distintos
modelos para resolver problemas similares. Y Yarn, que es una herramienta
de gestión de clusters, que junto con MapReduce forman parte del ecosistema
Hadoop. En la adopción de las diferentes herramientas de Big Data por parte de
las compañías, encontramos a Spark como el framework favorito, seguido de
MapReduce y Yarn.
Entre los líderes, las empresas consideran que Spark es crítico en más del 30%
de los casos y, como mínimo, “importante” para el 70%. MapReduce y Yarn son
“críticos”para más del 20%.
Gráfico 8.
Tasa de Éxito en
Iniciativas Big Data
0%
0%
20%
20%
30%
30%
50%
50%
70%
70%
90%
90%
10%
10%
40%
40%
60%
60%
80%
80%
100%
100%
Time-To-Market
Monetizar Big Data
a través de nuevas
fuentes de ingresos
Spark
MapReduce
Yarn
Oozie
Tez
Apache Drill
Atlas
Mesos
Knox Gateway
Alluxio (Tachyon)
25% 46%29%
25% 25% 13% 16%21%
23% 68%9%
25% 18% 10% 14%33%
Innovación /
Disrupción
26% 54%20%
14% 17% 19% 29%21%
Reducir gastos 26% 33%41%
15% 15% 22% 39%9%
Mejorar el Servicio
al Cliente
31% 35%
16%
34%
9% 12% 23% 46%10%
Analítica avanzada
como apoyo a la
Toma de Decisiones
26%58%
21% 17% 47%12%3%
1%
1%
23% 23% 48%5%
14% 30% 49%4%3%
13% 26% 53%4%4%
16% 23% 54%6%
Tasa de Éxito
en Iniciativas Big Data
ComenzadossinÉxito
ComenzadossinÉxito
Fuente: NVP (2018)
Fuente: NVP (2018)
Gráfico 9.
Infraestuctura
Big Data
Crítico
Importante
No es importante
Muyimportante
Algoimportante

14 15
A lo largo de tres años de estudio, Spark supera a MapReduce como la
infraestructura de Big Data favorita. Las preferencias para Spark y las
aplicaciones/frameworks asociados crecieron en 2017 así como MapReduce que
también tiene una gran penetración en el mercado. Todas las demás opciones
de infraestructura, excepto Yarn y Oozie, pierden poder en 2017 respecto al año
anterior.
El dato,“la carrera por el oro”
La gestión inteligente de los datos va más allá de una mera cuestión tecnológica.
El escenario es muy complejo y resulta imposible ser competitivos contando
únicamente con recursos tecnológicos tradicionales. El objetivo de las empresas
es definir una estrategia que les ayude a adoptar una cultura Data-Driven.
Lasempresasexpresansucompromisoenforjarunaculturabasadaendatospara
evitar amenazas a manos de competidores más ágiles en cuanto a transformar
su cultura organizacional.
Un 98,6% de las compañías indica que su objetivo aspira a una cultura
basada en datos, en comparación con el 85,5% de 2017. Entre estos, el 32,4%
indica que su empresa ha logrado este resultado, mientras que el resto de
compañías, un 67,6%, afirman que es demasiado pronto para determinar si
tendrán éxito en lograr este objetivo.
Este dato se refleja en que casi 2 de cada 3 de las empresas (64,7%) indican
que las adopciones comerciales de iniciativas de datos siguen siendo un gran
desafío, mientras que poco más de un tercio de los encuestados afirman que su
organización lo ha logrado con éxito.
Conseguirlo no
solo de un proceso
de digitalización,
sino que estamos
hablando de una
transformación.
El 80,9% de
las empresas
coinciden en
que los desafíos
culturales
(personas
+ procesos)
representan la
mayor barrera
para superar
la evolución y
transformación
de sus compañías.
2015
2016
2017
1,5
3,5
4
1
3
0,5
2,5
2
0
Spark MapReduce Yarn Oozie Tez Apache
Drill
Atlas Mesos Knox
Gateway
Alluxio
(Tachyon)
Gráfico 10.
Infraestuctura
Big Data
Si | En progreso
No | No es prioritario
Fuente: NVP (2018)
60%
80%
100%
40%
20%
0%
2018 2017
Gráfico 11.
Crear cultura
data driven

16 17
Pero se observa que el mayor problema al que tienen que enfrentarse las
compañías a la hora de conseguir la transformación está relacionado con
la adaptación al cambio que este reto plantea con una cifra del 32,5% de
resistencia cultural como el principal factor de riesgo frente a conseguir que la
transformación sea satisfactoria. Cuando esta cifra se combina,una vez más,con
los desafíos relacionados con la alineación organizacional (25%) y el liderazgo
ejecutivo (7,5%), indica nuevamente que casi 2 de cada 3 (65%) de los problemas
que impiden la adopción exitosa de iniciativas de datos pueden ser atribuido a
factores culturales.
Otro obstáculo para la adopción, con un 30%, es la falta de comprensión y
apreciación de los datos como un activo empresarial.
La figura del Chief Data Officer se convierte en la pieza clave para la
transformación incrementando su participación en la toma de decisiones un
72% respecto al año pasado.
El 80,9% de
las empresas
coinciden en
que los desafíos
culturales
(personas
+ procesos)
representan la
mayor barrera
para superar
la evolución y
transformación
de sus compañías.
Foto 3.
La inversión en
Big Data ha sufrido
un aumento
considerable
respecto al año
pasado debido en
gran medida por
la necesidad de las
empresas de extraer
valor y conocimiento
de los datos.
Gráfico 12.
Amenazas para la
adopción cultural
Resistencia al cambio
Comprensióndelos
datoscomoactivo
Faltadeliderazgoejecutivo
Insuficientealineacióny
agilidadorganizacional
Faltadeliderazgoy
solucionestecnológicas
Fuente:NVP (2018)
32,5%
30%
25%
7,5%
5%
Fuente: NVP (2018)
30%
40%
50%
60%
20%
10%
0%
2017 2018
Gráfico 13.
Participación
Chief Data Officer

18 19
Inteligencia Artificial Inteligencia Artificial
Machine Learning y Deep Learning son las técnicas más importantes para las
empresas que pretenden conseguir extraer el valor de los datos.
A nivel global, el 60% de las empresas están implementando modelos de
Machine Learning, y casi una tercera parte considera que sus iniciativas están
en una etapa de madurez.
Dicha madurez se empieza a materializar en que un 26% son las empresas que
consideran Machine Learning como una ventaja competitiva.
Sin embargo, es Deep Learning la técnica que según dicen las empresas se
posiciona como la que más impacta positivamente en la ventaja competitiva,
ya que así lo informan el 87% de las grandes empresas. Dentro de ese colectivo,
el 83% está invirtiendo específicamente en estas técnicas para vencer a los
competidores.
La inversión en Inteligencia Artificial ha ido evolucionando durante la última
década,pero es ahora cuando se están observando un nivel muy alto de inversión
provocado fundamentalmente por el Machine Learning y el Deep Learning.
A continuación, se muestra una tabla con el detalle sobre como cada segmento
de la industria está aprovechando los beneficios de la Inteligencia Artificial.
Gráfico 14.
¿Considera
Machine Learning
una ventaja
competitiva?
Gráfico 15.
¿Considera
Deep Learning
una ventaja
competitiva?
Si
Si
No
No
Fuente:MIT Technology Review.Machine
Learning:The New Proving Ground for
Competitive Advantage
Fuente:Cylance.Artificial Intelligence in the
Enterprise:The AI race in on
26%
83%
17%
74% Fuente: https://venturescannerinsights.wordpress.com/
1,5
2
2,5
1
0,5
0
2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016
Gráfico 16.
Evolución de
la Inversión en
Inteligencia
Artificial ($B)
Salud
Automoción
Servicios Financieros
Transporte y logística
Tecnología, Medios y
Telecomunicaciones
Mercado minorista
Energía
Fábricas
1
2
3
4
5
6
7
8
Apoyar el diagnóstico mediante la detección de
variaciones en los datos del paciente. Identificación
temprana de posibles pandemias. Diagnóstico por
imágenes.
Flotas autónomas para compartir el viaje. Funciones
semiautónomas como asistencia al conductor. Control
del motor y mantenimiento predictivo y autónomo.
Planificación financiera personalizada. Detección de
fraude y blanqueo de capitales. Automatización de las
operaciones del cliente.
Flotas autónomas. Control de tráfico y reducción de
puntos negros. Mejoras en la Seguridad.
Archivo de medios, búsqueda y recomendaciones
Creación de contenido personalizado. Marketing y
publicidad personalizados.
Diseño y producción personalizados. Anticiparse
a los gustos y necesidades del cliente. Gestión de
inventario y entrega.
Medición inteligente. Funcionamiento y
almacenamiento de la red más eficientes.
Mantenimiento predictivo de la infraestructura
Mejorar la monitorización y autocorrección de
procesos. Optimización de la cadena de suministro y
producción. Producción bajo demanda.
Industria Casos de uso con alto potencialRanking
Tabla 1.
Beneficios de
la Inteligencia
Artificial por
segmentos
industriales
Fuente:PwC Global AI Impact Index,2017

20 21
El fuerte empuje en la adopción de proyectos de IA es debido en gran parte a que
muchas de las empresas que iniciaron su camino en Big Data no obtuvieron los
resultados deseados.Eso provocó una pequeña desaceleración ya que no veían la
forma de sacarle provecho a los datos.
Gracias a las tecnologías de Inteligencia Artificial se abre una nueva puerta
para hacer frente a sus desafíos empresariales con la ayuda de los datos y
los algoritmos.
En términos de inversión puede observarse en la gráfica de abajo como las
iniciativas relacionadas con Machine Learning dominan notablemente frente
al resto. Son, sin duda, las que más fondos están recibiendo. El punto señala el
volumen de compañías que están trabajando en el desarrollo de este tipo de
tecnologías. Sin duda que el foco está en los sistemas de aprendizaje automático
o Machine Learning.
La información que refleja el cuadrante de innovación para IA,según los expertos
en representación gráfica Venture Scanner, es como identifica como pioneras a
la gran mayoría de iniciativas de Inteligencia Artificial, destacando sobre todo
dos cuadrantes, el de los ya instalados, que son aquellos proyectos o iniciativas
que han alcanzado la madurez con menos financiamiento y el otro cuadrante,los
disruptores, que son los menos maduros pero con una financiación significativa.
El 59% de los
ejecutivos de las
compañías líderes
consideran que
el Big Data de
sus compañías
mejoraría con
el uso de la
Inteligencia
Artificial
Gráfico 17.
No todas las
compañías han
aprovechado el
Valor de sus datos
0% 20% 30% 50% 70% 90%10% 40% 60% 80% 100%
Tecnología, medios
y comunicacones
Energía y minería
Automoción
Productos
Industriales
Utilities
Sector Público
70%30%
63%37%
70%30%
57%43%
Salud 73%27%
67%33%
Servicios Financieros 74%26%
67%33%
Consumo minorista 76%24%
Hospitales y Ocio 87%13%
Datos aprovechados
Datosconlasensacióndeno
haberpodidoaprovecharlos
Fuente: PwC. 2018 AI prediction
Fuente: Venture Scanner
6 300
8 400
10 500
12 600
14
Fondos Nº Compañias
700
4 200
2 100
0 0
AplicacionesML
PlataformasML
SmartRobots
Recomendaciones
PlataformasCV
AplicacionesCV
NLP
Asistentesvirtuales
Controldegestos
Reconocimiento
devideo
Computaciónde
contexto
Traducciónde
conversación
Reconocimiento
devoz
Gráfico 18.
Inversión total/
Compañías
que invierten
en iniciativas
de Inteligencia
Artificial
Inversión
Compañias

22 23
Los pioneros en la adopción están logrando los mayores beneficios potenciales
del Machine Learning. El 45% de las grandes empresas informan haber tenido
éxitoensusestrategias.Además,másdel50%delosusuariosqueseencuentran
en una etapa inicial, están comenzado a ver un retorno de la inversión y dentro
de la etapa madura más del 50% ha demostrado retorno de la inversión.
El proceso de adopción Machine Learning
El 60% de las grandes empresas aseguran haber implementado estrategias
de Machine Learning y están comprometidas a mantener la inversión en esta
línea de proyectos. Otro 18% asegura implementar una estrategia de Machine
Learning en los próximos 12 a 24 meses.
Machine Learning
El Machine Learning se basa en una disciplina científica del ámbito de la
Inteligencia Artificial que crea sistemas que aprenden automáticamente, es
decir, identificar tipos de patrones complejos en millones de datos de forma
rápida y eficiente. Se trata de crear programas que consigan generalizar
comportamientos a partir de una información no estructurada suministrada
en forma de casos reales.
Fausto Ibarra, director de gestión global de productos para Google Cloud Platform
dice que “el aprendizaje automático es básicamente la forma de que una
computadora encuentre las pepitas de información que un ser humano no puede”.
“Una vez que tenga sus datos y entrene e implemente sus modelos, la máquina
puedeatravesarterabytesdedatosyhacersecadavezmásinteligente,básicamente,
adiestrarse,y finalmente hacer predicciones para usted”,explica Fausto.
Es una técnica que está siendo adoptada principalmente por las grandes
compañías, todavía para la pequeña empresa no es una prioridad.
El Machine Learning está comenzando a cumplir con el potencial creado
por el Big Data para convertir datos brutos en datos útiles, aportando valor
(evolución análisis de datos) como herramienta de negocio.
Gráfico 19.
Cuadrante de
innovación para
Inteligencia
Artificial
Fuente:Venture Scanner
30
40
50
60
70
80
90
100
20
10
0
0 10 20 30 40 50 60 70 80 90 100
Aplicaciones
ML
Plataformas ML
Smart
Robots
Sistemas de
recomendación
Plataformas
CV
Computación
de contexto
Reconocimiento
de voz
Traducción de
conversación
Control
de gestos
Reconocimiento
de video
Asistentes
virtuales
Aplicaciones
CV
NLP
Edadmedia
Inversión media
Fuente:MIT Technology Review.Machine Learning:The New Proving Ground for Competitive Advantage
Gráfico 20.
Están teniendo éxito
en sus estrategias
Gráfico 21.
Están obteniendo
ROI
Gráfico 22.
Proyectos de ML
en curso
Si
Si
Actualmente
En los próximos 2 años
No
No
No tiene planes
45%
55%
50%50%
60%18%
22%

24 25
Dentro de los objetivos que persiguen las compañías, un 50% de las empresas
busca hacer un análisis más extenso de sus fuentes. Le sigue de cerca con
un 46% la apuesta por obtener una ventaja competitiva, un 45% para hacer
optimizar la analítica de datos como primeras opciones, etc.
Aunque vemos que existe una gran expectativa frente a los objetivos que
se persiguen con el Machine Learning, los beneficios reales no se alinean
necesariamente con la información que suministran las empresas.
Únicamente el 5% no tiene ningún interés en Machine Learning y no
planea implementar una estrategia en el futuro previsible. Existe mucho
desconocimiento en el sector, y más aún si le sumamos la dificultad con la que
se percibe la conexión del mundo técnico de los modelos de Machine Learning
con el mundo de Negocio.
Del 60% que se ha embarcado en una estrategia de Machine Learning, un 32%
estaba en las primeras etapas de sus estrategias, probando uno o varios casos de
uso de Machine Learning.Y casi el mismo volumen,el 28%,describe su estrategia
de Machine Learning como madura, con entre uno y cinco casos de uso.
Si bien las empresas centradas en la innovación, en particular las de la industria
de la tecnología, son las que mayor apuesta están haciendo, gran parte de las
compañías todavía no están seguras de cómo acercarse al Machine Learning.
Porque en la mayoría de casos no se tienen unos objetivos claros de lo que se
quiere conseguir a través del Machine Learning.
Gráfico 23.
Fase de madurez
de los proyectos
Prematura
Prematura
NS/NC
32%
28%
40%
Fuente:The Live Music Sponsorchip.Repucom
0% 60%20%10% 30% 40% 50%
Análisis más extenso
de sus fuentes
Ventaja competitiva
Optimizar la analítica de datos
Mejorar en I+D
Mejorar eficiencia de
procesos internos
Mejorar relación
con el cliente
Reducción de costes
Mejorar la eficiencia de la
cadena de suministro
Gráfico 24.
¿Qué buscan
las empresas con
estos proyectos?

26 27
Esto podría representar una progresión natural de la curva de aprendizaje, ya
que se requiere que las empresas usen técnicas de Machine Learning para las
cuales pueden no tener las habilidades necesarias.
Todos estos proyectos de Machine Learning tienen una evolución y, cada vez,
surgen nuevas ideas y tecnologías en las que aplicarse. Por esto, en vistas al
próximo año, el foco de los nuevos desarrollos de Machine Learning se enfocará
hacia la automatización agentes/bots (42% de las compañías), planificación
predictiva (41%), ventas y marketing targeting (37%) y smart assistants (37%),
según los resultados.
Aunque vemos que existe una gran expectativa frente a los objetivos que
se persiguen con el Machine Learning, los beneficios reales no se alinean
necesariamente con la información que suministran las empresas.
Respecto a las compañías que ya han implementado Machine Learning a sus
estrategias de negocio, del 45% de las empresas están consiguiendo hacer un
análisis más extenso de sus fuentes respecto al 50% esperado.El 35% ha obtenido
una mejora de sus capacidades en I + D, resultado inferior al 45% que realmente
esperaban obtener. En cuanto mejoras en análisis de datos, el 35% informa que
lo han conseguido a diferencia del 45% que se esperaba. Un 39% ha conseguido
mejorar la eficiencia de procesos internos respecto al 30% que esperaban.
Foto 4.
Los resultados
medibles en
proyectos de
Big Data reflejan
un aumento
del 50% respecto
al año pasado.
Fuente:The Live Music Sponsorchip.Repucom
0% 5% 10% 15% 20% 25% 30% 35% 40% 45% 50%
Mejorar la eficiencia de
la cadena de suministro
Reducción de costes
Ventaja competitiva
Mejorar relación con el cliente
Mejorar eficiencia de
procesos internos
Mejorar en I+D
Optimizar la analítica de datos
Análisis más extenso
de sus fuentes
Gráfico 25.
¿Qué beneficios
están obteniendo
las empresas con
estos proyectos?
0% 10% 15% 20% 25% 30% 35% 40% 45%5%
Modelos de recomendación
Personalización
Análisis de riesgo
Búsqueda en línea
Localización y mapeo
Gráfico 26.
Nuevos desarrollos
de Machine
Learning
Seguridad de los datos

28 29
Liderando el aprendizaje de la máquina
El 25% de las compañías confían en la figura del Data Scientist para llevar a cabo
esta adopción.Con el coste y las complejidades que supone abordar los proyectos
de Machine Learning, estas iniciativas requieren un guía que pueda comunicar
losbeneficiosdeadoptarMachineLearning.Tambiénparadefinirlasnecesidades
en cuanto a recursos y tecnología para implementarlo con éxito.
Enmenormedida,unresponsabledeIT(14%)oelequipodeanálisisdedatos(14%)
quien desempeñó este papel de líder o fue asignado a un equipo multifuncional
(12%). Solo el 6% de las organizaciones que han adoptado Machine Learning
había formado un equipo dedicado para asumir esta responsabilidad.
La apuesta por Machine Learning
Las empresas están aumentando el impulso de su inversión, porque están
descubriendo como las técnicas de Machine Learning pueden dar soluciones a
sus problemas reales.
Entre las compañías que han implementado en sus estrategias modelos de
Machine Learning, el 26% informó que más del 15% de sus presupuestos de IT
está dedicado a este campo.
Las compañías que ya lo han adoptado revelan su compromiso de asignar
presupuesto a estrategias de Machine Learning. Mientras que alrededor de un
tercio de los encuestados (32%) dijo que el 10% o menos del presupuesto de IT
fue reservado para proyectos de Machine Learning, una cantidad menor (un
26%) informó que más del 15% del presupuesto de IT estaba dedicado a estas
iniciativas. Adicionalmente, un 13% dijo que habían destinado del 10 al 15% del
presupuesto.
Pero sin perder el foco, la inversión debería centrarse en la adquisición de
talento más que en tecnología en una fase inicial, ya que es necesario un
conocimiento muy extenso para acercar Machine Learning a las necesidades
reales de la empresa.
Foto 5.
El consumo de
herramientas e
infraestructura
es un factor
determinante en el
incremento de la
inversión proyectos
de Big Data.
Fuente: MIT Technology Review Custom:“ Machine Learning:The New Proving Ground for
Competitive Advantage”.
15%
20%
25%
30%
10%
5%
0%
Más del 15% Entre 5% y 10% Menos del 5% Entre 10% y 15% Lo desconoce
Gráfico 27.
¿Qué parte del
presupuesto de IT se
destina a proyectos
Machine Learning?
Gráfico 28.
Patrocinios
por sectores
Data Scientist
Equipo multifuncional
Responsable IT
Equipo dedicado
C-Suite
Otros
Equipo responsable
de análisis de datos
25%
21%
14%
14%
12%
8%
6%

30 31
Casos de uso
El Machine Learning se ha extendido a tantos aspectos de la vida cotidiana que
puede ser sutil ante nuestra mirada. Por ejemplo, podríamos pensar:
• En la detección de fraude como el ejemplo por excelencia de Machine
Learning en el sector financiero.
• Podríamos pensar en el enfoque cognitivo de IBM, con su plataforma
enfocada a Machine Learning, para la oncología como un ejemplo en
el sector de la salud.
• Y por supuesto, podríamos apuntar a los motores de recomendación
en Netflix y Amazon como ejemplos claros de Machine Learning en el
comercio minorista.
• También vemos casos en el sector público como el del gobierno
belga en el que la agencia de empleo se esfuerza por brindar a los
trabajadores de la región la información y los recursos que necesitan
para encontrar y mantener el trabajo.
• Uno de los objetivos clave de la agencia es reducir la duración del
desempleo para los trabajadores jóvenes. Al mismo tiempo que se
encuentren maneras de dirigir recursos limitados donde realmente
se necesitan. La solución de aprendizaje automático es un modelo ML
creado por IBM Global Business Services que procesa los datos del
pasado para predecir la duración del desempleo de cada persona que
busca trabajo. Poniendo foco en los jóvenes belgas en mayor riesgo, la
agencia puede hacer más para interrumpir los patrones de desempleo
y dar un paso adelante hacia la estabilidad del empleo de este colectivo,
consiguiendo un beneficio a largo plazo para la economía en general.
• En Colombia también encontramos el Instituto Colombiano de
Bienestar Familiar, una organización de bienestar infantil y familiar
que trabaja a nivel nacional para la prevención y protección de
la infancia, la adolescencia y el bienestar de las familias. Con un
presupuesto ajustado, la organización aún logra llegar a más de 8
millones de colombianos con sus programas y servicios.
Entre esos 8 millones, 38.730 en 2016 fueron niños desnutridos que recibieron
29.552 raciones de alimentos de emergencia y más de cinco millones de
suplementos dietéticos. Ese trabajo no sucedió por accidente. Detrás de escena,
gracias a la herramienta IBM SPSS Modeler se consigue proporcionar un análisis
predictivos y capacidades de focalización que optimizan la distribución de ayuda
en las áreas más pobres y remotas de Colombia.
Los gobiernos y sus agencias en todo el mundo están usando Machine Learning a
nivel nacional y local para hacer algo más que automatizar trámites burocráticos
o políticas públicas. Con los beneficios que puede aportar,es normal el gran auge
a todos los niveles, no solo empresarial.

Inteligencia Artificial

32 33
El 87% de las compañías plantea Deep Learning como una ventaja. Dentro de
este colectivo, el 83% está invirtiendo específicamente en estas técnicas para
posicionarse respecto a los competidores.
El 86% de las compañías que han invertido en estas iniciativas,afirman que Deep
Learning ha cumplido sus expectativas.
El 64% de los responsables de la toma de decisiones de IT esperan ver el ROI de
sus inversiones en Deep Learning en menos de dos años.
Aunque al 74% de las compañías le preocupa que la tecnología reemplace sus
puestos de trabajo,el 93% cree que gracias al Deep Learning se generará un nuevo
abanico de oportunidades laborales, permitiendo contratar nuevos trabajadores
y reconvirtiendo a empleados ya existentes.
Deep Learning
El futuro de la Inteligencia Artificial(IA) es ahora
La Inteligencia Artificial ha comenzado a expandir su huella dentro del ámbito
empresarial,aunque aún existe un gran desconocimiento de lo que puede hacer
por las empresas.
Bajo el concepto Inteligencia Artificial existe un gran conjunto de técnicas como
el Machine Learning, Procesamiento del Lenguaje Natural, Deep Learning,
entre las más relevantes. Y cada una de ellas se encuentran en diferentes etapas
de desarrollo e implementación.
Por este motivo, se reconoce el Deep Learning como el siguiente paso del
Machine Learning. Bajo este paradigma, los algoritmos son capaces de aprender
sin intervención humana previa, sacando ellos mismos las conclusiones
acerca del conocimiento intrínseco de los datos. Ya existen compañías que se
centran completamente en enfoques de aprendizaje no supervisado, debido a
su capacidad de procesar millones de datos no estructurados y convertirlos de
forma autónoma en representaciones estructuradas.
El Deep Learning se plantea como una herramienta sin precedentes. El 77%
de los equipos de seguridad han conseguido evitar infracciones tras el uso de
herramientas alimentadas con estas técnicas y el 81% afirma que se detectaron
amenazas antes de que sus equipos de seguridad habituales lo hicieran.
Ya se está
trabajando
en sistemas
computacionales
que lleguen a
pensar como
humanos.
Gráfico 29.
¿Ayuda Deep
Learning a la
seguridad?
Si
Lodesconoce
Fuente:Cylance.Artificial Intelligence in the Enterprise:The AI race in on
77%
23%
Gráfico 30.
¿Deep Learning está
cumpliendo sus
expectativas?
Gráfico 31.
Gracias al Deep
Learning se
generará un
nuevo abanico de
oportunidades
laborales
Si
Si
Aún es demasiado pronto
No
86%
14%
93%
7%

34 35
Para el 65% de las compañías que aún no lo han adoptado, lo harán en el
próximo año con alta prioridad.
En menor medida, con una prioridad mediana nos encontramos con el 30% de
las empresas, y solo un 5% las compañías que lo toman con una prioridad baja.
Según el estudio realizado por The Economist Intelligence Unit, los ejecutivos
a nivel global tienen claro que ha llegado el momento para el Deep Learning.
Estas técnicas permitirán mejorar la eficiencia de muchos puestos de trabajo,
impulsando a las empresas a mejorar su operativa, y, por tanto, sus beneficios.
Más del 40% de las compañías anticipa que se comenzará a desplazar a las
personas de sus puestos de trabajo dentro de los próximos cinco años.
La gran presión que hay por parte de las compañías y la competencia es un
estímulo para avanzar el proceso de implementación.
Inversión en Deep Learning
El 60% de las compañías a nivel global ya están utilizando estas técnicas,y las
que aún no las han adoptado, tienen claro invertir en los próximos años.
El 39% de las empresas gastará entre un 11% y un 24% de su presupuesto de IT en
Deep Learning durante los próximos 12 meses. El 38% dice que gastará de un 25%
a un 49% del presupuesto de IT en IA en los próximos 12 meses.
El 43% de las
compañías se
siente vulnerable
en el caso de no
adoptar estas
técnicas.
Gráfico 32.
Adopción del
Deep Learning
Ya lo han adoptado | Tienen
planes de adopción
Aúnnolohanadoptado
60%
40%
0%
0% 10% 20% 30% 40% 50% 60%
10% 15% 20% 25% 30% 35% 40% 45%
70%
5%
Entre 11% y 24 %
Alta
Entre 25% y 49 %
Media
50% o más
Baja
Gráfico 33.
Previsión de la
inversión en Deep
Learning en el
próximo año
Gráfico 34.
Prioridad de
inversión en el
próximo año
Entre 1% y 10 %

36 37
Sectores y departamentos que apuestan por Deep Learning
Con los beneficios que pueden suponer adoptar Deep Learning, encontramos
que las áreas que más apuestan son IT, Seguridad, Operaciones y Servicio al
cliente, mientras que, dentro de las empresas, Operaciones y Logística están a la
cabeza en cuanto a demanda de esta tecnología.
Los departamentos de IT lideran la adopción al 75%, seguido de los equipos de
seguridad al 48% y operaciones al 39%. En cuanto al impacto de aplicar Deep
Learning, IT, Seguridad, Producción y Logística son los departamentos donde se
están obteniendo los resultados más brillantes.
En general, los departamentos que tradicionalmente tratan con datos y análisis
están mejor posicionados para aprovechar Deep Learning. Por ello, se refleja un
liderato de los departamentos de IT ante el nuevo paradigma.
Además, el 64% espera ver el retorno de la inversión de sus inversiones en DL en
menos de dos años, con la parte superior se espera que los beneficios mejoren
la eficiencia operativa en 49%, rendimiento empresarial mejorado al 48% y
automatización de tareas repetitivas al 44%.
El 40% de las empresas que han implantado Deep Learning confían en recuperar
lo invertido en un periodo de 12 a 24 meses. Seguido de un 30%, las compañías
que esperan de 3 a 5 años.
Foto 6.
Solo el 7,9% las
empresas invierten
más de $ 1B en
iniciativas Big Data.
0% 10% 15% 20% 25% 30% 35% 40% 45%5%
Entre 6 meses y 1 año
Entre 3 y 5 años
Menos de 6 meses
Actualmente
Entre 1 y 2 años
Más de 5 años
Gráfico 35.
¿Cuánto esperan las
empresas recuperar
la inversión?
0% 10% 20% 30% 40% 50% 60% 70% 80%
Comercial
Finanzas
RRHH
Gráfico 36.
¿ Qué
departamentos
están demandado
estos proyectos?
Servicio al cliente
Marketing
Operaciones
Logística/Producción
Seguridad
IT

38 39
En poco tiempo, el ritmo de la implementación probablemente se acelere en
gran parte de la geografía ya que tres cuartas partes de las compañías anticipan
que Deep Learning será“implementado activamente”en su parte del negocio
dentrodelospróximostresaños.Otro3%dicequeésteyaeselcasoensuempresa.
El ritmo seguirá siendo el más rápido en América del Norte (implementación
activa en 84% de las empresas).
Para ver cómo el despliegue del Deep Learning se está desarrollando a lo largo
del mundo, utilizamos el índice comercial suministrado por el informe “The
Economist: Artificial Intelligence in the real world”.
La puntuación del índice es más alta en América del Norte (2,61), y nos confirma
que es donde el campo de la Inteligencia Artificial está más desarrollado. Esto no
nos sorprende, dado el papel dominante de EEUU en laboratorios, universidades
y el núcleo tecnológico con Silicon Valley.
En comparación con el resultado de EMEA de un 2,03, sugiere que las empresas
en esta región se encuentran en la etapa inicial de implantación. Mientras que
una puntuación de 1,46 indica que el uso comercial de IA en Asia-Pacífico se
encuentra en una etapa prematura.
Respecto a la puntuación sectorial más alta, el sector Salud (2,53) es el que
más está apostando, y no es de extrañar, ya que atendiendo a cómo ha ido
aumentando su interés y confianza en Big Data durante estos últimos años y,
atendiendo a que la previsión del sector, en el corto plazo, tiene las perspectivas
más brillantes para el Deep Learning, seguido muy de cerca, casi a la par, por el
sector Retail con una puntuación del 2,50.
Una quinta parte
de las empresas
de América
del Norte ha
comenzado
a utilizar las
tecnologías de
inteligencia
artificial de forma
activa en sus
negocios.
Las compañías
anticipan que
Deep Learning será
“implementado
activamente” en su
parte del negocio
dentro de los tres
próximos años
Fuente:The Economist:Artificial Intelligence in the real world
0 0,5 1 1,5 2 2,5 3
América del Norte
EMEA
Asía-Pacífico
Gráfico 37.
Indice comercial
geográfico
Fuente:The Economist:Artificial Intelligence in the real world
2 2,1 2,2 2,3 2,4 2,5 2,6
Retail
Manufacturas
Servicios financieros
Gráfico 38.
Indice comercial
sectorial
Salud

40 41
El Deep Learning ha llegado. ¿Están las empresas preparadas?
Mientras que los responsables de la toma de decisiones ven muchas promesas y
oportunidades en Deep Learning (ya están desplegando y viendo beneficios),hay
algunas preocupaciones con el impacto de la tecnología en la fuerza laboral. El
68% de los empleados dice que ciertos puestos de trabajo quedarán obsoletos
eventualmente, mientras que el 74% cree que se reemplazarán trabajos hasta
ahora hechos por personas.
Sin embargo, esas preocupaciones son claramente compensadas por las
expectativas que la tecnología dará como resultado nuevas oportunidades,
incluyendo un trabajo más valorable para los empleados y beneficios adicionales
para la organización, que en general impactará a cada trabajador.
El 93% de los empleados dice que Deep Learning creará nuevos tipos de trabajo y
que,el 80%,los llevará a contratar nuevos trabajadores y capacitar a los empleados
existentes. Aunque la naturaleza de algunos trabajos dentro de la empresa
cambiará,las empresas predicen la creación de nuevos empleos como resultado.
El 81% cree que Deep Learning será un conductor para que los empleados
hagan trabajos más significativos, con mayor valor.
El 74% dice que la apuesta por Deep Learning permitirá que el personal técnico
use la tecnología de manera más efectiva. Un 84% de los encuestados dice que
Deep Learning mejoró la calidad general del trabajo de los empleados, y el 80%
cree que los equipos que usan Deep Learning se han vuelto más productivos.
Mientras tanto, el 96% de los encuestados dice que confía en que las tecnologías
impulsadas por IA mejorarán la eficiencia de la organización y, el 94% confía en
que la Inteligencia Artificial producirá un retorno cuantificable en la inversión.
La contratación es un indicador temprano del panorama laboral para esta
tecnología. Durante este último año se observa una creciente demanda de
Data Scientist y expertos en análisis que pueden ayudar a las organizaciones a
aprovechar al máximo la tecnología.
Los nuevos líderes en IA
Deep Learning no
puede operar por
sí mismo, necesita
humanos para ser
entrenado. El 67%
de los ejecutivos
consideran que
IA ayudará a las
máquinas y los
humanos a trabajar
juntos en ser
mejores.
Fuente: PwC Consumer
Intelligence Series: Bot.Me,
2017
Estados Unidos
Reino Unido
Canadá
Japón
Alemania
Emiratos Árabes
CHINA SE DESTACA
Es la región que más iniciativas y un plan más robusto
tiene en cuanto a iniciativas relativas a IA. Empezó
con mucha fuerte en estados clave y ahora se está
expandiendo por todo su territorio.
El Reino Unido lanzó un plan para mejorar el acceso a
los datos, las habilidades de inteligencia artificial y la
investigación y adopción de inteligencia artificial.
Está trabajando para que AI sea un eje de su
economía futura
Lanzó una estrategia de tecnología de IA con un plan
de tres fases para lograr un verdadero ecosistema
de IA. Sobre la base de los éxitos en robótica, el
gobierno de Japón prevé unir AI con otras tecnologías
avanzadas, como Internet de cosas, vehículos
autónomos y la combinación de espacio cibernético
y físico.
Con pautas éticas para la conducción automatizada y
su iniciativa Industrie 4.0
Con una estrategia para usar AI para impulsar
el desempeño del gobierno y diversos sectores
económicos
El plan de inteligencia artificial de la próxima
generación de China, lanzado en 2017, declaró a la
inteligencia artificial como una prioridad nacional
estratégica para el país y mostró la visión de los altos
dirigentes de un nuevo modelo económico impulsado
por inteligencia artificial.
El gobierno chino está poniendo en práctica este plan.
Por ejemplo, recientemente encargó a Baidu que
creara un “laboratorio de aprendizaje profundo”
nacional junto con universidades líderes, y está
invirtiendo una suma no divulgada en el esfuerzo.
El país ya es fuerte en IA. Baidu, Alibaba y Tencent
se encuentran entre los líderes globales de AI. Los
programadores chinos ganaron recientemente la
competencia ImageNet AI. Y sus principales empresas
de comercio electrónico utilizan IA altamente
sofisticada en sus almacenes y en todo el negocio.
Tabla 2.
Los nuevos
líderes en IA
Fuente:PwC.AI-Predictions 2018.
Gráfico 39.
Impacto del Deep
Learning en
los procesos de
contratación
0% 20% 40% 60% 80% 100% 120%
Han surgido nuevas
necesidades de contratación
8% 27%65%
Se necesita contratar
inmediatamente
7% 33%
40%
60%
Se han contratado
más empleados
5%55%
Si
Noestoyseguro
No
Fuente: Cylance. Artificial Intelligence in the Enterprise: The AI race in on

42 43
Las empresas buscan activamente empleados que tengan familiaridad con
DeepLearningparaayudaradesarrollarsuscapacidadesdentrodeesteámbito.
Los portales de trabajo están anticipando esa necesidad. Por ello, un 64% de los
encuestados dice que hay más candidatos en todos los niveles usando IA como
un diferenciador en sus currículums y entrevistas.Eso es determinante,ya que el
62% también informó que estas habilidades son un factor decisivo en el proceso
de contratación,y el 61% dice que es un factor de contratación fundamental para
los equipos de seguridad. El 62% incluso va más lejos y pregunta directamente a
los candidatos sobre la IA durante el proceso de entrevista.
Los gobiernos y los trabajadores deberán prepararse para los grandes cambios
que se avecinan.Los sistemas de educación pública y los programas de formación
tendrán que reorganizarse para que los trabajadores tengan las habilidades para
complementar, en lugar de competir con las máquinas.
Para muchas empresas,esto significa acelerar su viaje digital para garantizar que
puedan desplegar eficazmente sus herramientas.
Los desarrolladores tienen un papel crucial que desempeñar para ayudar a las
empresas a darse cuenta del potencial de la tecnología.Los productos de IA deben
abordar problemas comerciales del mundo real, no sólo proporcionar soluciones
interesantes y deben trabajar a escala.
Sin duda, la necesidad de contar con profesionales adecuados para el gobierno y
desarrollo de IA es crucial, pero también hay otros frenos dentro de las empresas
que están impidiendo adoptar con más rapidez este tipo de tecnologías.
Foto 7.
El 60% de las
compañías del
sector sanitario/
salud están
apostando por
Big Data.
Gráfico 40.
Describa que
está viendo en
los procesos de
contratación
0% 20% 40% 60% 80% 100% 120%
Preguntas específicas sobre
IA en entrevistas
Competencias en IA como
elemento diferenciador
4%
2%
35%
37%
61%
62%
Expericia/Conocimiento
en IA factor decisivo
para la contratación
7% 32%
32%
61%
Mayor formación en
torno a Inteligencia
Artificial
8%60%
Si
Noestoyseguro
No
Fuente: Cylance. Artificial Intelligence in the Enterprise: The AI race in on
Gráfico 41.
Frenos que están
detectando las
compañías en la
adopción de IA
0% 20% 40% 60% 80% 100% 120%
Riesgo de crear dilemas
morales y falta de confianza
en los Stakeholders
29%71%
Posibilidad de sesgos y
falta de transparencia
24%76%
Mayor vulnerabilidad y
disrupción en el modelo
de negocio
23%77%
Añadir elementos
demasiados disruptivos
a la sociedad
33%67%
Garantizar el
Govenance para
controlar la IA
27%73%
Falta de regulación
adecuada
36%64%
Si
Noestoyseguro
Fuente: PwC CEO Pulse Survey, 2017

44 45
Casos de éxito
Your.MD, una firma fundada en Noruega, ha creado una aplicación que utiliza
técnicas de IA para proporcionar consejos personalizados a cada paciente con
relación a su historial médico.
La aplicación registra los síntomas y coincidencias del usuario con un “mapa”de
datos clínicos sobre enfermedades recopiladas de fuentes públicas con la ayuda
de los doctores que contribuyen. Se recopila información adicional a través de
foros web. Cuantos más datos ingiere de múltiples fuentes y mayor son las
interaccionesquetieneconlosusuarios,losdiagnósticoscobranmayorprecisión.
Para Your.MD, la oportunidad es crear un nuevo mercado de “atención
preprimaria”que no existe hoy.Lejos de desplazar a los humanos en la provisión
de atención médica, dice, tales sistemas aliviarán las cargas existentes del
personal médico y ayudar a mejorar su trabajo.
Ocado, una web de comestibles con sede en el Reino Unido, tiene un sistema de
almacenaje que incorpora elementos de IA. Con un robot que está diseñado para
ayudar al mantenimiento corrigen problemas mecánicos en sus instalaciones
propias. Los robots tienen la capacidad de “aprender en el trabajo y, aplicar las
lecciones obtenidas de su trabajo con sus compañeros humanos”.
ABB, gracias a técnicas de Deep Learning, ha conseguido fabricar robots para
imitar capacidades humanas evitando crear un robot estándar que haga una
acción de forma recurrente.
Ellos son parte de su “fábrica del futuro”, ya que dominarán los procesos
extremadamente complejos (para robots) de montaje. Usando cámaras, por
ejemplo, el robot observa los pasos que el ingeniero está llevando a cabo para
montar un automóvil. Fusionando técnicas de Machine Learning, el robot
aprenderá a repetir y perfeccionar el proceso por sí mismo, y con el tiempo
llevará a cabo el montaje sin ninguna programación en absoluto, ya que están
equipados con sensores y equipos informáticos, y no sólo pueden leer datos del
sensor, sino que también pueden interpretarlos y modificar sus acciones según
sus interpretaciones.
Inteligencia Artificial Foto 8.
El 73% de las
empresas a nivel
global, ya han
recibido un valor
medible de estas
iniciativas.

46 47
IoT IoT
Estado actual (Collect & Compute). Factores de motivación
Hoy hay más objetos y dispositivos (17.500 millones) que personas (3.300
millones) conectados a la red a escala global.
No sólo la cantidad de datos generados por los Smartphone están incrementando
el volumen de datos que se generan, el Internet de las Cosas está contribuyendo
y mucho a aumentar este volumen y también la velocidad. El volumen se ve
aumentado por la cantidad de sensores y el continuo traspaso de información
entre los sistemas y redes conectadas y, la velocidad, debido a que con el IoT la
iteración es en tiempo real, no podemos imaginar un retardo en la retrasmisión
de sensores que detectan el ritmo cardíaco o los sensores críticos de seguridad
instalados un automóvil. Este escenario de alta latencia está obligando a las
arquitecturas y sistemas de Big Data a prepararse para alcanzar un nuevo nivel
de almacenamiento. Ya podemos hablar no de Big Data sino de“Huge Data”.
Con la llegada del coche autónomo, por ejemplo, se estima que para el 2020 los
autos podrían estar procesando 4.000 gigabytes de datos por día, mientras que
la media de los datos que están siendo procesados por los usuarios de internet es
de 1,5 gigabytes.
Dentro de los pasos que las compañías están dando hacia su Transformación
Digital, los proyectos en IoT siguen estando muy presentes, aunque se ha notado
una ligera desaceleración a favor de los proyectos de Inteligencia Artificial.
1 COCHE AUTÓNOMO = 2.666 USUARIOS DE INTERNET
Big Data es cada
vez “más grande”
y “más rápido”
Fuente: PwC –Impact of Big Data and AI on Insurance
60
100
140
180
160
120
80
200
40
20
0
2013 2020 2025
Gráfico 42.
Crecimiento
del Volumen de
datos provocados
por el IoT
Volumen de datos a nivel
Nºdesensoresconectados
Nuevo superdeportivo de Ford será capaz de ser impulsado más rápido en una pista en
las manos no expertas, debido a que la potencia de los ordenadores puede controlar más
elementos individuales del coche
Más de 3000 señales diferentes
- manejados por seis “redes de
comunicación”
Genera 300 MB de datos por segundo,
que equivalen a más de 100 GB de datos
por hora.
Mide todo, desde la humedad de fuera, la
presión en cada neumático, y la cantidad
de fuerza G el coche está generando
Los datos se actualizan cada ocho
milisegundos
Tabla 2.

48 49
IoT IoT
Los dispositivos conectados están contribuyendo a mejorar el ecosistema
empresarial tradicional aportando más información en tiempo real ayudando
así a conseguir un aumento en la contratación, reducir la pérdida de control en
la operación y mejorar la gestión del riesgo.
Para el 49% de las compañías está dentro de sus planes apostar por un
proyecto de IoT en los próximos dos años.
El 27% se embarcará en el próximo año, mientras que solo un 12% de las
empresas tienen planes de lanzamiento entre 12 y 24 meses y, la misma cifra,
para las compañías que ya han desarrollado un proyecto, pero no tienen planes
de seguir invirtiendo.
Las grandes empresas están empezando a adoptar algún proyecto en sus
estrategias.De ahí los resultados de la encuesta de MindBrowser en la que el 64%
delasempresasestáninvolucradasoplaneandounproyectodeIoTenelpróximo
año y aunque el 36% no tiene ningún plan de implementar un proyecto de IoT,el
83% todavía sienten que necesitan aumentar la eficiencia de sus entornos.
Dentro de los pasos que las compañías están dando hacia su Transformación
Digital, los proyectos en IoT siguen estando muy presentes, aunque se ha notado
una ligera desaceleración a favor de los proyectos de Inteligencia Artificial.
A medida que las soluciones se vuelven más sofisticadas, también lo hacen los
costes de desarrollo. Esto crea una oportunidad para IoT, ya que los proveedores
tienen el reto de centrarse en el intercambio de datos y en ofrecer herramientas
degestiónparareducirlacomplejidad,elcosteyelriesgoparalosdesarrolladores.
Parte de las soluciones Big Data se requieren precisamente para poder ayudar
en el análisis y la gestión de ese gran volumen de datos generados por los
dispositivos IoT.
Conseguir una mayor Ventaja Competitiva, con un 57%, es el mayor factor de
motivación por las empresas en lo que se refiera a su inversión en proyectos IoT.
A continuación, el Factor de Crecimiento, con un 36%. Y ya en menor medida,
herramienta para la agilidad, con un 13% y, un 11% para el cumplimiento
normativo y, por último, con un 6%, para reducción de costes.
Agregar sensores
y almacenamiento
a los dispositivos
permite una
recopilación
de datos e
información sin
precedentes sobre
el entorno, aspecto
clave para exprimir
al máximo el valor
de la Inteligencia
Artificial.
Fuente:International Data Corporation (IDC).IoT Talks:Global IoT Decision Maker Survey 2017
0% 10% 20% 30% 40% 50% 60%
Próximo año
Próximos 2 años
Entre 12 y 24 meses
No tienen planes
Gráfico 43.
¿Cuándo planean
llevar a cabo
proyectos de IoT?
Fuente:MindBowser.Industrial IoT Survey 2017
Gráfico 44.
Empresas
involucradas en
proyectos IoT
Si
No
64%
36%
Crecimiento
36%
Agilidad
13%
Cumplimiento
normativo
11%
Mayor ventaja
competitiva
57%
Reducir costes
6%
Tabla 3.
Factores de
Motivación IoT

50 51
IoT IoT
A medida que crece la cantidad de dispositivos conectados a Internet, irá en
aumento la cantidad de datos creados y almacenados. Los proveedores de
servicios en la nube están posicionados para satisfacer esta demanda, pero aun
así vemos que el grado de satisfacción del mercado no es todo lo que debería ser.
Solamenteel19%delascompañíaspareceestarmuysatisfechoconlassoluciones
actuales de IoT,mientras que el 3% están bastante insatisfechos.Casi el 17% de las
empresas dijeron que no ven resultados claros por el momento. Mientras que el
42% de los encuestados están contentos con las soluciones existentes de IoT.
La Inversión en IoT, el presupuesto es el mayor freno
Analizando la inversión que se está haciendo por parte de las empresas en estos
proyectos,vemos cómo las inversiones siguen avanzando,pero con menos fuerza
de la que se preveía.
El 47% de los proyectos no superan una inversión de $50K - $100K, le sigue un
30% para proyectos entre $100K - $1M. El resto de la inversión se divide en un
6% para proyectos mayores a $1M y un 17% para proyectos que superan los $50K.
La falta de presupuesto es el principal obstáculo en la implementación de los
proyectos de IoT para el 62% de las empresas.Seguidamente por la incertidumbre
sobre el ROI (57%) y la incompatibilidad de los sistemas existentes (35%).
Fuente: MindBowser. Industrial IoT Survey 2017
Fuente: MindBowser. Industrial IoT Survey 2017
15%
30%
20%
35%
25%
40%
45%
10%
5%
0%
Satisfecho Muy
satisfecho
Sin
resultados
Neutral Insatisfecho Muy
insatisfecho
Gráfico 45.
Nivel de
satisfacción de
las soluciones
actuales
Gráfico 46.
Presupuesto
en IoT
$50K - $100K
Mayores a $1M
$100K-$1M
Mayores a $50K
47%
30%
6%
17%
0% 10% 20% 30% 40% 50% 60% 70%
Tiempo
Complejidad
Falta de visión
Privacidad
Incompatibilidad
Incertidumbre sobre el ROI
Presupuesto
Sin requisitos
Otros
Gráfico 47.
Obstáculos para la
inversión en IoT
Falta de estrategia

52 53
IoT IoT
IoT por Sectores
Son los sectores de Finanzas, Salud, Ciencias de la Naturaleza, Industria, Retail y
Utilities los que dicen que, un 50% de las compañías están adoptando soluciones
de IoT en la actualidad o en los próximos dos años.
Entre el 10% y 15% de las empresas se encuentran en que, a pesar de haber
realizado algún proyecto, no tienen planes de futuro. Y corresponde a un 10% -
20% las compañías que apostarán por un proyecto de IoT entre 12 y 24 meses. Y
entre un 15% y un 20% las empresas que se embarcarán en el próximo año.
El área de negocio de Operaciones, con un 57% es el que más está trabajando
en proyectos de IoT, seguidas de Ingeniería (43%) y Mantenimiento (41%)
resultando ser las áreas principales que están apostando soluciones IoT.Logística
(38%), Control de gestión (29%) y otros dominios como IT, Monitorización y
Capacitación forman parte las áreas que menos apuestan.
Retos para que IoT despegue
El impacto de IoT en 9 segmentos clave de la industria
Hasta 740.000 millones de dólares.
Coches autónomos y mantenimiento acorde con las condiciones.
Hasta 1,7 billones de dólares.
Sanidad Pública, ahorro de energía y transporte/logística.
Logística y navegación.
Salud y ejercicio físico.
Optimización de operaciones y salud/seguridad
Facturación automática.
Optimización de operaciones y equipos
Seguridad y energía.
Hasta 150.000 billones de dólares.
Automatización de labores y seguridad.
Automoción
Ciudades
Exterior
Personas
Zonas de Obra
Comercio minorista
Fábricas
Oficinas
Hogar
Gráfico 48.
Han implementado
IoT y presenden
seguir apostando los
próximos 2 años
0% 100%10% 20% 30% 40% 50% 60% 70% 80% 90%
Retail 26% 13%51%
Gobierno 25% 20%39%
Manufacturas 26% 10%52%
Servicios Financieros 24% 10% 14%
16%
14%
12%
10%
12%
7%
52%
Utilities 29% 11%48%
Salud 22% 14%50%
Otros 18%34%41%
Han implementado IoT y
presenden seguir apostando
los próximos 2 años
Loharánenlos
próximos12meses
Loimplementaran
entre12-24meses
Ya lo han implementado
pero no tienen planes de
futuro$50K
Fuente: International Data Corporation (IDC). IoT Talks: Global IoT Decision Maker Survey 2017
0% 10% 20% 30% 40% 50% 60%
IT
Facilidad de gestión
Logística
Mantenimiento
Operaciones
Monitorización
Capacitación
Gráfico 49.
Sectores IoTIngeniería

54 55
IoT
Los datos de la tabla demuestran el fuerte impacto de IoT sobre la Industria, con
millones de dispositivos conectados a Internet y las previsiones de crecimiento
en el futuro, la implantación de proyectos de IoT no va a suceder sin más. Desde
su nacimiento, el IoT forcejea con cuatro grandes obstáculos: uno Técnico sobre
la privacidad, los estándares y la interoperabilidad, otro de Seguridad, otro
Organizativo debido al cambio cultural y por último al Gubernamental.
Técnicos
(privacidad, estándares, interoperabilidad)
Hacen falta estándares abiertos,
interoperabilidad a nivel industrial y la
adopción de protocolos universales.
Organizativos
(Cambio Cultural)
Este es el escollo más grande, la unión de
las áreas de tecnología, operaciones y los
fabricantes son un elemento clave.
Seguridad
La importancia de la ubicación,
los Sistemas de análisis inteligente
(computación en la niebla), entre otros.
Gubernamentales
Implicaciones de los gobiernos en su
regulación y canalización para asegurarse
que el IoT se desarrolla de manera
sostenible y respetando los reglamentos.
Foto 9.
El 40,8% de las
empresas creen
que sus inversiones
en Big Data
han ayudado a
su compañía a
posicionarse de
manera más efectiva
para el futuro.

56 57
Blockchain Blockchain
Blockchain, el nuevo impulso del Big Data
Durante este año hemos sido espectadores de cómo los mercados de
Criptomonedas han producido un “boom”. Es por este motivo que hemos
querido incorporarlo como parte final de este informe de investigación sobre
Big Data.
IoT es un término usado para describir la proliferación de dispositivos de
recopilación de datos de nuestras vidas y, por otro lado, Blockchain es un
sistema de archivo informático distribuido y cifrado, diseñado para permitir la
creación de registros inmutables.
Juntoconlosavancesensensoresyredes,inteligenciaartificialeinfraestructura,
la tecnología Blockchain parece que puede impulsar a las empresas al
paradigma de “industria 4.0” donde las máquinas están interconectadas y la
información es transparente.
Según una encuesta realizada por la consultora PwC,el 55% de los encuestados
planea adoptarlo como parte de un sistema o proceso de producción para
2018 y un 77% para 2020.
Poco a poco Blockchain se está incorporando a los planes estratégicos de las
compañías líderes, según la misma encuesta de PwC, a nivel global, un 24%
de los encuestados declara estar familiarizado, respecto al 17% del año pasado.
Siendo la región de Norte América la que más familiarizada está con la
tecnología coincidiendo con la sede de las principales compañías impulsoras
situadas en la costa Californiana.
El Big Data es la herramienta para extraer valor de la infraestructura del
Blockchain.
El uso de sistemas Big Data es clave para diseñar el progreso de la tecnología
Blockchain debido al volumen de datos recopilados. Es necesario incorporar
herramientas escalables y con suficiente poder que permita explotar
dicha información. Las organizaciones interesadas en Blockchain, y más
específicamente en bitcoin, están comenzando a utilizar Big Data para
proporcionar información sobre el rendimiento futuro de la moneda virtual.
International Data Corporation (IDC) informó que el gasto global de IT crecerá
a más de $203 mil millones en 2020.
Actualmente nos encontramos en una etapa de desarrollo de muchos proyectos
y aplicaciones descentralizadas. Hay mucha investigación, trabajo e inversión,
pero muy pocas soluciones comercialmente viables y listas para su uso, junto
con una inmadurez tecnológica subyacente que dificulta la implementación.
Pese a una gran lista de beneficios que podemos conseguir al unificar IoT y
Blockchain, comprobamos que, actualmente, en el mundo de la empresa
existe un gran desconocimiento respecto a la tecnología, donde un 40% de los
ejecutivos de las grandes compañías conocen muy poco o nada sobre Blockchain.
A pesar de tal desconocimiento, el 42% de las compañías con nociones en
Blockchain cree que tendrá un gran impacto en la industria. Se materializa en
un aumento en la lista de prioridades de inversión con el 55% de las empresas
que piensan que,si no lo adoptan,podría suponer una pérdida de competitividad
El resultado
de juntar IoT y
Blockchain es un
sistema seguro
para almacenar
y procesar datos
por máquinas
“inteligentes”.
Para el año 2027,
se predice que el
valor del Big Data
como servicio
será entre $ 500
mil millones y
$ 1 billón, y la
administración
de la moneda
virtual en el
Blockchain podría
representar una
parte significativa
de esos ingresos.
El 55% de las
empresas
consideran que
si no adoptan
la tecnología
Blockchain
estarán perdiendo
competitividad
Gráfico 50.
Grado de
familiarización con
Blockchain
0% 45%5% 10% 15% 20% 25% 30% 35% 40%
Europa 25%4%
Oceanía 18%5%
Latinoamérica 14%6%
Norte América 34%7%
Asia 12%4%
Africa 21%2%
Global 20%4%
Fuente: PwC Global FinTech Survey 2017
Extremadamente familiar
Muyfamiliar Fuente: Deloitte. US Blockchain Survey
Gráfico 51.
Conocimientos de
Blockchain en la
empresa
Poco o ninguno
Si
40%
60%

58 59
Blockchain Blockchain
Inversión en Blockchain
La tecnología Blockchain sigue siendo una gran desconocida, genera interés en
las compañías, pero todavía no se visualiza un posicionamiento cercano a una
posible adopción.
Eso sí, dentro de las compañías líderes, el 28% han apostado en proyectos con
valor superior a $5M y el 25% tiene en sus planes a corto plazo realizar una
inversión por valor de $5M o superior. La velocidad de adopción es rápida,
aunque con movimientos muy lineales. Esto puede ser debido a que el
desconocimiento está obligando a las empresas a comenzar muy poco a poco a
invertir en este tipo de proyectos.
La tendencia prevista es que el 25% de las empresas planea abarcar algún
proyecto en el próximo año. Respecto a las compañías que han apostado por
Blockchain, el 21% ya lo tiene implementado en su ecosistema. No obstante, los
beneficios que se esperan obtener dicen las empresas tenerlos bien definidos.
Un 37% de las compañías piensa que Blockchain ofrece el potencial de mejorar
en gran medida la seguridad general del entorno IoT.
Debido al uso de encriptación y almacenamiento distribuido, todas las partes
involucradas en la cadena de suministro pueden confiar en los datos. Las
máquinas almacenarán, de forma segura, los detalles de las transacciones que
tienen lugar entre ellos, sin supervisión humana.
El 36% de las empresas,gracias al nuevo modelo de infraestructura que permite
el Blockchain, cree que ayudará a reducir costes o a ser más ágiles y, el 24% cree
que a causa del Blockchain surgirán nuevos modelos de negocio o fuentes de
ingresos debido a la gran combinación entre la variedad de datos privados que
se recogen con sistemas de IoT y la seguridad que brinda el Blockchain.
El despliegue más allá del sector finanzas
Blockchain podrá ayudar a reducir costes y mejorar ciertos procesos,avanzar en
el seguimiento y la seguridad de los datos, la mejora de productos y servicios, y
aumentar la seguridad reduciendo el fraude y la falsificación.
A la cabeza en implantación, encontramos los sectores de Producción y
Tecnología con un 30% y un 31% respectivamente.
Elsectorsalud,conun35%aparececomoreferenteenelfuturo,yapuedeaprovechar
las bondades de la tecnología para agilizar y optimizar muchos procesos.
Enelsectorfinancieroexisteunagranactividad,yaqueBlockchaincomenzóhace
unos años y avanza a través de bancos como Santander,RBC,JP Morgan,Citibank,
BNY Mellon, American Express, Visa, MasterCard y Goldman Sachs, entre otros,
que están dirigiendo múltiples proyectos con grupos de trabajo dedicados.Fuente: Deloitte. US Blockchain Survey
Fuente: Deloitte. US Blockchain Survey
15%
30%
30%
60%
20%
40%
35%
70%
25%
50%
40%
10%
20%
5%
10%
0%
0%
Mejoras en la seguridad
Producción
Reducción de costes/Agilidad
Salud Tecnología y
Telecomunicaciones
Nuevos modelos de negocio
Servicios
financieros
Gráfico 52.
Lo que se espera
del Blockchain
Gráfico 53.
Estado Blockchain
por sectores
Ya lo han adoptado
Tienenplanificadoelpróximoaño

60 61
Blockchain
El futuro del Blockchain
Lo más notable es que muchas tecnologías actuales no están preparadas y no
han sido probadas para la implementación comercial a gran escala. Además de
la seguridad y la escalabilidad de las transacciones, las empresas también
se enfrentan a desafíos relacionados con el desconocimiento y la falta de
formación de forma interna.
En el año 2017, se vio una rápida aceleración de la inversión y la actividad. Las
pruebas de concepto continúan siendo la forma dominante de desarrollo visible
y se le unen varias pruebas piloto y solicitudes de patente en una amplia gama
de industrias.
Las empresas en servicios financieros parecen estar más preparadas para
introducir Blockchain como es el caso de Ripple, un grupo de 61 bancos
japoneses que utilizan Blockchain para realizar transferencias interbancarias,
lo cual está suponiendo una reducción de costes y tiempo.
El Big Data cobrará mucho valor gracias al Blockchain por el aumento de
transparencia en el análisis de datos, ya que, a diferencia de los sistemas
actuales, está diseñado para rechazar cualquier dato que no se pueda verificar.
Como resultado, los analistas podrán empezar a trabajar con datos de calidad,
permitiendo hacer análisis mucho más precisos.
Se predice que los datos que formen Blockchain valdrán billones de dólares
a medida que la tecnología penetre en banca y otros servicios financieros.
De hecho, se estima que el valor de Blockchain podría valer hasta el 20% del
mercado total de Big Data para 2030, produciendo hasta $100 mil millones en
ingresos anuales. Para poner esto en perspectiva, este ingreso supera el que
Visa, MasterCard y PayPal generan actualmente en conjunto.
El grupo de
empresas Ripple
es de los más
avanzados en la
incorporación de
Blockchain en el
sector financiero.
El valor de
Blockchain
podría valer
hasta el 20% del
mercado total de
Big Data
para 2030
Foto 10.
Un 98,6% de las
compañías indica
que su objetivo
aspira a una cultura
basada en datos, en
comparación con el
85,5% de 2017.

62 63
Conclusiones para el debate Conclusiones para el debate
Las empresas líderes que más están apostando por proyectos
de Big Data están empezando a ver resultados colocándose en
clara situación de ventaja frente a sus competidores.
Si bien a nivel de volumen de empresas que están liderando la “carrera del oro”
no es muy grande a nivel de posicionamiento y resultados si están cobrando
cierta distancia frente al resto. Durante este año se ha visto materializado el
avance en el nivel de madurez de estas empresas líderes ejecutando, casi de
manera ortodoxa, el plan de adopción de Big Data previsto. Las empresas que
hoy están empezando a obtener valor de sus datos son aquellas que ya han
realizadolostrabajosinternosnecesariosparaadaptarsusarquitecturasyhacer
los sistemas de información más abiertos y accesibles para los Datos. Además,
han realizado cambios orgánicos incluyendo nuevas áreas de competencia y
nuevos perfiles más orientados y experimentados, perfiles que en la mayoría
de los casos vienen de fuera de las organizaciones incluso de sectores o
disciplinas totalmente nuevas o al menos, no habituales. Y hoy, ya están
trabajando conjuntamente las áreas de negocio con los científicos de datos
en la búsqueda de modelos matemáticos predictivos que consigan resultados
sobre trabajos que nunca hasta ahora se habían planteado o que no disponían
del potencial (capacidades) suficiente para conseguirlo.Con la incorporación de
los algoritmos a las áreas de negocio, la Inteligencia Artificial está suponiendo
un claro aliado en la búsqueda de mejores resultados empresariales.
La velocidad de adopción por parte de las empresas líderes
más interesadas está provocando una brecha significativa en
el ecosistema empresarial.
El aumento en la velocidad en la explotación del Big Data está ocasionando
que las empresas líderes estén posicionándose con mucha ventaja al respecto
de aquellas compañías que están en el sentido contrario de la cola, velocidades
que están llevando a las más lentas hacia posiciones cerca del abismo.
Mientras las empresas que están empezando se preocupan de avanzar en las
primeras fases de adopción (recoger y almacenar, las más avanzadas están
inmersas en pleno Proyecto de Cambio para transformarse en organizaciones
orientadas en valor (Value-Driven) adoptando claramente y, a todos los niveles
de la organización, una cultura Data-Driven. De este modo, los ecosistemas
empresariales están sufriendo ciertos desequilibrios ya que en esta “carrera
por el oro” la competición es global y no atiende a esquemas o sectores. Una
empresa de un sector fácilmente está sacando del ecosistema a otra que hasta
ese momento se aprovecha de un liderazgo situacional provocado por las
inercias del mercado en épocas pasadas. Observamos como el universo Start-
up está claramente liderando o apareciendo como serias amenazas en sectores
donde hasta ahora gobernaban grandes empresas incluso centenarias. El líder
ya no es el más grande, hoy el líder es el más ágil, el que más rápido sea capaz
de adecuar sus estructura tecnológica y orgánica a los desafíos del mercado tan
rápido y directo del tiempo que vivimos.
China se desmarca con ventaja.
China está siendo la gran potencia del dato, no tanto a nivel cuantitativo como
cabe esperar cuando se mira al gigante asiático, sino más bien cualitativo.
China en particular impulsando a su vez a la región asiática con líderes como
Singapur o India, está ejecutando una política claramente dominadora en
la “carrera por el oro”. Dos son los aspectos más significativos donde se nota
la diferencia. En China las decisiones están siendo tomadas por personas
altamente cualificadas o al menos, familiarizadas con la tecnología. El bloque
mayoritario de su gobierno está formado por ingenieros, el líder es y lleva
siendo durante los últimos años un ingeniero y este es uno de los factores
más relevantes, China tarda muy poco en tomar decisiones ya que es capaz
de reunirse a alto nivel con los centros más avanzados en tecnologías a nivel
global. En cambio, en el resto de regiones de Occidente, la tecnología no es tan
cercana en los foros de alto nivel donde se toman las decisiones, provocando
así más lentitud en la toma de decisiones. El otro factor, que se une bastante
al anterior es en cuanto a la rigidez de las estructuras culturales, políticas y
económicas de cada una de las regiones, si bien en la región oriental su cultura
es de avance y búsqueda constante de oportunidades, en occidente seguimos
conviviendo con estructuras que llevan muchos años formando parte de la
región de una manera muy conservadora y que provocan conflictos con los
algunos de los sistemas tan disruptivos que se están evidenciando a medida
que avanza la “carrera por el oro”. Por este motivo, es Estados Unidos quién
está al mejor nivel para conseguir los mejores resultados de la región, pero la
cuestión es si será suficiente o el gran movimiento asiático, liderado por China
terminará convirtiéndose en una gran superpotencia del dato mundial.
Foto 11.
Blockchain se ha
convertido en el
nuevo impulso
del Big Data en los
últimos años.

64 65
Conclusiones para el debate
Hacen falta líderes con competencias digitales para liderar la
transformación.
Las compañías que están liderando la adopción de proyectos de Big Data y, por
consiguiente, están transformando su organización a una organización con
cultura de gestión del dato (Data-Driven) se han dado cuenta que la figura de
líderes con competencias digitales es clave para agilizar la toma de decisiones
consiguiendo respuestas más rápidas y más eficaces ante los retos digitales.
No sólo es suficiente con conseguir científicos de datos.
Lasempresasquepretendansacarelmáximopartidoasusdatosnoessuficiente
con centrarse exclusivamente en contratar los científicos matemáticos o
informáticos más brillantes. La capacitación del personal con conocimientos
funcionales y de negocio en Big Data y tecnologías de Inteligencia Artificial
supone la ventaja competitiva. El verdadero conocimiento para trabajar en las
tareas de análisis está en el personal que opera y es experto en el negocio, a su
lado el mejor socio es el científico capaz de poner en conocimiento de las áreas
de negocio el potencial del dato y los algoritmos.
La Gestión del Cambio es el factor que todas las compañías
están de acuerdo en destacar como el elemento más complejo
y que más bloqueos está provocando el proceso de adopción de
proyectos Big Data.
El objetivo de cambiar la cultura de una organización provoca inevitablemente
tener en cuenta el nivel de asimilación y la capacidad de cambio que pueden
afrontar las personas que forman parte de ella. Y esto aplica a todos los niveles
de la organización, desde la línea de dirección que tiene que tomar decisiones,
hasta el equipo de trabajo que tienen que aprender a trabajar en ambientes
multidisciplinares y adoptando formas de trabajo novedosas más ágiles y
colaborativas que las tradicionales y es ahí, donde se está encontrando más
resistencia. Las compañías que están logrando liderar el proceso son aquellas
que están gestionando la transformación desde proyectos de cambio por
encima de las iniciativas tecnológicas, dándole una cobertura total dentro de
la organización y confiando su ejecución a profesionales que puedan guiar a la
organización en la transición en cada uno de los pasos del proceso de cambio.
La incorporación de coaches y líderes de proyectos de transformación digital
es clave para afrontar el proceso de cambio no sólo teniendo en cuenta los
sistemas sino también a las personas.
Foto 12.
Los datos que
genere Blockchain
valdrán billones de
dólares en apenas
pocos años.

66 67
Big Data hoy
• NewVantage Partners (NVP). Big Data Executive Survey 2018 (http://
newvantage.com/wp-content/uploads/2018/01/Big-Data-Executive-
Survey-2018-Findings.pdf)
• GoDataDriven. Big Data Survey 2017 (https://blog.godatadriven.com/
big-data-survey-2017)
• Dresner Advisory Services, LLC. Big Data Analytics Market Study 2017
Edition (http://dresneradvisory.com/products/2015-big-data-analytics-
market-study)
Inteligencia Artificial
• The Economist. Artificial Intelligence in the real world (https://
www.eiuperspectives.economist.com/sites/default/files/Artificial_
intelligence_in_the_real_world_1.pdf)
• Cylance. Artificial Intelligence in the Enterprise: The AI race in on
(https://insidebigdata.com/white-paper/artificial-intelligence-
enterprise-ai-race/)
• McKinsey Global Institute. Artificial intelligence: The next digital
frontier? (https://www.mckinsey.com/~/media/McKinsey/Industries/
Advanced%20Electronics/Our%20Insights/How%20artificial%20
intelligence%20can%20deliver%20real%20value%20to%20companies/
MGI-Artificial-Intelligence-Discussion-paper.ashx)
• MIT Technology Review. Machine Learning: The New Proving
Ground for Competitive Advantage (https://s3.amazonaws.com/files.
technologyreview.com/whitepapers/MITTR_GoogleforWork_Survey.
pdf)
• PwC Global. AI Impact Index 2017 (https://www.pwc.com/gx/en/
issues/analytics/assets/pwc-ai-analysis-sizing-the-prize-report.pdf)
• PwC. AI-Predictions 2018 (https://www.pwc.es/es/publicaciones/
tecnologia/assets/ai-predictions-2018.pdf)
• TM Capital. The Next Generation of Medicine: Artificial Intelligence
and Machine Learning. (https://www.tmcapital.com/wp-content/
uploads/2017/11/TMCC20AI20Spotlight20-202017.10.2420vF.PDF)
• Reaction Data. Machine LearningIn Medical Imaging. Research and
Report by Reaction Data: 2018. (https://www.reactiondata.com/report/
machine-learning-medical-imaging/)
• https://venturescannerinsights.wordpress.com/
• PwC. Consumer Intelligence Series: Bot.Me, 2017 (https://www.pwc.
com/us/en/industry/entertainment-media/publications/consumer-
intelligence-series/assets/pwc-botme-booklet.pdf)
• PwC CEO Pulse Survey, 2017 (https://www.pwc.ie/publications/2017/
pwc-ireland-ceo-pulse-survey.pdf)
IoT
• MindBowser. Industrial IoT Survey 2017 (http://mindbowser.com/iiot-
market-survey-2017/)
• IHS Markit. IoT trend watch 2018 (https://ihsmarkit.com/Info/0118/iot-
trend-watch-2018.html)
• International Data Corporation (IDC). IoT Talks: Global IoT Decision
Maker Survey 2017
• PwC. Impact of Big Data and AI on Insurance (https://comm.ncsl.
org/productfiles/95646393/Rao-BigData-PPT.pdf)
• Ford’s GT supercar has more computer power than a fighter jet.
(http://www.news.com.au/technology/innovation/motoring/fords-gt-
supercar-has-more-computer-power-than-a-fighter-jet/news-story/6e2
d23cdeb7a22aa1ae4d53d2075bdcb)
• Previsión de McKinsey sobre el impacto del IoT en los segmentos clave
de la industria.
Blockchain
• PwC Global FinTech Survey 2017 (https://www.pwc.com/jg/en/
publications/pwc-global-fintech-report-17.3.17-final.pdf)
• Deloitte. US Blockchain Survey (https://www2.deloitte.com/
content/dam/Deloitte/si/Documents/about-deloitte/16%20US%20
Innovation%20Blockchain%20Infographic_FINAL.pdf)
Referencias Referencias

Informe OBS: Big Data y Huge Data 2017-2018

Recomendados

Recomendados

Más contenido relacionado

La actualidad más candente

La actualidad más candente (18)

Similar a Informe OBS: Big Data y Huge Data 2017-2018

Similar a Informe OBS: Big Data y Huge Data 2017-2018 (20)

Más de OBS Business School

Más de OBS Business School (20)

Último

Último (20)

Informe OBS: Big Data y Huge Data 2017-2018