Desarrollo de la unidad 6 de la materia de analítica de datos UNITEC

1. NOMBRE DEL ALUMNO: ALEJANDRA SIERRA PIÑA
NÚMERO DE CUENTA: 13761684
MATERIA: ANALÍTICA DE DATOS
GRUPO: ANL3P
PROFESORA: CLAUDIA GONZÁLEZ RUVALCABA
FECHA DE LA ACTIVIDAD: 15 DE JULIO DE 2018
TÍTULO DE LA ACTIVIDAD: ENTREGABLE FINAL

2. 6. DECISIONES DE NEGOCIO
EN MATERIA DE ANALÍTICA
DE DATOS

3. INTRODUCCIÓN
 Las estrategias de implantación de la analítica de datos deben ayudar a
cumplir los objetivos empresariales más importantes de la organización;
la tecnología existente tiene que sustentar la estrategia de análisis y la
cultura de la organización ha de evolucionar para que el personal
emplee esta tecnología de un modo adaptado a la estrategia. La
correcta coordinación entre estas tres dimensiones clave es necesaria
para generar un valor tangible proveniente de los resultados.
(IBM, 2013)
 Es entonces la analítica una herramienta que mejora la toma de
decisiones empresarial, para aplicarla debemos identificar algunos
pasos a seguir para su implementación

4. 6.1. IDENTIFICACIÓN DE PROYECTOS DE
INVERSIÓN EN ANALÍTICA DE DATOS
Un proyecto de analítica puede implementarse en cualquier giro
Se deben identificar las etapas de planificación
 Inicio
 Planificación
 Ejecución
 Finalización.

5. ELEMENTOS DE PROYECTO DE
ANALÍTICA
1. Planificación del proyecto:
 1.1. Definir el proyecto.
 1.2. Definir la planificación y la gestión del proyecto.
 1.3. Establecer la finalización del proyecto.
2. Arquitectura tecnológica:
 2.1. Revisar los requerimientos de negocio (usuarios, tiempos).
 2.2. Definir la arquitectura tecnológica (hardware).
 2.3. Definir las recomendaciones de configuración.
 2.4. Estimar requerimientos de escalabilidad.
 2.5. Implementar el hardware y el software.

6. ELEMENTOS DE PROYECTO DE
ANALÍTICA
3. Diseño:
 3.1. Desarrollar los modelos de datos.
 3.2. Analizar las fuentes de datos.
 3.3. Diseñar la base de datos.
 3.4. Diseñar el análisis de los usuarios finales.
4. Construcción:
 4.1. Revisar el alcance y la planificación.
 4.2. Implementar la base de datos.
 4.3. Diseñar y desarrollar la integración de datos.
 4.4. Cargar y validar la base de datos.
 4.5. Construir el análisis de los usuarios finales.
 4.6. Probar el sistema.
 4.7. Ajustar el rendimiento.

7. ELEMENTOS DE PROYECTO DE
ANALÍTICA
5. Despliegue:
 5.1. Entregar la documentación del proyecto.
 5.2. Formar a los usuarios.
 5.3. Entregar la aplicación.
 5.4. Mantener el datawarehouse.
6. Operación:
 6.1. Definir los procedimientos de soporte.
 6.2. Monitorizar el rendimiento.
 6.3. Mantener y mejorar la aplicación

8. 6.2. DECISIONES DE HARDWARE Y
CAPACIDAD FÍSICA
 Las opciones de hardware y software realizadas al momento del diseño
pueden tener un impacto significativo sobre el desempeño y el costo
total que se tendrá.
 Una plataforma tecnológica para esta actividad debe facilitar muy
rápidamente la recopilación, el almacenamiento y el análisis de grandes
volúmenes de datos, los cuales además pueden estar en diferentes
formatos o inclusive generándose en tiempo real.
 En materia de servidores: Hadoop funciona sobre el principio de
acercar la computación a donde residen los datos, se ejecuta en
grandes clusters de servidores usando hardware estándar.

9. 6.3. DECISIONES DE SOFTWARE
Elegir un software de acuerdo a las necesidades del proyecto, no mediante una
decisión basada en el vendedor que lo cautive con su presentación.
Considere:
 Evaluar datos financieros sobre del proveedor
 La estrategia del proveedor
 La arquitectura tecnológica del proveedor.
 Funcionalidades: Consultas, informes, OLAP, administración

10. 6.4. CONTRATACIÓN DE PROVEEDORES Y
CONSULTOR
Elementos tradicionales de cualquier selección de proveedor
 Historia.
 Estabilidad y viabilidad financiera.
 Recursos humanos y de gestión.
 Cobertura geográfica.
 Servicios ofertados.
 Experiencia con el producto y en el sector.
 Experiencia con clientes afines.
 Metodología y herramientas de desarrollo.
 Productos y metodologías implementadas.
 Grado de confianza.

11. 6.4. CONTRATACIÓN DE PROVEEDORES Y
CONSULTOR
Considere las recomendaciones de Forrester Research
 Especialización vertical.
 Facilitar la colaboración con otros proveedores.
 Flexibilidad para cambiar las necesidades del cliente.
 Soporte para la aparición de nuevas tecnologías o la innovación en los
negocios.
 Casar los servicios ofrecidos con las necesidades de los clientes

12. 6.5. DESARROLLO DE ESTRUCTURA INTERNA
RESPONSABLE DE LA ANALÍTICA DE DATOS
 Si la empresa creará un área específica para la analítica esta estará integrada por algunos
puestos clave que desarrollan los proyectos de analítica
1 – Chief Data Officer (CDO): Lider de la gestión de datos y analítica.
2 – Data Scientists (científico de los datos): su tarea pirncipal es tener una visión general del
proceso de extremo a extremo y pueden resolver problemas de ciencias datos, la construcción
de modelos analíticos y algoritmos.
3 – Citizen Data Scientist: no está formada específicamente para ser Data Scientist, pero que
puede extraer valor, a través de su experiencia, explorando los datos, desde las unidades de
negocio.

13. 6.5. DESARROLLO DE ESTRUCTURA INTERNA
RESPONSABLE DE LA ANALÍTICA DE DATOS
4 – Data Engineer (ingeniero de datos): Se encarga de proporcionar los datos de una manera
accesible y apropiada a los usuarios y Data scientists. Es un perfil especializado en
infraestructura Big Data.
5 – Data Steward (administrador de datos): es responsable de mantener la calidad,
disponibilidad y seguridad de los datos.
6 – Business Data Analyst (analista de datos): participa en las iniciativas y proyectos de análisis
de datos. Es la persona que recoge las necesidades de los usuarios de negocio para los Data
Scientist y presenta resultados obtenidos

14. 6.6. CONSIDERACIONES DE SEGURIDAD Y
PRIVACIDAD DE LOS DATOS
 La empresa tiene que hacer un uso transparente de los datos.
 Se necesitan regulaciones claras y prácticas sobre los datos de los usuarios
 En todo momento se debe hacer uso de datos con el consentimiento debido
 Las empresas deben asumir la responsabilidad legal por los datos y los
derechos que tienen los dueños de los datos
 Cada vez los datos tendrán valor en el mercado

15. 6.6. CONSIDERACIONES DE SEGURIDAD Y
PRIVACIDAD DE LOS DATOS
Características de las soluciones de seguridad:
• Escala: tener la capacidad de procesar y almacenar grandes cantidades de
información .
• Flexibilidad analítica: Poder proporcionar al usuario interacción con la gran
cantidad de datos
• Rendimiento: su arquitectura debe poder procesar las búsquedas en un tiempo
aceptable

16. CONCLUSIONES:
Las empresas que deseen realizar proyectos de analítica reconocen el beneficio que los
datos proporcionan hoy en día, sin embargo la dimensión de los proyectos no debe ser
tomada a la ligera y deben plantearse:
 Capacidad física
 Capacidad Técnica (propia o de los proveedores)
 Capacidad tecnológica (software)
 Planificación y ejecución adecuada del proyecto
 Responsabilidad sobre el manejo de los datos considerando la escalabilidad del
proyecto a futuro

17. Los beneficios en cualquier área de la empresa con el uso de la analítica
son evidentes, pero el éxito de su implementación depende de la
capacidad de la empresa para la implementación del proyecto.

18. REFERENCIAS:
 IIC, Seguridad en Big Data, privacidad y protección de datos, blog, recuperado 14 de julio de 2018
http://www.iic.uam.es/innovacion/seguridad-big-data/
 Balboni, et al. IBM Institute for Business Value Analítica de datos: un proyecto de generación de valor.
Cómo transformar Big Data en resultados, a través de la analítica, pdf, recuperado 14 de julio de 2018
de https://www.ibm.com/midmarket/es/es/att/pdf/Analitica_de_datos_para_pymes.pdf
 Lluis Cano Josep (sin fecha), Business Intelligence, Competir con información, pdf, recuperado 10 de
julio de 2018 de
http://itemsweb.esade.edu/biblioteca/archivo/Business_Intelligence_competir_con_informacion.pdf
 Intel IT Center, (2014) Comenzando con Big Data, pdf consultado 14 de julio de 2018 en
https://www.intel.la/content/dam/www/public/lar/xl/es/documents/articles/e7-big-data-planning-
guide-v2d-spa.pdf
 Big Data CoE, (2016) Los 7 perfiles clave de los profesionales del Big Data, blog, consultado 14 de
julio de 2018 en https://www.bigdatabcn.com/es/los-7-perfiles-clave-los-profesionales-big-data/