Presentación de Jesús Cristóbal, director y Qlik expert en Sand, en el Modern Thinking del 16 de enero de 2017 en MSMK - Madrid School of Marketing. 'Autoservicio de Big Data'.

1. Confidencialidad: El contenido de este documento es propiedad de SAND y confidencial. Cualquier reproducción o distribución en todo o en parte está completamente prohibida sin el permiso expreso y
por escrito de SAND.
Autoservicio
de Big Data
Si conoces a los demás y te conoces a ti mismo, ni en cien batallas correrás peligro; si no conoces a los demás, pero te conoces a ti mismo,
perderás una batalla y ganarás otra; si no conoces a los demás ni te conoces a ti mismo, correrás peligro en cada batalla
Tzun Tzu

2. Jesús Cristóbal Asorey
https://es.linkedin.com/in/jesuscristobalasorey
www.sand.es

4. Hadoop – Data Lakes
Patrones de arquitectura donde los datos se almacenan para ser procesados

5. ¿Qué está ocurriendo?
• Hadoop ha madurado
• La arquitectura de
Data Lakes es la más
común
• Los datos son la vida
de las compañías
• Sin embargo quedan
muchos retos para
que Hadoop sea la
única fuente de la
verdad.

6. Visión vs Realidad

7. ¿Por qué nos atascamos?
• Los “Data Lakes” no han sido diseñados para soportar querys interactivas
• Hadoop fue diseñado para procesos Batch (ETL, predictivo…)
• Los diseños están pensados para científicos de datos no para analistas de
negocio
• El coste / escala /performance

8. Ecosistema en
rápida evolución
Estrategia
&
Dirección
poco clara
El cuello de
botella de los
Data Scientist
Más allá del
Hype
Big & Wide
Data
El crecimiento
de los Data
Warehouse
El Big Data

9. Perforación profunda
En su mayoría perforación, algunas
exploraciones
La mayoria exploración,
algunas perforaciones
Data Experts
Data Scientists
Anchura de cobertura
Profundidaddecobertura
Data Explorers
Los usuarios

10. Qlik entrega el mayor ROI proporcionando big data en contexto junto
con otros datos
Big Data Accesible Big Data
En Contexto
Big Data Relevante
¿Dónde está el ROI del Big Data?

11. Nos podemos mover fácilmente entre
vistas aumentando el detalle
solamente si se necesita
Combinamos aproximaciones in-memory
and
in-database para asegurar la major
experiencia interactiva
Segmentación
ChainingDirect Discovery
In-Memory
On Demand
App Generation
Big Data relevante

12. Segmentación
ChainingDirect Discovery
In-Memory
On Demand
App Generation
Big Data relevante
Metodologías diferentes
para asegurar la major
experiencia cada una
adaptada a la situación
Pueden ser combinadas
acuerdo con los casos de
uso
Variando en la metodología
y complejidad

13. On Demand App Generation
Una aproximación de carro
de la compra al analytics
Selección de Dimensiones para
generar analuytics filtrado
Porciones de datos On
demand
Convistiendo el Big Data en
small data analytics
Dirigido por business users
governado por IT

14. DEMO

15. Muchas Gracias
Síguenos en…
www.SAND.es