Presentación utilizada por D. Mario Iñiguez, Adamantas Analytics, en la jornada “Las tecnologías Big Data al servicio de la sociedad” celebrada el 9 de junio de 2016 en el campus de San Sebastián de la Universidad de Deusto.
3. Admantas
Analytics
El tamaño ya no
importa…(importa poco).
No estructuración previa.
Información volátil,
variada, no estructurada
y extensa.
Muchas y diversas
relaciones
Modelos de datos con
relaciones explícitas y
adyacentes.
Modelos datos muy
estáticos o con dificultad
de evolución.
Si estructuración previa.
Las BBDD, antes y ahora
4. Admantas
Analytics
Caso en RRSS
• Experimento de buscar amigos de amigos
en una red social.
• Profundidad máxima de 5
• En una Red Social de 1.000.000 de
personas.
• Cada persona tiene 50 relaciones de
amistad de media
Más información del
experimento >>>
Un caso …
6. Admantas
Analytics
Tipos de BBDD alternativas NoSQL
Clave Valor
Column
Family
Documentos
Graph
Database
Acción
Qué nos ofrecen la Tecnología como Alternativa
Conclusión
Las BBDD Relacionales NO nos sirven para modelos altamente
relacionados con grandes volúmenes de información.Conclusiones
7. Admantas
Analytics Qué nos aportaría una Graph DB
Profundidad
(Relaciones
anidadas)
Tiempo de
ejecución en una
BBDD Relacional
(segundos)
Tiempos de
ejecución con ua
BBDD Grafos
nativa
Número de
registros a obtener
2 0,016 0,01 2500 aprox.
3 30,267 0,168 110.000 aprox.
4 1543,505 1,359 600.000 aprox.
5 Indefinido 2,132 800.000 aprox.
8. Admantas
Analytics
La Gran Apuesta
del Graph Model
Qué es un
Graph Database
Conceptos
(Nodos)
Relaciones
(Arcos)
Propiedades
Modelo de
información
en Grafos
17. Admantas
Analytics
10MM$ Coste
en
Reclamaciones
12% de
confianza en
calidad
10 % de
confianza en
transparencia.
92 % dan
importancia a
saber lo que
comen.
62% dicen no
saber bien qué
comen
27% no confían
en las
etiquetas
40% pagarían
más por más
información
Confianza del consumidor – en cifras
Deloitte, 2009: Recall Execution Effectiveness: Collaborative Approaches to Improving Consumer Safety and Confidence