1. Data Mining (Minería de Datos)

2. Machine Learning (Aprendizaje Automático)

3. Data Warehouse (Almacén de Datos)

4. Análisis Predictivo

5. Visualización de Datos

6. Data Lake

7. Volumen

8. Velocidad

9. Variedad

10. Veracidad

11. Valor

12. Hadoop

13. MapReduce

14. NoSQL

Velocidad: Rapidez con la que se generan y procesan los datos en tiempo real.

Variedad: Diversidad de formatos de datos (estructurados, semiestructurados y no estructurados).

Veracidad: Confiabilidad y precisión de los datos para asegurar decisiones informadas.

Valor: Utilidad de los datos para obtener información significativa y ventajas competitivas.

El proceso de minería de datos generalmente incluye los siguientes pasos:

·         Definición de objetivos: Identificar el problema de negocio que se quiere resolver.

·         Recopilación y preparación de datos: Reunir y limpiar los datos necesarios para el análisis.

·         Aplicación de algoritmos: Utilizar técnicas de minería de datos para analizar los datos y descubrir patrones.

·         Evaluación y visualización: Interpretar los resultados y presentarlos de manera comprensible.

2.    El aprendizaje automático (o machine Learning en inglés) es una rama de la inteligencia artificial que se enfoca en desarrollar algoritmos y técnicas que permiten a las computadoras aprender y mejorar a partir de la experiencia sin ser programadas explícitamente para cada tarea.

·         Aprendizaje supervisado: El algoritmo aprende a partir de un conjunto de datos etiquetados, es decir, datos de entrada con sus correspondientes salidas correctas.

·         Aprendizaje no supervisado: El algoritmo busca patrones en datos no etiquetados, sin conocer las salidas correctas de antemano.

·         Aprendizaje por refuerzo: El algoritmo aprende a través de prueba y error, recibiendo recompensas o castigos según sus acciones

3.    El almacenamiento de datos es el proceso de guardar y conservar información digital para su uso posterior. Este proceso permite que las computadoras y otros dispositivos accedan y gestionen datos de manera estructurada, facilitando su administración y procesamiento.

Existen varios tipos de almacenamiento de datos, entre los que se incluyen:

·         Almacenamiento primario: Se refiere a la memoria de acceso aleatorio (RAM), que guarda datos temporalmente mientras el dispositivo está encendido

·         Almacenamiento secundario: Incluye dispositivos como discos duros (HDD) y unidades de estado sólido (SSD), que almacenan datos de manera permanente.

·         Almacenamiento en la nube: Permite guardar datos en servidores remotos accesibles a través de internet

El análisis predictivo es, por tanto, un área del Big Data que se ocupa de analizar los datos en base a un conjunto de técnicas estadísticas y de aprendizaje automático que se construyen creando modelos matemáticos y de inteligencia artificial y denominados modelos predictivos. Con el análisis de estos datos previos podemos establecer y conocer diferentes comportamientos de la variable analizada. Por lo tanto, la clave está en detectar las variables que más influyen en nuestra predicción, para poder cambiarlas y así utilizarlas para el beneficio de la empresa.

Por ejemplo, si somos una escomerse de venta de productos de higiene, podemos emplear las herramientas de análisis para conocer las ventas que vamos a obtener de un producto determinado en los próximos meses en función de la inversión realizada en las campañas de marketing de ese producto. En esta misma línea, podríamos ayudarnos de herramientas de análisis predictivo para conocer cuáles van a ser las ventas que obtendremos en una determinada campaña (por ejemplo, durante el Black Friday) sobre un producto y así adelantarnos para tener el stock necesario y poder afrontar dicha demanda sin perder ventas por falta de producto.

5. Visualización de datos

La visualización de datos es la representación gráfica de información y datos. Al utilizar elementos visuales como cuadros, gráficos y mapas, las herramientas de visualización de datos proporcionan una manera accesible de ver y comprender tendencias, valores atípicos y patrones en los datos. A medida que la "era del big data" entra en pleno apogeo, la visualización es una herramienta cada vez más importante para darle sentido a las billones de filas de datos que se generan cada día. La visualización de datos ayuda a contar historias seleccionando los datos en una forma más fácil de entender, destacando las tendencias y los valores atípicos. Una buena visualización cuenta una historia, eliminando el ruido de los datos y resaltando la información útil.

En el mundo del big data, las herramientas y tecnologías de visualización de datos son esenciales para analizar grandes cantidades de información y tomar decisiones basadas en los datos.

6. Data lake?

Un data lake es un repositorio centralizado diseñado para almacenar, procesar y proteger grandes cantidades de datos estructurados, semiestructurados o no estructurados. Puede almacenar datos en su formato nativo y procesar cualquier variedad de datos, sin importar los límites de tamaño. Un data lake proporciona una plataforma escalable y segura que permite a las empresas realizar las siguientes tareas: transferir cualquier dato desde cualquier sistema y a cualquier velocidad (incluso si los datos provienen de sistemas que son locales, de la nube o de procesamiento perimetral); almacenar cualquier tipo o volumen de datos con fidelidad absoluta; procesar datos en tiempo real o en modo por lotes; y analizar datos mediante SQL, Python, R o cualquier otro lenguaje, datos de terceros o aplicaciones de estadísticas.

MapReduce: es un modelo de programación para procesar grandes volúmenes de datos en paralelo, dividiéndolos en pequeñas tareas. Consta de dos etapas principales: Map, que filtra y organiza los datos, y Reduce, que los sintetiza para obtener resultados finales. Este enfoque permite procesar datos de manera eficiente y escalable en entornos de big data.

NoQSL:  es un tipo de base de datos que se utiliza para almacenar y gestionar grandes volúmenes de datos no estructurados principales características como flexibilidad, escabilidad, alto rendimiento y disponibilidad.