BIG DATA

Ing. Carlos Balcázar

QUÉ ES BIG DATA
Big Data es uno más de los muchos conceptos que han cogido fuerza en el mundo
tecnológico en los últimos años, y dicho de una forma sencilla es un gran volumen de
datos digitales que provienen de diferentes fuentes.
QUÉ ES EL BIG DATA
Big Data no es una tecnología específica, sino que está vinculada a otras tecnologías
relacionadas con la información digital. Para poder ahondar un poco más en el término
es conveniente primero introducir algunos conceptos tecnológicos relacionados con el
procesamiento de datos.
¿Sabías que el motor de un avión es capaz de generar más de 10 terabytes de datos
en solo 30 minutos de vuelo? ¿Y cuántos vuelos hay en un día? Esto da
varios petabytes de información a diario. La Bolsa de Nueva York genera cada día
alrededor de un terabyte de datos sobre nuevas operaciones. Las cargas de fotos y
vídeos, los mensajes y los comentarios en Facebook crean más de 500 terabytes de
datos nuevos diariamente. Todo eso hace un montón de datos, ¿verdad? Pues eso es
lo que llamamos Big Data.
El Big Data se está convirtiendo en algo ya indisociable de nuestras vidas.
Todo el mundo utiliza algún tipo de tecnología o se pone en contacto con productos
y grandes empresas. Esas grandes empresas nos ofrecen sus datos y a la vez
utilizan los datos que les ofrecemos. Los analizan constantemente para conseguir
que su producción sea más eficaz y desarrollar nuevos productos.

Para entender bien el Big Data, resulta de gran ayuda conocer un poco su historia.
Por definición, el Big Data son datos de gran variedad, que llegan en volúmenes
cada vez mayores y, además, a una velocidad cada vez mayor. Por eso, cuando
hablamos de Big Data, siempre hablamos de las grandes V del Big Data. Y ahora
hay más de tres, porque el concepto de Big Data ha evolucionado.
Hoy en día, el almacenamiento de datos es más barato que hace unos años, así
que resulta más rápido y barato almacenar más datos. ¿Pero para qué queremos
tantos datos? En realidad, los datos sirven para lo que sea: ofrecerlos a otros
clientes, usarlos para crear nuevos productos y funcionalidades, tomar
decisiones comerciales y muchas cosas más.
El nombre de Big Data no es nuevo, pero el concepto de manejar una gran cantidad
de datos está cambiando. Lo que hasta hace poco llamábamos «Big Data» eran
muchos menos datos de lo que son ahora. En realidad, todo empezó en los años
60, cuando empezaron a abrirse los primeros almacenes de datos.
Cuarenta años después, las empresas vieron cómo podían recopilarse conjuntos de
datos a través de servicios en línea, sitios web, aplicaciones y cualquier producto
con el que interactúan los clientes. Así es como empezaron a popularizarse los
primeros servicios de Big Data (Hadoop, NoSQL, etc.). Era imprescindible tener
esas herramientas, porque simplifican el análisis de los Big Data y lo abaratan

El Internet de las cosas ya no es solo un sueño. Ahora hay más dispositivos

conectados a Internet, recopilando datos sobre patrones de uso de los clientes y
eficacia de los productos. De repente alguien pensó: «¿Por qué no lo usamos para
que las máquinas aprendan por sí solas?» Así es como nació el aprendizaje
automático, o machine learning, y también se empezaron a generar datos con él.
¿Puedes hacerte una idea de cuántos datos significa eso? Y, además, ¿puedes
imaginarte cuántos usos puedes darles a todos estos datos? Todos estos datos pueden
ayudarte a tomar decisiones porque tienes toda la información que puedas necesitar.
Puedes resolver cualquier problema o dificultad muy fácilmente.

Dicho de otro modo, el Big Data son unos conjuntos de datos más grandes y
complejos, que se reciben sobre todo de nuevas fuentes de datos. Esos conjuntos de
datos son tan grandes que a los programas de software tradicionales que se usaban
para procesar los datos no les resultaba fácil gestionarlos, así que se crearon nuevas
herramientas y nuevos programas de software.
TIPOS DE DATOS
Como “datos” entenderemos cualquier información relevante para la empresa. Para el
resto del artículo asumiremos que estos datos son digitales, aunque en la realidad no
siempre es así.
Datos estructurados
Son los datos que forman parte de una estructura predefinida. Como ejemplos
encontramos una hoja de Excel o una base de datos SQL. Estos datos son fácilmente
catalogables, y pueden ser utilizados para posteriores análisis y predicciones fiables.
Datos no estructurados
Son aquellos datos que no tienen ni forman parte de una estructura definida. Como
ejemplos encontramos el cuerpo de un email, una conversación por skype, datos
escritos en un fichero word, o incluso bases de datos NoSQL. Estos datos contienen
mucha información valiosa, pero al no estar bien estructurada y catalogada, su uso
resulta complicado a la hora de crear informes y realizar análisis. Las últimas tendencias
en Inteligencia Artificial, especialmente los algoritmos de Machine Learning, contemplan
el análisis de datos no estructurados con el objetivo de obtener conclusiones fiables; es
un campo complejo y en evolución, pero con un futuro muy prometedor.
LAS 5 “V” DEL BIG DATA
El Big Data se caracteriza por cumplir con las 5 “V”, que no son más que 5
características representativas de esta tecnología.
Volumen
Una de las características del Big Data es que nuevos datos se generan constantemente.
Además, como las fuentes son diversas, el volumen de datos tiende a ser inmenso.
Velocidad
No sólo se generan muchos datos y desde muchas fuentes, sino que lo normal es que la
velocidad a la que se generan estos datos sea muy alta. Esto provoca un flujo de datos
muy difícil de gestionar con software tradicional.
Variedad
Debido a la naturaleza unificadora del Big Data, se debe gestionar la información que
llega de fuentes muy diferentes. Esto supone que, incluso siendo datos estructurados, tal
estructura sea diferente en cada fuente, lo que supone un nuevo reto a solventar para la
empresa.
Valor
Debido a la inmensa cantidad de datos que se debe procesar, se ha de tener especial
cuidado en la elección de los datos que realmente son importantes para la empresa y
sus futuras operaciones. Una buena definición de objetivos y estrategia previa al
almacenamiento de datos ahorrará mucho tiempo de cómputo y facilitará la gestión a
largo plazo.
Veracidad
El Big Data debe alimentarse con datos relevantes y verdaderos. No podremos realizar
analíticas útiles si muchos de los datos entrantes provienen de fuentes falsas o con
errores en su información.
ALMACENAMIENTO DE LOS DATOS
On-Premise
Este término es utilizado para referirse a las instalaciones locales de software y
hardware (servidores, racks, sistemas de almacenamiento…). Se dice que una empresa
tiene una instalación on-premise cuando ella misma se encarga de la infraestructura,
gestión del software, y de los datos.
Cloud
El término cloud se utiliza para referirse al uso de infraestructuras (tanto hardware
como software) de terceros, para el almacenamiento, gestión y procesado de los datos
y aplicaciones. El cloud, muchas veces referido como “cloud computing”, suele ser un
modelo de alquiler o pago por uso, y algunas de las empresas líderes en este sector son
Microsoft, Amazon o Google.
El Cloud Computing no es sólo infraestructura, sino también un conjunto de servicios
computacionales que permite a cualquier empresa instalar sus diferentes soluciones
software, mantenerlas, analizar su rendimiento, escalarlas, realizar copias de seguridad
y mucho más.
Almacén de datos (Data warehouse)
Un Data Warehouse es un repositorio de datos que almacena la información
proveniente de diversas fuentes y sistemas de la empresa. Estos almacenes de datos
destacan por su gran capacidad y por proveer un acceso óptimo a los datos,
independientemente de que se encuentren On-Premise o en la nube.
PROCESADO DE LOS DATOS
Como ya se ha comentado previamente, el objetivo del Big Data es unificar el
almacenamiento y procesado de diferentes fuentes de datos con el objetivo de realizar
diversos análisis de datos con toda la información de la empresa. Para un correcto
procesado de los datos se debe pasar por 3 fases conocidas como ETL (“extract,
transform, load”).
Extracción
Esta fase consiste en la centralización de las capturas de datos provenientes de
diversas fuentes.
Transformación
Esta fase trata de estandarizar los diferentes conjuntos de datos con el objetivo de que a
la salida tengan una estructura similar. Esta es una etapa compleja que requerirá de
código a medida en función de nuestros datos. Esta fase también es conocida como
limpieza de los datos.
Load o Carga
El “Load” o “Carga” consiste en el almacenamiento de los datos en un almacén de datos
(Data Warehouse), para su posterior análisis.
ANALÍTICA DE DATOS EN BIG DATA
Una vez hayamos recopilado, unificado y limpiado los datos podremos comenzar a
analizar la información de una forma fiable, para lo que necesitaremos software
especializado.
Análisis de datos
Esta es una etapa posterior a la gestión de los datos y, aunque el Big Data tiene como
objetivo establecer una base sobre la que realizar análiticas complejas, es un campo
más bien asociado al Business Intelligence. Es por ello que muchas de las plataformas
o soluciones de Big Data ya incorporan herramientas de analítica integradas.
Herramientas Big Data
Existen en el mercado diferentes soluciones para la gestión del Big Data, lo que daría
para un artículo aparte. Entre ellas resultan destacables, por su veteranía en este
campo, Hadoop (framework estándar para el almacenamiento de grandes volúmenes
de datos y posterior procesamiento distribuido en clusters) y Spark (visto como
evolución natural de la analítica de Hadoop en busca de modelos más optimizados);
ambos frameworks pertenecen al proyecto Apache y son Open Source.
Como el Big Data es algo que no deja de crecer, las herramientas que se usan
para gestionarlo evolucionan con él y se perfeccionan permanentemente. Se
emplean herramientas como Hadoop, Pig, Hive, Cassandra, Spark, Kafka, etc.,
dependiendo de los requisitos de cada organización. Hay muchísimas soluciones, y
buena parte de ellas son de código abierto.
También hay una fundación —Apache Software Foundation (ASF)— que apoya
muchos de estos proyectos sobre Big Data.
Como esas herramientas son muy importantes para el Big Data, vamos a explicar un
poco en qué consisten. Quizá una de las más afianzadas para analizar Big Data
sea Apache Hadoop, un marco de trabajo de código abierto para almacenar y
procesar grandes conjuntos de datos
Otro que cada vez está recibiendo más atención es Apache Spark. Una de las
ventajas de Spark es que puede almacenar gran parte de los datos de
procesamiento en la memoria y en el disco, así que puede ser mucho más rápido.
Spark puede funcionar con el sistema de archivos distribuidos de Hadoop
(HDFS), Apache Cassandra, u OpenStack Swift y muchas otras soluciones de
almacenamiento de datos. Pero una de sus mejores funciones es que Spark puede
funcionar en una sola máquina local y eso facilita enormemente el trabajo.
Otra solución es Apache Kafka, que permite a los usuarios publicar y suscribirse a
fuentes de datos en tiempo real. La principal tarea de Kafka es trasladar la fiabilidad
de otros sistemas de mensajería a los datos en streaming.
Estas son otras grandes herramientas de Big Data:
•Apache Lucene puede usarse para cualquier motor de recomendación porque utiliza
bibliotecas de software de indexación y búsqueda de textos completos.
•Apache Zeppelin es un nuevo proyecto que permite el análisis de datos interactivos
con SQL y otros lenguajes de programación.
•Elasticsearch es más bien un motor de búsqueda empresarial. Lo mejor de esta
solución es que puede aportar conocimientos a partir de datos estructurados y no
estructurados.
•TensorFlow es una biblioteca de software en auge porque se utiliza para el
aprendizaje automático.
El Big Data seguirá creciendo y cambiando y, por lo tanto, las herramientas también.
Y quizá dentro de unos años las construcciones que usemos sean totalmente
distintas. Pero, tal como hemos dicho, algunas de las herramientas funcionan con
datos estructurados o no estructurados. Veamos qué significa eso
Apache Hadoop
Es la herramienta de Big Data más utilizada, de hecho, compañías como Facebook o
The New York Times la emplean, y ha servido de modelo para el resto. Hadoop es un
framework que permite procesar grandes volúmenes de datos en lote usando modelos
de programación simples. Es escalable, por lo que puede pasar de operar en un sólo
servidor a hacerlo en múltiples.

Elasticsearch
Elasticsearch permite el procesamiento de grandes cantidades de datos y ver la evolución
de éstos en tiempo real. Además, proporciona gráficos que ayudan a comprender con
más facilidad la información obtenida. Una de las ventajas de esta herramienta es que
puede expandirse con Elastic Stack, un paquete de productos que aumentan las
prestaciones de Elasticsearch. Mozilla y Etsy son algunas de las empresas que han
empleado esta herramienta de Big Data.
Apache Storm
Storm es una herramienta de Big Data open-source que puede ser usada con cualquier
lenguaje de programación. Procesa en tiempo real y de forma sencilla grandes
cantidades de datos, el sistema crea topologías de los macrodatos para transformarlos y
analizarlos de forma continua mientras flujos de información entran al sistema
constantemente.

MongoDB
Se trata de una base de datos NoSQL optimizada para trabajar con grupos de datos que
que varían con frecuencia, o que son semiestructurados o inestructurados. Se emplea
para almacenar datos de aplicaciones móviles y de sistemas de gestión de contenidos,
entre otros. Es empleada por compañías como Bosch y Telefónica.
 Apache Spark
La característica más destacable de esta herramienta de Big Data es su velocidad,
siendo 100 veces más rápida que Hadoop. Spark analiza datos por lotes y también en
tiempo real, y permite la creación de aplicaciones en diferentes lenguajes: Java,
Python, R y Scala.

Python
Python cuenta con la ventaja de que sólo hay que tener unos conocimientos mínimos de
informática para poder usarla, lo hace que tenga una gran comunidad de usuarios con la
opción de crear sus propias librerías. El inconveniente de esta herramienta de Big Data
es la velocidad, ya que es notablemente más lenta que sus competidoras.
Apache Cassandra
Cassandra es una base de datos NoSQL desarrollada en un principio por Facebook. Es
la mejor opción si lo que necesitas es escalabilidad y alta disponibilidad sin
comprometer el rendimiento. Netflix y Reddit son usuarios de esta herramienta.

Lenguaje R
R es un entorno y lenguaje de programación enfocado mayormente al análisis
estadístico, ya que es muy parecido al lenguaje matemático; aunque también se emplea
para el análisis de Big Data. Cuenta con una extensa comunidad de usuarios, por lo que
hay disponible una gran cantidad de librerías. R es muy usada por estadistas y data
miners.
Apache Drill
Drill es un framework open-source que permite trabajar en análisis interactivos de
grupos de datos a gran escala. Fue diseñado para poder alcanzar una alta escalabilidad
en servidores y para poder procesar de petabytes de datos y millones de registros en
pocos segundos. Soporta una gran variedad de sistemas de archivos y bases de datos.

Apache Oozie
Esta herramienta de Big Data es un sistema de flujo de trabajo que permite definir un
amplio rango de trabajos escritos o programados en diferentes lenguajes. Además,
Oozie vincula los trabajos y permite a los usuarios establecer relaciones de
dependencia entre ellos.
TIPOS DE BIG DATA
Entre los Big Data hay tres tipos de datos: estructurados, semiestructurados y no
estructurados. En cada uno de estos tipos hay mucha información útil que puedes
extraer para usarla en distintos proyectos.
•Los datos estructurados tienen un formato fijo y a menudo son numéricos. Así que
en muchos casos los gestionan máquinas y no humanos. Este tipo de datos es
información que ya está ordenada en bases de datos y hojas de cálculo almacenadas
en bases de datos SQL, lagos de datos y almacenes de datos.
•Los datos no estructurados son información que está desorganizada y no está en
un formato predeterminado porque puede ser casi cualquier cosa. Es el caso, por
ejemplo, de los datos recopilados de fuentes de redes sociales y puede convertirse
en archivos de documentos de texto almacenados en Hadoop, como clústeres o
sistemas NoSQL.
•Los datos semiestructurados pueden contener ambas formas de datos, como
registros de servidores web o datos de sensores que haya configurado. Para ser
precisos, son datos que, a pesar de no estar clasificados en un repositorio concreto
(una base de datos), contienen información vital o etiquetas que segregan elementos
individuales dentro de los datos.
El Big Data incluye siempre múltiples fuentes y la mayor parte del tiempo es de
distintos tipos también. Así que no siempre es fácil saber cómo integrar todas las
herramientas que necesitas para trabajar con distintos tipos de datos.
¿CÓMO FUNCIONA EL BIG DATA?
La idea principal que subyace al Big Data es que cuanto más sabes sobre algo,
mejor lo entiendes y te ayuda a tomar una decisión o buscar una solución. En
muchos casos, este proceso está totalmente automatizado; contamos con unas
herramientas tan avanzadas que crean millones de simulaciones para dar el mejor
resultado posible. Pero para conseguirlo con la ayuda de las herramientas analíticas,
el aprendizaje automático o incluso la inteligencia artificial, hay que saber cómo
funciona el Big Data y configurarlo todo correctamente.
La necesidad de gestionar tantos datos requiere una infraestructura estable y bien
estructurada. Habrá que procesar rápidamente ingentes volúmenes y distintos tipos
de datos y esto puede sobrecargar un único servidor o clúster. Por eso tendrás que
contar con un sistema bien pensado para gestionar el Big Data.
Según la capacidad del sistema, se deberán tener en cuenta todos los procesos. Y
en el caso de las grandes empresas, pueden hacer falta cientos o miles de servidores.
Como te imaginarás, esto puede empezar a salir caro. Y cuando añades todas las
herramientas que vas a necesitar, todavía se encarece más. Así que tienes que saber
cómo funciona el Big Data y las tres acciones principales que se necesitan para
poder prever el presupuesto de antemano, y crear el mejor sistema posible.
Integración
El Big Data siempre se recopila de muchas fuentes y, como hablamos de volúmenes
enormes de información, hace falta descubrir nuevas estrategias y tecnologías para
gestionarlo todo. En algunos casos, llegan a nuestro sistema petabytes de información,
así que integrar toda esta información en tu sistema es todo un reto. Tendrás
que recibir los datos, procesarlos y formatearlos de la manera adecuada para tu
empresa y de tal forma que tus clientes puedan entenderlos.
Gestión
¿Qué más puedes necesitar para semejante volumen de información? Necesitarás un
lugar donde almacenarla. Esta solución de almacenamiento puedes encontrarla en la
nube, en tus instalaciones o ambas. También puedes elegir de qué forma almacenar
tus datos, para tenerlos a tu disposición en tiempo real y cuando los pidas. Por eso
cada vez más gente elige una solución en la nube para almacenar los datos, porque es
compatible con su actual infraestructura informática.
Análisis
Vale, has recibido los datos y los has almacenado, pero tienes que analizarlos para
poder usarlos. Explora tus datos y utilízalos para tomar decisiones importantes, como
saber qué características son las que más buscan tus clientes o utilizarlos para
compartir búsquedas. Haz lo que quieras o necesites con ellos, pero sácales provecho,
porque has hecho una gran inversión para instalar esta infraestructura, así que tienes
que usarla.
Como ya hemos dicho al hablar de Big Data, siempre hablamos de las grandes V del
Big Data. Cuando apareció el Big Data, solo había 3 V, pero ahora son más. Y se les
suman otras constantemente según para qué necesites el Big Data. En la próxima
sección de este artículo, vamos a ver algunas de las V.
¿POR QUÉ ES TAN IMPORTANTE EL BIG DATA?
El Big Data tiene un potencial enorme. Puedes usar la valiosa información que
proporcionan estos datos para tomar decisiones de marketing sobre tu producto y tu
marca. Las marcas que usan Big Data son capaces de tomar decisiones comerciales
más rápido y con mejor criterio. Si usas toda la información que tienes sobre tus
clientes, puedes hacer que el producto esté más centrado en el cliente y crear los
contenidos que él quiere o personalizar sus itinerarios. Es más fácil tomar decisiones
cuando tienes toda la información que necesitas, ¿verdad?
Por poner un ejemplo, ya sabemos lo útil que es el Big Data en la investigación médica,
cuando se usa para identificar el riesgo de contraer determinadas enfermedades, según
el historial médico del paciente o la forma de tratar algunas enfermedades. Este es solo
un ejemplo del uso del Big Data, pero es uno de los más importantes.
Los sistemas de citas por Internet pueden ser un 90 % más precisos una vez que las
máquinas aprenden cómo unir perfectamente a las parejas basándose en toda la
información que tienen sobre dos personas. Los fallos o errores informáticos pueden
minimizarse porque sabrás en qué condiciones pueden producirse. Un coche que
conduzca solo puede ser más seguro que cualquier otro coche conducido por una
persona porque no comete errores humanos. Analiza la información del Big Data en
tiempo real y sabe cuál es la mejor ruta para llegar a tu destino a tiempo.
Basándose en toda la información que tienen sobre sus clientes, ahora las empresas
pueden predecir con exactitud qué segmentos de sus clientes querrán comprar sus
productos y en qué momento, y así sabrán cuál es el mejor momento para lanzarlos. El
Big Data ayuda además a las empresas a desarrollar su actividad de una forma mucho
más eficaz.
El Big Data es importante para el progreso de nuestra tecnología y puede facilitarnos
la vida si lo utilizamos con acierto y de forma positiva. El potencial del Big Data es
ilimitado, pero vamos a ver algunos casos prácticos de uso.
USOS DEL BIG DATA
El análisis del Big Data pueden hacerlo personas y máquinas, según las necesidades de
cada uno. Usando distintos métodos analíticos, puedes combinar distintos tipos de
datos y fuentes para descubrir cosas y tomar decisiones relevantes. Así podrás lanzar tus
productos más rápido y dirigirlos al público adecuado. Vamos a ver algunos de los usos
más habituales del Big Data.
Desarrollo de productos
Cuando el grueso de tu actividad se centra en el producto, el Big Data es más que
imprescindible. Vamos a tomar un ejemplo que casi todo el mundo conoce: Netflix. ¿Cómo
crees que hace Netflix para enviarte un mensaje con recomendaciones especialmente
elegidas para ti cada semana? Con la ayuda del análisis de Big Data, claro. Utilizan
modelos predictivos y te informan de las novedades que quizás te gusten clasificando los
datos del pasado y los programas que has visto o marcado como favoritos.
Hay empresas que utilizan otros recursos, como información de redes sociales,
información de ventas de las tiendas, grupos focales, encuestas, tests y mucho más
para saber cómo hacer para lanzar un nuevo producto o dirigirlo a las personas a las
que está destinado.
Análisis comparativo
Cuando sabes cómo se comportan tus clientes y puedes observarlos en tiempo real,
puedes comparar sus patrones con los itinerarios que han seguido otros productos
parecidos y saber en qué sentido eres más fuerte que tus competidores.
Experiencia del cliente
El mercado es tan grande que es difícil que un producto consiga destacar como único.
Así que para poder distinguirte debes esforzarte en personalizar la experiencia de
tus clientes. El Big Data te permite recopilar datos de redes sociales, visitas en
Internet, registros de llamadas y otras fuentes para mejorar la experiencia de las
interacciones o maximizar el valor que ofreces.
Aprendizaje automático
El aprendizaje automático ahora está muy de moda y todo el mundo quiere saber más.
Ahora podemos crear máquinas que aprenden por sí solas y la capacidad para
hacerlo viene del Big Data y de los modelos aprendizaje automático que se han
desarrollo gracias a él.
Escalabilidad y predicción de fallos
Es importante saber en cualquier momento cuánta infraestructura debes movilizar o
tener la posibilidad de predecir fallos mecánicos. No será fácil analizar todos los datos
primero porque te encontrarás con cantidades ingentes de datos estructurados (periodos
de tiempo, equipos) y no estructurados (entradas de registros, mensajes de error, etc.).
Pero teniendo en cuenta todas estas indicaciones, puedes detectar posibles escollos
antes de que surjan problemas o escalar el uso de tus recursos. Con el Big Data puedes
analizar las opiniones de tus clientes y predecir la demanda futura, y de este modo
sabrás cuándo necesitas tener más recursos disponibles.
Fraude y conformidad
Hacking… todos lo odiamos, pero cada vez es más frecuente. Uno trata de hacerse
pasar por tu marca, otro intenta vender tus datos y los datos de tus clientes… Los
hackers son cada día más creativos. Pero sucede lo mismo con los requisitos de
seguridad y conformidad: cambian constantemente. El Big Data puede ayudarte a
identificar patrones de datos que son indicios de fraude y sabrás cuándo y cómo
reaccionar ante ellos.
Tus analistas de datos pueden encontrar muchos usos para tus datos y averiguar cómo
conectar los distintos tipos de datos que tienes. Puedes usar estos datos para publicar
investigaciones oficiales y dar más notoriedad a tu marca.
¿HACIA DÓNDE IRÁ EL BIG DATA EN EL FUTURO?
El Big Data ya está cambiando las reglas de juego en muchos aspectos, y sin duda
seguirá creciendo. ¡Imagínate lo mucho que puede cambiarnos la vida todo esto en el
futuro! Una vez que todo lo que tenemos a nuestro alrededor empiece a usar Internet (el
Internet de las Cosas), las posibilidades de usar el Big Data serán tremendas. La
cantidad de datos que tenemos a nuestra disposición no hará más que aumentar, y la
tecnología analítica avanzará todavía más. El Big Data es una de esas cosas que
conformará el futuro de la humanidad.
Todas las herramientas que usamos para el Big Data también evolucionarán. Las
infraestructuras deberán adaptarse a nuevos requisitos. Quizá en el futuro seamos
capaces de almacenar todos los datos que necesitamos en una sola máquina y es
posible que tenga espacio de sobra. De ser así, resultaría más barato y sencillo trabajar
con todo esto.