1. DEFINICION
1.1. Son conjuntos de datos extremadamente grandes y complejos que no pueden ser procesados por herramientas tradicionales.
1.2. Permite descubrir patrones y tendencias para tomar decisiones más informadas, mejorar la eficiencia y obtener ventaja competitiva
2. CARACTERISTICAS
2.1. VOLUMEN
2.1.1. Conjuntos enormes, con tamaños que van desde petabytes (1 petabyte = 1 millón de gigabytes) hasta exabytes (1 exabyte = 1 millón de petabytes).
2.2. VIABILIDAD
2.2.1. a infraestructura y las herramientas necesarias para procesar y analizar datos de Big Data pueden ser costosas y complejas
2.3. VISUALIZACION
2.3.1. Los datos de Big Data son complejos y difíciles de comprender. Las herramientas de visualización de datos ayudan a presentar los datos de manera clara y concisa.
2.4. VALOR
2.4.1. El objetivo final del Big Data es extraer información valiosa de los datos para tomar mejores decisiones.
2.5. VERACIDAD
2.5.1. La precisión y confiabilidad de los datos de Big Data es crucial para obtener resultados confiables.
2.6. VARIEDAD
2.6.1. Los datos de Big Data provienen de fuentes diversas y pueden estar estructurados, semiestructurados o no estructurados.
2.7. VELOCIDAD
2.7.1. Datos se generan y se acumulan a una velocidad sin precedentes, lo que requiere un procesamiento y análisis en tiempo real o casi en tiempo real.
3. RETOS Y DESAFIOS
3.1. La gran cantidad de datos que se generan y recopilan en la actualidad puede ser difícil de almacenar, procesar y analizar con herramientas y tecnologías tradicionales.
3.2. La velocidad a la que se generan los datos requiere que los sistemas de Big Data sean capaces de procesarlos y analizarlos en tiempo real o casi en tiempo real.
3.3. La diversidad de los datos, que provienen de diversas fuentes y en diferentes formatos, dificulta su integración y análisis.
3.4. Los datos de Big Data pueden ser incompletos, inexactos o inconsistentes, lo que puede afectar la calidad de los análisis y las decisiones tomadas.
3.5. La limpieza y preparación de los datos puede ser un proceso costoso y que requiere mucho tiempo.
4. TECNOLOGIAS Y HERRAMIENTAS
4.1. ALMACENAMIENTO DE DATOS
4.1.1. HANDOOP
4.1.2. MONGODB
4.1.3. HDFS (Hadoop Distributed File System)
4.1.4. CASSANDRA
4.2. PROCESAMIENTO DE DATOS
4.2.1. SPARK
4.2.2. KAFKA
4.2.3. FLINK
4.2.4. STORM
4.3. VISUALIZACION DE DATOS
4.3.1. TABLEAU
4.3.2. QLIK SENSE
4.3.3. ELASTIC SEARCH
4.3.4. POWER BI
4.4. GOBERNANZA DE DATOS
4.4.1. APACHE KNOX
4.4.2. CLOUDERA DATA HUD
4.4.3. APACHE ATLAS
4.4.4. DATA LAKE
4.5. ANALISIS DE DATOS
4.5.1. PIG
4.5.2. PRESTO
4.5.3. MAHOUT
4.5.4. HIVE
5. APLICACIONES Y USO
5.1. MARKETINK Y VENTAS
5.1.1. ANALISIS DE COMPORTAMIENTO DE CLIENTE
5.1.2. OPTIMIZACION DE PRECIOS
5.1.3. SEGMENTACION DE CLIENTES
5.2. OPERACIONES Y LOGISTICA
5.2.1. MANTENIMIENTO PREDICTIVO
5.2.2. GESTION DE INVENTARIO
5.2.3. OPTIMIZACION DE LA CADENA DE SUMINISTRO
5.3. FINANZAS Y SEGURO
5.3.1. DETECCION DE FRAUDE
5.3.2. DESARROLO DE PRODUCTOS FINANCIEROS
5.3.3. GESTION DE RIESGOS
5.4. SALUD Y MEDICINA
5.4.1. INVESTIGACION MEDICA
5.4.2. MEDICINA PERSONALIZADA
5.4.3. PREVEMCION DE ENFERMEDADES