Analisis Big Data Final

0

Análisis con Big Data

2-1-2016

HDC BPO Services Integrantes: De la Cruz Reyes Steven Sanchez Calancha Katherine Zamudio Martinez Luis Orlando Docente: Reátegui Morales Juan Carlos Curso: Auditoria y Seguridad de la Información

UNIVERSIDAD NACIONAL TECNOLOGICA DE LIMA SUR ANÁLISIS CON BIG DATA | HDC BPO Services

1

CONTENIDO INTRODUCCIÓN ........................................................................................................................................ 2 ANÁLISIS .................................................................................................................................................... 3 1.1.

¿QUE ES BIG DATA? ................................................................................................................ 3

1.2.

RESEÑA HISTÓRICA ................................................................................................................. 3

1.3.

TIPOS DE DATOS ..................................................................................................................... 4

1.4.

LAS CINCO V ............................................................................................................................ 5

1.5.

TIPOS DE INFORMACIÓN ....................................................................................................... 6

1.6.

COMPONENTES DE UNA PLATAFORMA BIG DATA ............................................................. 6

1.7.

BIG DATA Y EL CAMPO DE INVESTIGACIÓN....................................................................... 10

1.8.

ARQUITECTURA BIG DATA ................................................................................................... 11

ANÁLISIS APLICATIVO ............................................................................................................................ 13 2.1.

EMPRESA ................................................................................................................................ 13

2.2.

HERRAMIENTA MICROSTRATEGY ....................................................................................... 13

2.3.

ANALISIS DE BIG DATA CON LA HERRAMIENTA MICROSTRATEGY ................................. 14

CONCLUSIONES ...................................................................................................................................... 18

Ilustración 1- Tipos de datos de Big Data ...................................................................................... 4 Ilustración 2- Ejemplo de HDFS ..................................................................................................... 7 Ilustración 3- Ejemplo de MapReduce .......................................................................................... 7 Ilustración 4- Flujo de trabajo en Oozie ........................................................................................ 9 Ilustración 5- Arquitectura Big Data por capas ........................................................................... 12

ANÁLISIS CON BIG DATA | HDC BPO Services

2

INTRODUCCIÓN El primer cuestionamiento que posiblemente llegue a su mente en este momento es ¿Qué es Big Data y porqué se ha vuelto tan importante? pues bien, en términos generales podríamos referirnos como a la tendencia en el avance de la tecnología que ha abierto las puertas hacia un nuevo enfoque de entendimiento y toma de decisiones, la cual es utilizada para describir enormes cantidades de datos (estructurados, no estructurados y semi-estructurados) que tomaría demasiado tiempo y sería muy costoso cargarlos a un base de datos relacional para su análisis. De tal manera que, el concepto de Big Data aplica para toda aquella información que no puede ser procesada o analizada utilizando procesos o herramientas tradicionales. Además del gran volumen de información, esta existe en una gran variedad de datos que pueden ser representados de diversas maneras en todo el mundo, por ejemplo de dispositivos móviles, audio, video, sistemas GPS, incontables sensores digitales en equipos industriales, automóviles, medidores eléctricos, veletas, anemómetros, etc., los cuales pueden medir y comunicar el posicionamiento, movimiento, vibración, temperatura, humedad y hasta los cambios químicos que sufre el aire, de tal forma que las aplicaciones que analizan estos datos requieren que la velocidad de respuesta sea lo demasiado rápida para lograr obtener la información correcta en el momento preciso. Estas son las características principales de una oportunidad para Big Data. Es importante entender que las bases de datos convencionales son una parte importante y relevante para una solución analítica. De hecho, se vuelve mucho más vital cuando se usa en conjunto con la plataforma de Big Data. Pensemos en nuestras manos izquierda y derecha, cada una ofrece fortalezas individuales para cada tarea en específico. Por ejemplo, un beisbolista sabe que una de sus manos es mejor para lanzar la pelota y la otra para atraparla; puede ser que cada mano intente hacer la actividad de la otra, mas sin embargo, el resultado no será el más óptimo.

ANÁLISIS CON BIG DATA | HDC BPO Services

3

ANÁLISIS 1.1. ¿QUE ES BIG DATA? Debido al gran avance que existe día con día en las tecnologías de información, las organizaciones se han tenido que enfrentar a nuevos desafíos que les permitan analizar, descubrir y entender más allá de lo que sus herramientas tradicionales reportan sobre su información, al mismo tiempo que durante los últimos años el gran crecimiento de las aplicaciones disponibles en internet (geo-referenciamiento, redes sociales, etc.) han sido parte importante en las decisiones de negocio de las empresas.

1.2. RESEÑA HISTÓRICA Los seres humanos estamos creando y almacenando información constantemente y cada vez más en cantidades astronómicas. Se podría decir que si todos los bits y bytes de datos del último año fueran guardados en CD's, se generaría una gran torre desde la Tierra hasta la Luna y de regreso. Esta contribución a la acumulación masiva de datos la podemos encontrar en diversas industrias, las compañías mantienen grandes cantidades de datos transaccionales, reuniendo información acerca de sus clientes, proveedores, operaciones, etc., de la misma manera sucede con el sector público. En muchos países se administran enormes bases de datos que contienen datos de censo de población, registros médicos, impuestos, etc., y si a todo esto le añadimos transacciones financieras realizadas en línea o por dispositivos móviles, análisis de redes sociales (en Twitter son cerca de 12 Terabytes de tweets creados diariamente y Facebook almacena alrededor de 100 Petabytes de fotos y videos), ubicación geográfica mediante coordenadas GPS, en otras palabras, todas aquellas actividades que la mayoría de nosotros realizamos varias veces al día con nuestros "Smartphone", estamos hablando de que se generan alrededor de 2.5 quintillones de bytes diariamente en el mundo. 1 quintillón = 10^30 = 1,000,000,000,000,000,000,000,000,000,000 De acuerdo con un estudio realizado por Cisco, entre el 2011 y el 2016 la cantidad de tráfico de datos móviles crecerá a una tasa anual de 78%, así como el número de dispositivos móviles conectados a Internet excederá el número de habitantes en el planeta. Las naciones unidas proyectan que la población mundial alcanzará los 7.5 billones para el 2016 de tal modo que habrá cerca de 18.9 billones de dispositivos conectados a la red a escala mundial, esto conllevaría a que el tráfico global de datos móviles alcance 10.8 Exabytes mensuales o 130 Exabytes anuales. Este volumen de tráfico previsto para 2016 equivale a 33 billones de DVDs anuales o 813 cuatrillones de mensajes de texto. Pero no solamente somos los seres humanos quienes contribuimos a este crecimiento enorme de información, existe también la comunicación denominada máquina a máquina (M2M machine-to-machine) cuyo valor en la creación de grandes cantidades de datos también es muy importante. Sensores digitales instalados en contenedores para determinar la ruta generada durante una entrega de algún paquete y que esta información sea enviada a las compañías de transportación, sensores en medidores eléctricos para determinar el consumo de energía a intervalos regulares para que sea enviada esta información a las compañías del sector energético.

ANÁLISIS CON BIG DATA | HDC BPO Services

4

Se estima que hay más de 30 millones de sensores interconectados en distintos sectores como automotriz, transportación, industrial, servicios, comercial, etc. y se espera que este número crezca en un 30% anualmente.

1.3. TIPOS DE DATOS Muchas organizaciones se enfrentan a la pregunta sobre ¿qué información es la que se debe analizar?, sin embargo, el cuestionamiento debería estar enfocado hacia ¿qué problema es el que se está tratando de resolver? Si sabemos que existe una amplia variedad de tipos de datos a analizar, una buena clasificación nos ayudaría a entender mejor su representación, aunque es muy probable que estas categorías puedan extenderse con el avance tecnológico. Ilustración 1- Tipos de datos de Big Data

-

Web and Social Media: Incluye contenido web e información que es obtenida de las redes sociales como Facebook, Twitter, LinkedIn, etc, blogs.

-

Machine-to-Machine (M2M): M2M se refiere a las tecnologías que permiten conectarse a otros dispositivos. M2M utiliza dispositivos como sensores o medidores que capturan algún evento en particular (velocidad, temperatura, presión, variables meteorológicas, variables químicas como la salinidad, etc.) los cuales transmiten a través de redes alámbricas, inalámbricas o híbridas a otras aplicaciones que traducen estos eventos en información significativa.

-

Big Transaction Data: Incluye registros de facturación, en telecomunicaciones registros detallados de las llamadas (CDR), etc. Estos datos transaccionales están disponibles en formatos tanto semi-estructurados como no estructurados.

-

Biometrics: Información biométrica en la que se incluye huellas digitales, escaneo de la retina, reconocimiento facial, genética, etc. En el área de seguridad e inteligencia, los datos biométricos han sido información importante para las agencias de investigación.

-

Human Generated: Las personas generamos diversas cantidades de datos como la información que guarda un call center al establecer una llamada telefónica, notas de voz, correos electrónicos, documentos electrónicos, estudios médicos, etc. ANÁLISIS CON BIG DATA | HDC BPO Services

5

1.4. LAS CINCO V Es común que cuando se hable de Big Data se haga referencia a grandes cantidades de datos. Pero es más que eso. Para describir mejor lo que representa, frecuentemente se habla de las cinco V -IBM fue la que empezó definiendo tres V y luego se han añadido las otras dos dependiendo de la fuente que definen perfectamente los objetivos que este tipo de sistemas buscan conseguir:  Volumen: un sistema Big Data es capaz de almacenar una gran cantidad de datos

mediante infraestructuras escalables y distribuidas. En los sistemas de almacenamiento actuales empiezan a aparecer problemas de rendimiento al tener cantidades de datos del orden de magnitud de petabytes o superiores. Big Data está pensado para trabajar con estos volúmenes de datos.  Velocidad: una de las características más importantes es el tiempo de procesado y

respuesta sobre estos grandes volúmenes de datos, obteniendo resultados en tiempo real y procesándolos en tiempos muy reducidos. Y no sólo se trata de procesar sino también de recibir, hoy en día las fuentes de datos pueden llegar a generar mucha información cada segundo, obligando al sistema receptor a tener la capacidad para almacenar dicha información de manera muy veloz.  Variedad: las nuevas fuentes de datos proporcionan nuevos y distintos tipos y

formatos de información a los ya conocidos hasta ahora -como datos no estructurados-, que un sistema Big Data es capaz de almacenar y procesar sin tener que realizar un pre-proceso para estructurar o indexar la información.  Variabilidad: las tecnologías que componen una arquitectura Big Data deben ser

flexibles a la hora de adaptarse a nuevos cambios en el formato de los datos -tanto en la obtención como en el almacenamiento- y su procesado. Se podría decir que la evolución es una constante en la tecnología de manera que los nuevos sistemas deben estar preparados para admitirlos.  Valor: el objetivo final es generar valor de toda la información almacenada a través

de distintos procesos de manera eficiente y con el coste más bajo posible. De esta manera, un sistema Big Data debe extraer valor -en forma de nueva información, por ejemplo- sobre grandes volúmenes de datos, de la manera más rápida y eficiente posible, adaptándose a todos los formatos -estructurados o no- existentes y futuros.

ANÁLISIS CON BIG DATA | HDC BPO Services

6

1.5. TIPOS DE INFORMACIÓN Se puede hablar de una clasificación de los tipos de datos según sea su naturaleza u origen que también ayuda a entender mejor el porqué de la evolución de los sistemas de explotación de la información hacia Big Data: 

Datos estructurados: es información ya procesada, filtrada y con un formato estructurado. Es el tipo de datos que más se usan hoy en día.



Datos semi-estructurados: es información procesada y con un formato definido pero no estructurado. De esta manera se puede tener la información definida pero con una estructura variable. Dos ejemplos son las bases de datos basadas en columnas y los ficheros con información en un lenguaje de etiquetas (HTML o XML).



Datos no estructurados: es información sin procesar y que puede tener cualquier estructura. Se puede encontrar cualquier formato: texto, imagen, vídeo, código, etc. Los directorios de logs de aplicaciones o la información colgada en las redes sociales son buenos ejemplos de datos no estructurados.

La manera de trabajar hoy en día implica almacenar solamente datos de tipo estructurado o semi- estructurado, obligando a pasar por un proceso de filtrado y transformación los datos no estructurados. Este proceso radica en un coste y en una pérdida inevitable de datos que cada vez es más difícil ignorar, ya que va totalmente en contra de las cinco V comentadas anteriormente y que un sistema de explotación de la información busca obtener especialmente de la variedad, variabilidad y velocidad de recolección de información.

1.6. COMPONENTES DE UNA PLATAFORMA BIG DATA Las organizaciones han atacado esta problemática desde diferentes ángulos. Todas esas montañas de información han generado un costo potencial al no descubrir el gran valor asociado. Desde luego, el ángulo correcto que actualmente tiene el liderazgo en términos de popularidad para analizar enormes cantidades de información es la plataforma de código abierto Hadoop. Hadoop está inspirado en el proyecto de Google File System (GFS) y en el paradigma de programación MapReduce, el cual consiste en dividir en dos tareas (mapper – reducer) para manipular los datos distribuidos a nodos de un clúster logrando un alto paralelismo en el procesamiento, Hadoop está compuesto de tres piezas:

ANÁLISIS CON BIG DATA | HDC BPO Services

7

A. Hadoop Distributed File System (HDFS) Los datos en el clúster de Hadoop son divididos en pequeñas piezas llamadas bloques y distribuidas a través del clúster; de esta manera, las funciones map y reduce pueden ser ejecutadas en pequeños subconjuntos y esto provee de la escalabilidad necesaria para el procesamiento de grandes volúmenes. La siguiente figura ejemplifica como los bloques de datos son escritos hacia HDFS. Observe que cada bloque es almacenado tres veces y al menos un bloque se almacena en un diferente rack para lograr redundancia. Ilustración 2- Ejemplo de HDFS

B. Hadoop MapReduce MapReduce es el núcleo de Hadoop. El término MapReduce en realidad se refiere a dos procesos separados que Hadoop ejecuta. El primer proceso map, el cual toma un conjunto de datos y lo bueno convierte en otro conjunto, donde los elementos individuales son separados en tuplas (pares de llave/valor). El proceso reduce obtiene la salida de map como datos de entrada y combina las tuplas en un conjunto más pequeño de las mismas. Una fase intermedia es la denominada Shuffle la cual obtiene las tuplas del proceso map y determina que nodo procesará estos datos dirigiendo la salida a una tarea reduce en específico. La siguiente figura ejemplifica un flujo de datos en un proceso sencillo de MapReduce. Ilustración 3- Ejemplo de MapReduce

ANÁLISIS CON BIG DATA | HDC BPO Services

8

C. Hadoop Common Hadoop Common Components son un conjunto de librerías que soportan varios subproyectos de Hadoop, proyectos relacionados: - Avro

Es un proyecto de Apache que provee servicios de serialización. Cuando se guardan datos en un archivo, el esquema que define ese archivo es guardado dentro del mismo; de este modo es más sencillo para cualquier aplicación leerlo posteriormente puesto que el esquema está definido dentro del archivo. - Cassandra Cassandra es una base de datos no relacional distribuida y basada en un modelo de almacenamiento de , desarrollada en Java. Permite grandes volúmenes de datos en forma distribuida. Twitter es una de las empresas que utiliza Cassandra dentro de su plataforma. - Chukwa

Diseñado para la colección y análisis a gran escala de "logs". Incluye un toolkit para desplegar los resultados del análisis y monitoreo. - Flume

Es la tarea principal es dirigir los datos de una fuente hacia alguna otra localidad, en este caso hacia el ambiente de Hadoop. Existen tres entidades principales: sources, decorators y sinks. Un source es básicamente cualquier fuente de datos, sink es el destino de una operación en específico y un decorator es una operación dentro del flujo de datos que transforma esa información de alguna manera, como por ejemplo comprimir o descomprimir los datos o alguna otra operación en particular sobre los mismos. - HBase

Es una base de datos columnar (column-oriented database) que se ejecuta en HDFS. HBase no soporta SQL, de hecho, HBase no es una base de datos relacional. Cada tabla contiene filas y columnas como una base de datos relacional. HBase permite que muchos atributos sean agrupados llamándolos familias de columnas, de tal manera que los elementos de una familia de columnas son almacenados en un solo conjunto. Facebook utiliza HBase en su plataforma desde Noviembre del 2010. - Hive

Es una infraestructura de data warehouse que facilita administrar grandes conjuntos de datos que se encuentran almacenados en un ambiente distribuido. Hive tiene definido un lenguaje similar a SQL llamado Hive Query Language(HQL), estas sentencias HQL son separadas por un servicio de Hive y son enviadas a procesos MapReduce ejecutados en el cluster de Hadoop.

ANÁLISIS CON BIG DATA | HDC BPO Services

9

Fue donado por IBM a la comunidad de software libre. Query Language for Javascript Object Notation (JSON) es un lenguaje funcional y declarativo que permite la explotación de datos en formato JSON diseñado para procesar grandes volúmenes de información. Para explotar el paralelismo, Jaql reescribe los queries de alto nivel (cuando es necesario) en queries de "bajo nivel" para distribuirlos como procesos MapReduce. Internamente el motor de Jaql transforma el query en procesos map y reduce para reducir el tiempo de desarrollo asociado en analizar los datos en Hadoop. Jaql posee de una infraestructura flexible para administrar y analizar datos semiestructurados como XML, archivos CSV, archivos planos, datos relacionales, etc. - Lucene

Es un proyecto de Apache bastante popular para realizar búsquedas sobre textos. Lucene provee de librerías para indexación y búsqueda de texto. Ha sido principalmente utilizado en la implementación de motores de búsqueda (aunque hay que considerar que no tiene funciones de "crawling" ni análisis de documentos HTML ya incorporadas). El concepto a nivel de arquitectura de Lucene es simple, básicamente los documentos son dividos en campos de texto (fields) y se genera un índice sobre estos campos de texto. La indexación es el componente clave de Lucene, lo que le permite realizar búsquedas rápidamente independientemente del formato del archivo, ya sean PDFs, documentos HTML, etc. - Oozie

Oozie es un proyecto de código abierto que simplifica los flujos de trabajo y la coordinación entre cada uno de los procesos. Permite que el usuario pueda definir acciones y las dependencias entre dichas acciones. Un flujo de trabajo en Oozie es definido mediante un grafo acíclico llamado Directed Acyclical Graph (DAG), y es acíclico puesto que no permite ciclos en el grafo; es decir, solo hay un punto de entrada y de salida y todas las tareas y dependencias parten del punto inicial al punto final sin puntos de retorno. Un ejemplo de un flujo de trabajo en Oozie se representa de la siguiente manera: Ilustración 4- Flujo de trabajo en Oozie

ANÁLISIS CON BIG DATA | HDC BPO Services

10

Pig Inicialmente desarrollado por Yahoo para permitir a los usuarios de Hadoop enfocarse más en analizar todos los conjuntos de datos y dedicar menos tiempo en construir los programas MapReduce. Tal como su nombre lo indica al igual que cualquier cerdo que come cualquier cosa, el lenguaje PigLatin fue diseñado para manejar cualquier tipo de dato y Pig es el ambiente de ejecución donde estos programas son ejecutados, de manera muy similar a la relación entre la máquina virtual de Java (JVM) y una aplicación Java. ZooKeeper ZooKeeper es otro proyecto de código abierto de Apache que provee de una infraestructura centralizada y de servicios que pueden ser utilizados por aplicaciones para asegurarse de que los procesos a través de un cluster sean serializados o sincronizados. Internamente en ZooKeeper una aplicación puede crear un archivo que se persiste en memoria en los servidores ZooKeeper llamado znode. Este archivo znode puede ser actualizado por cualquier nodo en el cluster, y cualquier nodo puede registrar que sea informado de los cambios ocurridos en ese znode; es decir, un servidor puede ser configurado para "vigilar" un znode en particular. De este modo, las aplicaciones pueden sincronizar sus procesos a través de un cluster distribuido actualizando su estatus en cada znode, el cual informará al resto del cluster sobre el estatus correspondiente de algún nodo en específico. Una plataforma de Big Data consiste de todo un ecosistema de proyectos que en conjunto permiten simplificar, administrar, coordinar y analizar grandes volúmenes de información.

1.7. BIG DATA Y EL CAMPO DE INVESTIGACIÓN Los científicos e investigadores han analizado datos desde ya hace mucho tiempo, lo que ahora representa el gran reto es la escala en la que estos son generados. Esta explosión de "grandes datos" está transformando la manera en que se conduce una investigación adquiriendo habilidades en el uso de Big Data para resolver problemas complejos relacionados con el descubrimiento científico, investigación ambiental y biomédica, educación, salud, seguridad nacional, entre otros. De entre los proyectos que se pueden mencionar donde se ha llevado a cabo el uso de una solución de Big Data se encuentran: El Language, Interaction and Computation Laboratory (CLIC) en conjunto con la Universidad de Trento en Italia, son un grupo de investigadores cuyo interés es el estudio de la comunicación verbal y no verbal tanto con métodos computacionales como cognitivos. Lineberger Comprehensive Cancer Center - Bioinformatics Group utiliza Hadoop y HBase para analizar datos producidos por los investigadores de The Cancer Genome Atlas(TCGA) para soportar las investigaciones relacionadas con el cáncer.

ANÁLISIS CON BIG DATA | HDC BPO Services

11

El PSG College of Technology, India, analiza múltiples secuencias de proteínas para determinar los enlaces evolutivos y predecir estructuras moleculares. La naturaleza del algoritmo y el paralelismo computacional de Hadoop mejora la velocidad y exactitud de estas secuencias. El Instituto de Tecnología de la Universidad de Ontario (UOIT) junto con el Hospital de Toronto utilizan una plataforma de big data para análisis en tiempo real de IBM (IBM InfoSphere Streams), la cual permite monitorear bebés prematuros en las salas de neonatología para determinar cualquier cambio en la presión arterial, temperatura, alteraciones en los registros del electrocardiograma y electroencefalograma, etc., y así detectar hasta 24 horas antes aquellas condiciones que puedan ser una amenaza en la vida de los recién nacidos. Los laboratorios Pacific Northwest National Labs PNNL) utilizan de igual manera IBM InfoSphere Streams para analizar eventos de medidores de su red eléctrica y en tiempo real verificar aquellas excepciones o fallas en los componentes de la red, logrando comunicar casi de manera inmediata a los consumidores sobre el problema para ayudarlos en administrar su consumo de energía eléctrica. La esclerosis múltiple es una enfermedad del sistema nervioso que afecta al cerebro y la médula espinal. La comunidad de investigación biomédica y la Universidad del Estado de Nueva York (SUNY) están aplicando análisis con big data para contribuir en la progresión de la investigación, diagnóstico, tratamiento, y quizás hasta la posible cura de la esclerosis múltiple. Con la capacidad de generar toda esta información valiosa de diferentes sistemas, las empresas y los gobiernos están lidiando con el problema de analizar los datos para dos propósitos importantes: ser capaces de detectar y responder a los acontecimientos actuales de una manera oportuna, y para poder utilizar las predicciones del aprendizaje histórico. Esta situación requiere del análisis tanto de datos en movimiento (datos actuales) como de datos en reposo (datos históricos), que son representados a diferentes y enormes volúmenes, variedades y velocidades.

1.8. ARQUITECTURA BIG DATA La arquitectura Big Data está compuesta generalmente por cinco capas: recolección de datos, almacenamiento, procesamiento de datos, visualización y administración. Esta arquitectura no es nueva, sino que ya es algo generalizado en las soluciones de Business Intelligence que existen hoy en día. Sin embargo, debido a las nuevas necesidades cada uno de estos pasos ha ido adaptándose y aportando nuevas tecnologías a la vez que abriendo nuevas oportunidades.

ANÁLISIS CON BIG DATA | HDC BPO Services

12

En la Ilustración 5, se puede observar el flujo que la información tendría en una arquitectura Big Data, con orígenes de datos diversos -bases de datos, documentos o datos recibidos en streaming que se reciben y almacenan a través de la capa de recolección de datos, con herramientas específicamente desarrolladas para tal función. Los datos recibidos pueden procesarse, analizarse y/o visualizarse tantas veces como haga falta y lo requiera el caso de uso específico. Ilustración 5- Arquitectura Big Data por capas

ANÁLISIS CON BIG DATA | HDC BPO Services

13

ANÁLISIS APLICATIVO 2.1. EMPRESA Hdc es una empresa multinacional con diecisiete años de experiencia en el campo de la consultoría de negocios e IT y que cuenta con más de 10.000 profesionales de distintos sectores. Fundada en Perú el año 1996, actualmente opera en países de Latinoamérica. Está dedicada a ofrecer soluciones de negocio, estrategia y desarrollo, mantenimiento de aplicaciones tecnológicas y outsourcing; cubriendo los sectores de telecomunicaciones, entidades financieras, industria, utilities & energía, seguros, administraciones públicas, media y sanidad. Hdc cuenta con cinco líneas o unidades de negocio:  Business consulting: se encarga de los proyectos de estrategia corporativa, consultoría de negocio e ingeniería de procesos. Su actividad se centra en el conocimiento sectorial, en la innovación de servicios y en la especialización.  Solutions: se enfoca en la definición, diseño e implantación de soluciones tecnológicas y a la gestión y operación de aplicaciones, infraestructuras y procesos de outsourcing. Se busca el uso de metodologías para aumentar la calidad, traspaso de producción a centros de alto rendimiento y para la especialización funcional y tecnológica.  Centers: se basa en la utilización de alto rendimiento. Gracias a los más de cuatro años de experiencia ya cuenta con la estructura y las capacidades para realizar actividades de forma industrializada. Tiene centros en Sevilla, Murcia, Alicante, Temuco, San Miguel de Tucumán y Uberlandia.  Business Process Outsourcing (BPO): se orienta a ofrecer servicios de externalización de procesos de negocio bajo acuerdos de nivel de servicios, facilitando a sus clientes disponer de mayor capacidad interna para realizar funciones que le aporten más valor a su negocio.  Initiatives: investiga las posibilidades que ofrece el mercado para abrir nuevos negocios en los que invertir con sus clientes. También cuenta con una división especializada en el asesoramiento financiero, la FAS (Financial Advisory Services).

2.2. HERRAMIENTA MICROSTRATEGY MicroStrategy es el único gran proveedor de software Business Intelligence que no ha participado en el festín de adquisiciones y fusiones de los últimos años. Gracias a ello, se ha convertido en el primer proveedor independiente de software Business Intelligence, y sigue focalizado totalmente en este sector. Por este motivo, y por las funcionalidades de su plataforma, se trata de una opción a tener muy en cuenta en cualquier nuevo proyecto Business Intelligence.

MicroStrategy se fundó en 1989, antes incluso que BO, y desde entonces ha construido una plataforma que cubre todas las necesidades BI empresariales, desde el clásico reporting

ANÁLISIS CON BIG DATA | HDC BPO Services

14

hasta elaborados y vistosos dashboards, pasando por el análisis OLAP. Se diferencia de los grandes proveedores en que su arquitectura es más clara y homogénea. Su plataforma es realmente una plataforma BI (y no un conglomerado de productos diversos). Básicamente, el catálogo de productos de la plataforma Micrstrategy v9 incluye:  Microstrategy Intelligence Server. Se trata del "servidor analítico" que centraliza las peticiones de los clientes. A este servidor se le pueden añadir funcionalidades a través de una serie de módulos de la plataforma (Microstrategy Report Services, Microstrategy OLAP Services, Microstrategy Distribution Services, etc.)  Microstrategy Web. Es el entorno interactivo de la plataforma para realizar reporting y análisis desde un entorno web.  Microstrategy Desktop. Es la aplicación Windows que ofrece la funcionalidad BI de la plataforma, incluyendo el desarrollo, ejecución y administración de los proyectos BI (se complementa con otros productos para las funcionalidades más técnicas y administrativas: Microstrategy Architect, Microstrategy Enterprise Manager, etc.) Esta plataforma incluye productos y funcionalidades para cubrir cualquier necesidad BI, que ellos dividen en los que denominan los "5 estilos de BI": 1. 2. 3. 4. 5.

Scorecards y dashboards Reporting corporativo Análisis OLAP Análisis avanzado y predictivo Alertas y notificaciones proactivas

Desde mi punto de vista, las fortalezas fundamentales de Microstrategy son el análisis OLAP y sus nuevos e impactantes dashboards. El análisis OLAP se realiza a partir de unos "cubos ROLAP virtuales", es decir, que en lugar de utilizar cubos (tipo Cognos Powerlay), atacan directamente a una base de datos relacional (tipo BO Web Intelligence). Además, disponen de una tecnología de "cubos en-memoria" para mejorar significativamente el rendimiento y la escalabilidad. De esta manera, consiguen lo mejor de cada arquitectura. Resumiéndolo mucho, podríamos decir que se trata de un análisis OLAP tan sencillo y ágil como el de Cognos Powerplay, aunque con la potencia de una arquitectura ROLAP como la de BO. Los scorecards y dashboards de Microstrategy emplean la tecnología flash, y consiguen unos resultados realmente atractivos. Lo mejor es verlos directamente. El análisis OLAP de Microstrategy únicamente permite trabajar con un bloque de información, por lo que si se quieren informes más elaborados ya se tiene que trabajar con "documentos". La elaboración de estos "documentos" (y de los "dashboards") está enfocada a un usuario algo más técnico.

2.3. ANALISIS DE BIG DATA CON LA HERRAMIENTA MICROSTRATEGY Creación de Cubos Tanto SQL definido por el usuario como el Generador de consultas son herramientas de MicroStrategy que se utilizan como métodos alternativos para obtener acceso a sus datos empresariales y crear informes. SQL definido por el usuario Es una herramienta de MicroStrategy que le permite escribir sus propias sentencias SQL y ejecutarlas directamente en un warehouse o almacén de datos operativos, lo que le permite

ANÁLISIS CON BIG DATA | HDC BPO Services

15

controlar plenamente el acceso a los datos. Tradicionalmente, MicroStrategy Engine se utiliza para generar código SQL que se ejecute en una base de datos relacional específica y obtener resultados para un informe deseado. Además de elaborar informes de la manera tradicional, también puede utilizar sus propias sentencias SQL personalizadas para generar informes desde sistemas operacionales incluidos en un proyecto de MicroStrategy. Esta capacidad puede ahorrarle tiempo, puesto que no tendrá que incluir previamente los datos en un data mart o en un warehouse. La función de SQL definido por el usuario permite utilizar sus propias sentencias SQL para acceder a los datos de varios orígenes de datos ODBC, lo que incluye bases de datos relacionales, archivos de Excel y archivos de texto, siempre que se incluyan en el entorno de MicroStrategy. Puesto que deberá crear sus propias sentencias SQL para elaborar informes con SQL definido por el usuario, se requiere un conocimiento amplio de cómo crear y usar sentencias SQL. Para obtener más información sobre la creación de informes de SQL definido por el usuario, consulte el capítulo sobre consultas de SQL personalizadas de la Guía avanzada de elaboración de informes de MicroStrategy. Generador de consultas El Generador de consultas le proporciona una interfaz gráfica de usuario que le guía en la generación de consultas SQL capaces de adaptarse a distintos modelos de datos. El Generador de consultas le permite ejecutar consultas en orígenes de datos ODBC que no permiten acomodar con facilidad el modelo de esquema de atributos y hechos. Esto incluye las bases de datos que consisten en una colección de tablas sin formato, en lugar de estar definidas en tablas de hechos y lookup. El Generador de consultas es una forma rápida de obtener acceso fácil a los orígenes de datos ODBC sin tener que escribir código SQL, que es necesario con la herramienta SQL definido por el usuario. Puede crear consultas para ejecutarlas en tablas de bases de datos importadas, lo que permite comenzar a elaborar informes y análisis con MicroStrategy sin tener que llevar a cabo el paso de creación del proyecto en el que se modelan esquemas de atributos y hechos. (Este paso es necesario para el motor ROLAP de MicroStrategy para definir esquemas de atributos y hechos). También puede importar tablas al Catálogo de Warehouse de un proyecto mediante el Generador de consultas. El Generador de consultas permite disponer de un mayor control del código SQL generado para consultar los sistemas de bases de datos sin tener que poseer conocimientos profundos sobre cómo crear sentencias SQL. Es fundamental tener un conocimiento básico de cómo se utilizan las tablas, las columnas y los joins en las sentencias SQL para crear consultas.

Visualización de Estructura de proyecto HDEC

ANÁLISIS CON BIG DATA | HDC BPO Services

16

Visualización de todos los cubos pertenecientes al Proyecto HDEC

Data Set “Reporte Pendientes” donde se visualiza la cantidad de ventas pendientes por agencia

Visualización de Data Set para el Tablero de Calidad

ANÁLISIS CON BIG DATA | HDC BPO Services

17

Visualización de Tablero de Calidad en el Proyecto HDEC

ANÁLISIS CON BIG DATA | HDC BPO Services

18

CONCLUSIONES La naturaleza de la información hoy es diferente a la información en el pasado. Debido a la abundancia de sensores, micrófonos, cámaras, escáneres médicos, imágenes, etc. en nuestras vidas, los datos generados a partir de estos elementos serán dentro de poco el segmento más grande de toda la información disponible. El uso de Big Data ha ayudado a los investigadores a descubrir cosas que les podrían haber tomado años en descubrir por si mismos sin el uso de estas herramientas, debido a la velocidad del análisis, es posible que el analista de datos pueda cambiar sus ideas basándose en el resultado obtenido y retrabajar el procedimiento una y otra vez hasta encontrar el verdadero valor al que se está tratando de llegar. Como se pudo notar en el presente artículo, implementar una solución alrededor de Big Data implica de la integración de diversos componentes y proyectos que en conjunto forman el ecosistema necesario para analizar grandes cantidades de datos. Sin una plataforma de Big Data se necesitaría que desarrollar adicionalmente código que permita administrar cada uno de esos componentes como por ejemplo: manejo de eventos, conectividad, alta disponibilidad, seguridad, optimización y desempeño, depuración, monitoreo, administración de las aplicaciones, SQL y scripts personalizados. IBM cuenta con una plataforma de Big Data basada en dos productos principales: IBM InfoSphere BigInsights™ e IBM InfoSphere Streams™, además de su reciente adquisición Vivisimo, los cuales están diseñados para resolver este tipo de problemas. Estas herramientas están construidas para ser ejecutadas en sistemas distribuidos a gran escala diseñados para tratar con grandes volúmenes de información, analizando tanto datos estructurados como no estructurados. Dentro de la plataforma de IBM existen más de 100 aplicaciones de ejemplo recolectadas del trabajo que se ha realizado internamente en la empresa para casos de uso e industrias específicas. Estos aplicativos están implementados dentro de la solución de manera que las organizaciones puedan dedicar su tiempo a analizar y no a implementar.

ANÁLISIS CON BIG DATA | HDC BPO Services