Jornada:
“Mitos y Realidades del Big Data”
-Introducción al Big Data-
Urko Zurutuza
Dpto. Electrónica e Informática Mondragon Goi Eskola Politeknikoa JMA
Agenda
• Introducción al Big Data (Urko Zurutuza)
• Caso Práctico 1: (Adolfo Cortés)
– Big Data para eficiencia energética en PYMEs
• Caso Práctico 2 (Mario Íñiguez/Pedro )
– Big Data para prever modelos de fuga de clientes
– Big Data para eficiencia en hornos y procesos industriales en
Índice
1. Introducción
2. Instalo y uso una BBDD NoSQL. ¿Hago Big Data?
3. Tengo una plataforma basada en Hadoop instalada en mi
equipo, ¿Tengo Big Data?
4. Conozco y aplico técnicas de Machine Learning y Data Mining
en la empresa. ¿Soy Big Data?
Data
Big Data
“Big Data” hace referencia al conjunto de información que es demasiado compleja como para ser procesada mediante
TI tradicionales de manera aceptable
–Min Chen, Shiwen Mao, and Yunhao Liu. Big Data: A Survey. Mobile Networks and Applications, 19(2):171–209, 2014.
Big Data
“Big Data hace referencia al conjunto de información que
es demasiado compleja como para ser procesada mediante
TI tradicionales de manera aceptable
–Min Chen, Shiwen Mao, and Yunhao Liu. Big Data: A Survey. Mobile Networks and Applications, 19(2):171–209, 2014.
Big Data
V
elocity
ariety
olume
Instalo y uso una BBDD NoSQL. ¿Hago Big Data?
NoSQL (Not Only SQL)
• Base de Datos de nueva generación que en su mayoría
aborda algunas de las siguientes características:
– no relacional,
– distribuida,
– open-source, y
– horizontalmente escalable
NoSQL (Not Only SQL) - Tipos
Tipo Descripción Ejemplo
Clave-Valor Cada elemento tiene una clave y su valor asociado. emcached
Familias de Columnas
Para consultas sobre grandes conjuntos de datos. Enfoque en columnas no en filas
Documentos Empareja una clave con una estructura de datos o documento. Grafos Guarda nodos y sus relaciones. RRSS, estructuras de redes,…
Instalo y uso una BBDD NoSQL. ¿Hago Big Data?
Tengo una plataforma basada en Hadoop instalada en mi equipo, ¿Tengo Big Data?
Hadoop
• Sistema que permite una computación – Fiable,
– Escalable, y
– Distribuida
• Un Framework que permite el procesamiento distribuido
de grandes conjuntos de datos sobre clusters de ordenadores.
Ecosistema Hadoop (simplificado)
Apache Pig: Scripting
Almacenamiento redundante y fiable
YARN Gestiona recursos del Cluster
Procesamiento Distribuido de datos Zookeeper: Coordina la distribución Data Warehouse Machine Learning Colector de datos Conector BBDDR-HDFS
Map-Reduce , 4 , 2 , 4 , 3 , 4 , 2 , 4 , 3
Split Map Shuf&fle
Sort Reduce
Master
assigns
Tengo una plataforma basada en Hadoop instalada en mi equipo, ¿Tengo Big Data?
Conozco y aplico técnicas de Machine Learning y Data Mining en la empresa. ¿Soy Big Data?
Conozco y aplico técnicas de Machine Learning y Data Mining en la empresa. ¿Soy Big Data?
• El fin del Big Data es extraer valor de tantos datos
• Análisis de Datos (Big Data Analytics)
– Recomendación basada en el comportamiento de usuarios
– Agrupación de documentos de texto parecidos (por ejemplo)
Conozco y aplico técnicas de Machine Learning y Data Mining en la empresa. ¿Soy Big Data?
• In-Memory Analytics vs. In-Hadoop Analytics • El fondo es el mismo, pero ahora:
– Distribuido
– Escalable
• Herramientas
– R
– Spark (Mllib)
Conozco y aplico técnicas de Machine Learning y Data Mining en la empresa. ¿Soy Big Data?
Entonces, cómo hago, tengo y soy Big Data? 1. Objetivos: ¿Qué valor añadido quiero obtener?
2. Selecciona la infraestructura: en la empresa, o en la
nube (IaaS, PaaS, SaaS) 3. Fórmate/contrata expertos
4. Une las piezas (requisitos técnicos)
5. Realiza implementaciones ágiles e iterativas
Objetivos: ¿Qué valor añadido quiero obtener?
• Alinea la necesidad de Big Data con los objetivos de
negocio
• Implementar Big Data es decisión de negocio, no de TI
Selecciona la infraestructura • En casa?
– Hardware (mínimo): 2*6core CPU, 24-64GB RAM, 1-2TB HDD
– Distribuciones Hadoop: Cloudera, MapR, Hortonworks
• En la nube?
– IaaS (Amazon Elastic Compute Cloud, Azure,…)
– PaaS (Amazon Elastic MapReduce, Azure HDInsight,…)
Fórmate • Administración del cluster
• NoSQL
• Desarrollo (Java, Python, R, …)
• Machine Learning / Data Mining
Une las piezas • ¿Qué preguntas debo responder?
• ¿Cómo recojo los datos?
• ¿Cómo los almaceno?
• ¿Cómo los analizo?
Empieza con objetivos simples e integra los resultados
• Según se van obteniendo pequeños resultados,
aparecen nuevas preguntas a responder.
• Integrar resultados con el Sistema de Producción/
Conclusiones • Objetivos, estrategia, ROI
• Datos: ¿Estamos preparados?
• Infraestructura Local o en la Nube?
• Big Data está relacionado con:
Análisis de Datos = Data Science
