IMG IMG1 Introducci´on Conceptos relacionados Visualizaci´on de datos Conclusiones
Big Data
Desde los datos al conocimiento
Lilia Quituisaca-Samaniego§
lilia.quituisaca.samaniego@gmail.com info@liliaquituisacasamaniego.com
IMG
IMG1
IMG IMG1 Introducci´on Conceptos relacionados Visualizaci´on de datos Conclusiones Contexto general Es importante:
disponer de datos y conocer su relaci´on entre variables; sin embargo,
IMG
IMG1
• “Transformar y traducir los datos en respuestas” es parte de
la innovaci´on, y ´esta debe ser aplicada con responsabilidad y creatividad [4].
• Uno de los siete pasos en la visualizaci´on de datos es la
ex-tracci´on y transformaci´on, ya que permite “aplicar m´etodos de an´alisis para distinguir patrones”; es aqu´ı donde recobra a´un m´as importancia el contexto matem´atico[3].
• Algunos m´etodos nos permitir´an evaluar su complejidad
me-diante Inteligencia Artificial (IA), miner´ıa de datos o espec´ıfi-camente la aplicaci´on de t´ecnicas de aprendizaje autom´atico (machine learning).
• Luego se realiza comparaciones y obtenci´on de conclusiones pre-vias con la extensi´on de los datos estad´ısticos mediante “´ındi-ces” representativos.
IMG IMG1 Introducci´on Conceptos relacionados Visualizaci´on de datos Conclusiones Open data Retos ´eticos Perfiles
Conceptos relacionados
IMG
IMG IMG1 Introducci´on Conceptos relacionados Visualizaci´on de datos Conclusiones Open data Retos ´eticos Perfiles Objetivo:
Devolver a la sociedad sus datos p´ublicos y fomentar la transparencia y la reutilizaci´on.
Caracter´ısticas:
• Formatos digitales, estandarizados y abiertos.
• Estructura clara que permita la comprensi´on.
• F´acil acceso y permanencia en repositorios.
Principales beneficios:
• Empoderar al ciudadano de la informaci´on para que pueda ser
interpretada o reinterpretada.
IMG
IMG1
Inquietudes
• Si los datos son generados en un espacio p´ublico ¿por qu´e estos datos deben mantenerse en privado?
• ¿A qui´en/es le pertenece los datos generados: a las administra-ciones, al ciudadano, al mundo?
• ¿Qu´e pasa con la evoluci´on de la privacidad?
• ¿D´onde est´an los l´ımites de la informaci´on sobre nosotros, que nosotros no generamos?
IMG IMG1 Introducci´on Conceptos relacionados Visualizaci´on de datos Conclusiones Open data Retos ´eticos Perfiles
En base a la tendencia actual tenemos algunos perfiles [2]:
• Chief Data Officer (Oficial Jefe de Datos), lidera la gesti´on
de datos y anal´ıtica asociada por el negocio (responsable de los diferentes equipos especialidades en datos).
• Data Scientists (Cient´ıfico de Datos), extraen conocimiento
e informaci´on valiosa de los datos.
• Citizen Data Scientist (Ciudadano Cient´ıfico de Datos),
no est´a formado espec´ıficamente para ser Data Scientist, pero
puede extraer valor, a trav´es de su experiencia, explorando los datos, desde las unidades de negocio.
IMG
IMG1
• Data Engineer (Ingeniero de datos), proporciona datos de
una manera accesible y apropiada a los usuarios y Data Scien-tists.
• Data Steward (Administrador de datos), mantiene la
cali-dad, disponibilidad y seguridad de los datos.
• Business Data Analyst (Analista de datos comerciales),
recoge las necesidades de los usuarios de negocio para los Data Scientist y presenta resultados obtenidos.
• Data Artist (Profesional Creativo), expertos en Business
Analytics, crean gr´aficos, infograf´ıas y otras herramientas vi-suales.
IMG IMG1 Introducci´on Conceptos relacionados Visualizaci´on de datos Conclusiones Extraer y transformar Representar Perfecccionar
Visualizaci´
on de datos [1]
IMG
IMG1
Debemos saber que:
• La informaci´on reside en las relaciones, no en los datos.
• Visualizar es representar gr´aficamente esas relaciones
aprove-chando nuestra enorme capacidad de anal´ıtica visual.
La visualizaci´on de datos no es hacer visible la informaci´on ante
IMG IMG1 Introducci´on Conceptos relacionados Visualizaci´on de datos Conclusiones Extraer y transformar Representar Perfecccionar
IMG
IMG1
IMG IMG1 Introducci´on Conceptos relacionados Visualizaci´on de datos Conclusiones Extraer y transformar Representar Perfecccionar Agregaci´on de registros
IMG
IMG1
IMG IMG1 Introducci´on Conceptos relacionados Visualizaci´on de datos Conclusiones Extraer y transformar Representar Perfecccionar Cuarteto de Anscombe [5]
IMG
IMG IMG1 Introducci´on Conceptos relacionados Visualizaci´on de datos Conclusiones Extraer y transformar Representar Perfecccionar
IMG
IMG IMG1 Introducci´on Conceptos relacionados Visualizaci´on de datos Conclusiones Extraer y transformar Representar Perfecccionar
IMG
IMG1
IMG IMG1 Introducci´on Conceptos relacionados Visualizaci´on de datos Conclusiones
• La clave del ´exito del Big Data no son los datos en s´ı, sino los modelos de interpretaci´on (extracci´on del conocimiento).
• “Todas las opciones por defecto de Excel son err´oneas: los ejes, el hecho de que todo se represente mediante efectos 3D, los colores por defecto, las etiquetas, los estilos gr´aficos por defec-to. . . ” (Noah Iliinsky)
• “Los modelos mentales a menudo est´an construidos sobre
evi-dencias incompletas, sobre un escaso conocimiento acerca de
lo que est´a ocurriendo, y con un tipo de psicolog´ıa ingenua
que postula causas, mecanismos y relaciones, incluso cuando no existen.” (Don Norman)
IMG
IMG1
IMG IMG1 Introducci´on Conceptos relacionados Visualizaci´on de datos Conclusiones
A. Cairo, El arte funcional, Fareso S.A., 2011.
L. Quituisaca-Samaniego, Big data: visi´on general, Num´erica Resumiendo, (2017).
, Visualizaci´on de datos: siete pasos, Num´erica Resumiendo, (2017).
The Software Alliance, Por qu´e son tan importantes los datos?, 2015.
E. Tufte, The Visual Display of Quantitative Information, Cheshire, CT: Graphics Press, 2001.
IMG
IMG1
