Del Big Data al Deep Data

19 Sep Del Big Data al Deep Data

El Big Data avanza, y lo seguirá haciendo a un ritmo cada vez más vertiginoso. Y es que esta industria, que muchos definen como el “petróleo del siglo XXI”, actualmente tiene un crecimiento del 10% anual a nivel global.  

No obstante, cantidad no es calidad. Y, más importante que tener la capacidad de generar cantidades ingentes de información es saber qué hacer con ella, cómo gestionarla, analizarla, garantizar su visualización adecuada y aplicarla a metas de utilidad. Y es precisamente en esta necesidad de utilizar los datos obtenidos de manera que podamos volverlos valiosos donde el Deep Data es clave para el sector. 

En ActionsDATA somos expertos en el almacenamiento, gestión y análisis de datos, por ello queremos explicarte cuál es la diferencia entre el Big Data y el Deep Data.

Big Data vs. Deep Data

Ambas son tecnologías que permiten recabar y analizar datos en cantidades ingentes, y tienen las siguientes características: 

1) Variedad: Los datos estructurados, no estructurados y semiestructurados se recopilan de múltiples fuentes. Mientras que, en el pasado, los datos solo se podían recopilar de hojas de cálculo y bases de datos, actualmente las fuentes son muy diversas: correos electrónicos, archivos PDF, imágenes, vídeos, audios, publicaciones, sensores, redes sociales y mucho más. 

2) Velocidad: Se refiere esencialmente a la velocidad a la que se crean y analizan los datos en tiempo real, para lo que se necesitan herramientas específicas. Esta característica es fundamental para que el Big Data sea de utilidad. Por ejemplo, para que el Big Data sirva para prevenir los robos con tarjetas de débitos de los clientes de banco, es necesario que esté ligado a tecnologías que permitan detectar movimientos extraños en tiempo real.  

3) Volumen: Esta es la característica fundamental del Big Data, como su nombre indica. Es precisamente la que ha provocado la necesidad de que se desarrollen tecnologías que permitan analizar y visualizar los datos para hacerlos útiles.

Entonces, ¿en dónde está la diferencia? Fundamentalmente en la forma en la que se analizan los datos. Mientras que en el Big Data se enfoca en la acumulación de cantidades enormes de información, que luego se analizan en su totalidad para encontrar posible hipótesis, en el Deep Data se tiende más a plantear una hipótesis y analizar fragmentos de los sets de datos con objetivos específicos. 

Y es que el Deep Data como disciplina surgió en los años 80 precisamente con el objetivo de contribuir al análisis de datos de manera dirigida a objetivos específicos. Surgió como un recurso para afinar la forma en la que se aplicaba la puntuación FICO, la cual perseguía tendencias específicas en información financiera para determinar quién merecía o no un préstamo por parte de un banco. 

¿Por qué no predomina el Deep Data?

El Deep Data no siempre es aplicable al análisis de datos, ya que suele requerir de sets de datos bien estructurados y con características homogéneas para que las hipótesis que se plantean como punto de partida sean susceptibles de ser analizadas. El objetivo final es convertir esos datos en un valor añadido para las empresas.

Además, es conveniente recordar que una de las características que ha hecho tan exitoso el uso del Big Data es que ha permitido investigar aspectos mucho más amplios a partir de un set de datos, en vez de una o unas pocas hipótesis de partida. Y es que al analizar los datos en su totalidad se pueden descubrir hipótesis o sacar conclusiones sobre el análisis directo de los datos. 

En definitiva, tanto el Big Data como el Deep Data son disciplinas fundamentales para el análisis de datos. La pertinencia del uso de cada una, depende en buena medida de las características de los datos, las metas que se pretendan alcanzar y la tecnología de la que se disponga.  

Te recomendamos:  

Las tendencias más innovadoras en tecnología

Los datos, ese activo imprescindible

No hay comentarios

Escribe tu comentario