Академический Документы
Профессиональный Документы
Культура Документы
© Eva Patricia Fernández (coord), Francisco Asensi Viana, Alfonso Calatrava, Antonio
Gallo, Francisco Gallego, Mª Isabel González Vasco, Beatriz Pérez de Vargas, Paula
Rodríguez, Belén Santa Olalla, del texto
ISBN: 978-84-9116-415-9
Ninguna parte de esta publicación, incluyendo el diseño general y de la cubierta, puede ser copiada,
reproducida, almacenada o transmitida de ninguna forma ni por ningún medio, ya sea eléctrico, químico,
mecánico, óptico, de grabación, de fotocopia o por otros métodos, sin la autorización previa por escrito
de los titulares del copyright.
Coordinadora
Colaboradores
Índice
Prólogo ................................................................................. 13
9
© Editorial UOC Big data
10
© Editorial UOC Índice
11
© Editorial UOC Prólogo
Prólogo
13
© Editorial UOC Big data
14
© Editorial UOC Prólogo
15
© Editorial UOC Capítulo I. Entendiendo el big data
Capítulo I
Entendiendo el big data
1. La utilidad es la clave
17
© Editorial UOC Big data
18
© Editorial UOC Capítulo I. Entendiendo el big data
19
© Editorial UOC Big data
20
© Editorial UOC Capítulo I. Entendiendo el big data
21
© Editorial UOC Big data
22
© Editorial UOC Capítulo I. Entendiendo el big data
23
© Editorial UOC Big data
6 Domo (2015). «What happens on the internet in one minute» [en línea].
<http://www.likeablesocialmedia.org/what-happens-on-the-internet-in-one-minu-
te-infographic/>Allen, Robert (2016). «What happens online in 60 seconds?» [en
línea]. [Fecha de consulta: 10 de marzo de 2016]. <http://www.smartinsights.com/
internet-marketing-statistics/happens-online-60-seconds/>
7 The Cocktail-ARENA (2015). «Observatorio de redes, VII oleada» [en línea]. [Fecha
de consulta: 10 de marzo de 2016]. <http://www.slideshare.net/TCAnalysis/observa-
torio-redes-sociales-56195394?ref=http://tcanalysis.com/blog/archive/2015/12/>
24
© Editorial UOC Capítulo I. Entendiendo el big data
25
© Editorial UOC Big data
26
© Editorial UOC Capítulo I. Entendiendo el big data
27
© Editorial UOC Big data
28
© Editorial UOC Capítulo I. Entendiendo el big data
29
© Editorial UOC Big data
30
© Editorial UOC Capítulo I. Entendiendo el big data
31
© Editorial UOC Big data
32
© Editorial UOC Capítulo I. Entendiendo el big data
33
© Editorial UOC Big data
34
© Editorial UOC Capítulo I. Entendiendo el big data
35
© Editorial UOC Big data
36
© Editorial UOC Capítulo I. Entendiendo el big data
37
© Editorial UOC Big data
15 BEEVA. «El rol del analista de negocio» [en línea]. [Fecha de consulta: 10
de marzo de 2016]. <https://www.beeva.com/beeva-view/estrategia-negocio/
el-rol-del-analista-de-negocio/>
38
© Editorial UOC Capítulo I. Entendiendo el big data
39
© Editorial UOC Big data
17 Traducción de la autora.
40
© Editorial UOC Capítulo I. Entendiendo el big data
18 Neira, Elena (2015). La otra pantalla. Redes sociales, móviles y la nueva televisión.
Barcelona: Editorial UOC.
41
© Editorial UOC Big data
42
© Editorial UOC Capítulo I. Entendiendo el big data
43
© Editorial UOC Big data
44
© Editorial UOC Capítulo I. Entendiendo el big data
45
© Editorial UOC Big data
46
© Editorial UOC Capítulo I. Entendiendo el big data
47
© Editorial UOC Big data
48
© Editorial UOC Capítulo I. Entendiendo el big data
49
© Editorial UOC Big data
50
© Editorial UOC Capítulo I. Entendiendo el big data
51
© Editorial UOC Big data
52
© Editorial UOC Capítulo I. Entendiendo el big data
53
© Editorial UOC Big data
• Ordenadores portátiles
• Tabletas
• Teléfonos inteligentes
54
© Editorial UOC Capítulo I. Entendiendo el big data
55
© Editorial UOC Big data
56
© Editorial UOC Capítulo I. Entendiendo el big data
57
© Editorial UOC Big data
58
© Editorial UOC Capítulo I. Entendiendo el big data
59
© Editorial UOC Big data
60
© Editorial UOC Capítulo I. Entendiendo el big data
61
© Editorial UOC Big data
62
© Editorial UOC Capítulo I. Entendiendo el big data
63
© Editorial UOC Big data
64
© Editorial UOC Capítulo I. Entendiendo el big data
35 Macía Domene, F. (2013). Marketing Online 2.0. Cómo atraer y fidelizar clientes en
Internet. Madrid: Anaya Multimedia.
36 Han, J.; Kamber, M.; Peu, J. (2011). Data Mining. Concepts and Techniques (The
Morgan Kaufmann Series in Data Management Systems). University of Illinois
at Urbana-Champaign.
65
© Editorial UOC Big data
37 Siguiendo el estándar de buenas prácticas Cross Industry Standard Process for Data
Mining (CRISP-DM).
66
© Editorial UOC Capítulo I. Entendiendo el big data
67
© Editorial UOC Big data
68
© Editorial UOC Capítulo I. Entendiendo el big data
69
© Editorial UOC Big data
70
© Editorial UOC Capítulo I. Entendiendo el big data
71
© Editorial UOC Big data
4.4. Visualización
72
© Editorial UOC Capítulo I. Entendiendo el big data
73
© Editorial UOC Big data
74
© Editorial UOC Capítulo I. Entendiendo el big data
75
© Editorial UOC Big data
76
© Editorial UOC Capítulo I. Entendiendo el big data
44 Proyecto interactivo llevado a cabo por Google y que integra contenidos como
la música, los datos geolocalizados, la visualización de los mismos mostrados a tra-
vés de Google Chrome, composición realtime y la tecnología HTML5, entre otros.
45 El proyecto New York Talk Exchance parte de los datos generados en tiempo
real por los móviles y la red IP (protocolo de internet) y sus comunicaciones con el
resto del mundo. Es un proyecto del Senseable City Lab del MIT para el MOMA.
[Fecha de consulta: 4 de enero de 2016]. Visualización disponible en <http://
www.aaronkoblin.com/project/new-york-talk-exchange/>
77
© Editorial UOC Big data
78
© Editorial UOC Capítulo I. Entendiendo el big data
Bibliografía
79
© Editorial UOC Big data
Bibliografía en línea:
80
© Editorial UOC Capítulo I. Entendiendo el big data
<http://www.slideshare.net/TCAnalysis/observatorio-redes-sociales-
56195394?ref=http://tcanalysis.com/blog/archive/2015/12/>
81
© Editorial UOC Capítulo II. Cases studies
Capítulo II
Cases studies
83
© Editorial UOC Big data
84
© Editorial UOC Capítulo II. Cases studies
85
© Editorial UOC Big data
86
© Editorial UOC Capítulo II. Cases studies
87
© Editorial UOC Big data
88
© Editorial UOC Capítulo II. Cases studies
89
© Editorial UOC Big data
90
© Editorial UOC Capítulo II. Cases studies
91
© Editorial UOC Big data
92
© Editorial UOC Capítulo II. Cases studies
1.6. Posibilidades
93
© Editorial UOC Big data
1.7. Conclusión
94
© Editorial UOC Capítulo II. Cases studies
17 Tsichiya, Aki (2014). «How can TV ride the Big data wave?». [en línea]. The
Guardian. [Fecha de consulta: 10 de octubre de 2015]. <http://www.theguardian.
com/media-network/media-network-blog/2014/aug/29/tv-advertising-big-data>
95
© Editorial UOC Big data
96
© Editorial UOC Capítulo II. Cases studies
97
© Editorial UOC Big data
98
© Editorial UOC Capítulo II. Cases studies
99
© Editorial UOC Big data
100
© Editorial UOC Capítulo II. Cases studies
101
© Editorial UOC Big data
102
© Editorial UOC Capítulo II. Cases studies
103
© Editorial UOC Big data
104
© Editorial UOC Capítulo II. Cases studies
26 Redacción Gran Hermano. «Pulseras, del amor al odio ¿hay solo un paso?» [en
línea]. [Fecha de consulta: 10 de marzo de 2016]. <http://gh15.granhermano.
com/blog/2014/10/27/pulseras-del-amor-al-odio-hay-solo-un-paso/>
105
© Editorial UOC Big data
106
© Editorial UOC Capítulo II. Cases studies
2.4.2. Utopia
27 Akyuz, Gün (2014). «RTL4 gets The Big Picture» [en línea]. [Fecha de consul-
ta: 10 de marzo de 2016]. <http://www.c21media.net/rtl4-gets-the-big-picture/>
107
© Editorial UOC Big data
2.5. Conclusión
108
© Editorial UOC Capítulo II. Cases studies
109
© Editorial UOC Big data
110
© Editorial UOC Capítulo II. Cases studies
111
© Editorial UOC Big data
112
© Editorial UOC Capítulo II. Cases studies
113
© Editorial UOC Big data
114
© Editorial UOC Capítulo II. Cases studies
115
© Editorial UOC Big data
116
© Editorial UOC Capítulo II. Cases studies
117
© Editorial UOC Big data
118
© Editorial UOC Capítulo II. Cases studies
119
© Editorial UOC Big data
29 Roca, Álvaro (2015), «Marca.com cumple 20 años». [En línea] Información disponi-
ble en [Consulta: 10 de marzo de 2015]. http://www.MARCA.com/2015/11/30/20-
aniversario/1448878589.html
120
© Editorial UOC Capítulo II. Cases studies
121
© Editorial UOC Big data
122
© Editorial UOC Capítulo II. Cases studies
123
© Editorial UOC Big data
124
© Editorial UOC Capítulo II. Cases studies
125
© Editorial UOC Big data
126
© Editorial UOC Capítulo II. Cases studies
127
© Editorial UOC Big data
128
© Editorial UOC Capítulo II. Cases studies
32 CPM: coste por mil impresiones o CPC: Coste por clic. Es la cantidad de dine-
ro o suma de dinero que un anunciante determinado paga al motor de búsqueda
en el que tiene contratado los servicios, por un clic en el anuncio.
129
© Editorial UOC Big data
130
© Editorial UOC Capítulo II. Cases studies
• Conocimiento de la audiencia.
• Predicción de comportamiento en el consumo de conte-
nido. Personalización de contenidos.
• Nuevos formatos publicitarios.
131
© Editorial UOC Big data
132
© Editorial UOC Capítulo II. Cases studies
133
© Editorial UOC Big data
35 Bradshaw, T. (2015). «Snapchat triples video traffic as it closes the gao with
facebool» [en línea] Financial Times. [Ref. de 8 de noviembre de 2015]. [Fecha de
consulta: 10 de marzo de 2016]. <http://www.ft.com/cms/s/0%2Fa48ca1fc-
84e7-11e5-8095-ed1a37d1e096.html#axzz3qx4lNZbz>
36 Clasen, A. (2015). «Why Instagram is so important to Millennials». Informe
Coming of Age on Screens (study commissioned by Facebook. Crowd DNA. [Fecha de con-
sulta: 1 de marzo de 2016. <http://blog.iconosquare.com/instagram-important-
millennials/>
134
© Editorial UOC Capítulo II. Cases studies
37 Canal de televisión español de pago. Filial del grupo catarí beIN Sports y pro-
piedad al 50 % de Mediapro, dedicado a la retransmisión de eventos deportivos.
38 Un ejemplo: este canal de deportes facilita a sus telespectadores la participación
en el programa con encuestas que se pueden responder vía WhatsApp, de tal forma
que para quien lo está viendo le resulta muy sencillo y casi irresistible la posibilidad
de opinar. Solamente deben guardar en su agenda de contactos el teléfono del canal
y enviar su respuesta. Eventos deportivos transmitidos en canales de pago como
este se suelen ver en compañía de algún familiar abonado o desde un bar. Al ampliar
la posibilidad de participar a todos los espectadores hace que el medio llegue a un
mayor número de personas.
39 Dato aportado por Pavel Durov durante el Mobile World Congress 2016. [Fecha
de consulta: 1 de marzo de 2016]. <https://www.mobileworldcongress.com/>
135
© Editorial UOC Big data
136
© Editorial UOC Capítulo II. Cases studies
137
© Editorial UOC Big data
138
Figura 9. Principales usos y beneficios que las cadenas de televisión pueden realizar con Dogtrack
© Editorial UOC
139
Capítulo II. Cases studies
© Editorial UOC Big data
140
© Editorial UOC Capítulo II. Cases studies
141
© Editorial UOC Big data
142
© Editorial UOC Capítulo II. Cases studies
41 Boyd, D.; Ellison, N. B. (2007). «Social network sites: Definition, history and
scholarship». Journal of Computer-Mediated Communication (vol. 1, núm. 13).
42 Del inglés on line social network.
143
© Editorial UOC Big data
144
© Editorial UOC Capítulo II. Cases studies
145
© Editorial UOC Big data
43 Geni es una red social en que la lista de contactos de cada usuario es un árbol
genealógico creado cooperativamente con sus familiares, con objeto de que estos
puedan intercambiarse de manera cómoda y segura fotos, videos, etc.
146
© Editorial UOC Capítulo II. Cases studies
6.1. Amenazas
44 Para ampliar este tema se recomiendan las lecturas: Becker, J. L.; Chen, H. (2009).
Meassuring privacy risk in on line social networks. Tesis doctoral. University of California,
Davis. Acquisti, A.; Gross, R. (2006b). Privacy enhancing technologies (cap. «Imagined com-
munities: Awareness, information sharing and privacy on the Facebook»). Springer.
45 Nuevamente, se recomiendan los textos: Felt, A.; Evans, D. (2008). Privacy protection
for social networking platforms. Actas del Congreso Web 2.0 Security and Privacy 2008.
IEEE; Fong, P. W. L. (2011). Preventing sybil attacks by privilege attenuation: A design principle
for social network systems. Actas del Congreso Security and Privacy, IEEE.
147
© Editorial UOC Big data
148
© Editorial UOC Capítulo II. Cases studies
149
© Editorial UOC Big data
150
© Editorial UOC Capítulo II. Cases studies
151
© Editorial UOC Big data
6.2. Contramedidas
6.2.1. Concienciación
54 Zhou, B.; Pei, J. (2008). Preserving privacy in social networks against neighborhood
attacks. Actas de la IEEE 24th International Conference on Data Engineering.
55 Acquisti y Gross (2006b), op. cit.
152
© Editorial UOC Capítulo II. Cases studies
153
© Editorial UOC Big data
56 StatusNet, antes conocida como Laconica, es una red social para difusión de
microblogs que ofrece una funcionalidad similar a Twitter, permitiendo publicar
mensajes breves que definen el estado del usuario en cada momento.
57 Hablamos de granularidad para referirnos al número de categorías en las que
podemos clasificar a nuestros contactos y/o contenidos. Una red con alta granu-
laridad permite, por ejemplo, establecer una jerarquía en nuestra lista de contactos
de manera que controlemos con exactitud qué información llega a los usuarios en
cada nivel de la misma.
154
© Editorial UOC Capítulo II. Cases studies
6.3. Conclusiones
58 Symeonidis, I.; Beato, F.; Tsormpatzoudi, P.; Preneel, B. (2015). Collateral dam-
age of Facebook Apps: an enhanced privacy scoring model. Servidor de preprints de la IACR.
155
© Editorial UOC Big data
156
© Editorial UOC Capítulo II. Cases studies
Bibliografía
157
© Editorial UOC Big data
158
© Editorial UOC Capítulo II. Cases studies
159
© Editorial UOC Epílogo
Epílogo
161
© Editorial UOC Big data
162
© Editorial UOC Epílogo
163
© Editorial UOC Big data
164
© Editorial UOC Epílogo
165
© Editorial UOC Glosario
Glosario
167
© Editorial UOC Big data
sigla CRM
data warehouse m Almacén de datos.
ETL m y f Véase extract, transform and load.
extract, transform and load m y f Procesos de que, en español, se
conocen como extracción, transformación y carga.
sigla ETL
grafo m Representación en la que los elementos de un conjunto
(nodos) se unen por mediante enlaces (aristas).
granularidad f Número de categorías en las que podemos clasifi-
car nuestros contactos y/o contenidos. Una red con alta granu-
laridad permite, por ejemplo, establecer una jerarquía en nuestra
lista de contactos de manera que controlemos con exactitud qué
información llega a los usuarios en cada nivel de la misma.
inferencia de redes f Análisis estadístico de los datos obtenidos
de una red, incluyendo la información relativa a su estructura
y actividad.
machine learning f Rama de la inteligencia artificial que establece
técnicas por las que las máquinas puedan «aprender» a partir de
los datos que dispone.
malware m Software malicioso. Ejemplos destacados son los virus
informáticos, o los llamados «troyanos», fragmentos de código
que posibilitan el acceso remoto de adversarios en un sistema
informático.
modelo de control de acceso m Conjunto de criterios que el
administrador de un sistema utiliza para delimitar los derechos
y permisos de los usuarios del mismo.
raw data f Información o datos sin procesar ni analizar. En español
se denominan «datos en crudo».
return of investment m Retorno económico sobre la inversión.
sigla ROI
ROI m Véase return of investment.
168
© Editorial UOC Glosario
169