Big Data

GESTION LOGISTICA 1
PLATAFORMAS VIRTUALES
BIG DATA
ANYI GIRALDO PEÑA

LAURA LOPEZ ORTIZ
SOLANYI RAMIREZ
FANORY ACOSTA
GESTION LOGISTICA
ING.DIEGO GARCIA
UNIVERSIDAD ANTONIO NARIÑO

22 DE FEBRERO DE 2019
GESTION LOGISTICA 2
INTRODUCION
Las plataformas virtuales son importantes en esta era donde todo es por medio de la
tecnología, como toda plataforma de logística debe tener una herramienta y este caso
de las virtuales encontramos la ERP que significa sistemas de planificación de
recursos empresariales (en inglés ERP, Enterprise Resource Planning), la cual
permite que haya una mejor coordinación y comunicación entre las áreas de la
compañía, y por ende esta puede ser más eficiente con los productos que deben llegar
a sus clientes en las fechas indicadas.
El sistema ERP es importante y eficiente en las plataformas virtuales, y por

consiguiente en la era tecnológica que estamos viviendo o que es la que se va a seguir
posicionando en el mercado cada vez más.
GESTION LOGISTICA 3
CONTENIDO
INTRODUCION ....................................................................................................... 2
BIG DATA................................................................................................................ 4
Definición de Big Data ................................................................................... 5
Las tres “V” de big data .................................................................................. 5
Ventajas del Big Bata y de la analítica de datos ................................................. 8
Casos de uso de Big Data................................................................................ 8
¿QUÉ SON LOS ERPS? ....................................................................................... 11
INTERNET DE LAS COSAS (IOT) ........................................................................ 14
La Interconectividad .............................................................................................. 18
MINERÍA DE DATOS ............................................................................................ 24
Historia de minería de datos ....................................................................... 24
Definición de minería de datos ...................................................................... 25
Etapas de la minería de datos ........................................................................ 26
Importancia de la minería de datos ................................................................. 30
Ventajas de la minería de datos ..................................................................... 31
Como funciona la minería de datos ................................................................ 31
BENEFICIOS DEL EDI .......................................................................................... 33
PLATAFORMA B2B .............................................................................................. 34
MODELOS DE NEGOCIO B2B ............................................................................. 35
PLATAFORMA B2C .............................................................................................. 37
LOGRHYTHM 4.0 ................................................................................................. 39
CONCLUSIONES.................................................................................................. 43
REFERENCIAS ..................................................................................................... 44
GESTION LOGISTICA 4
BIG DATA
Historia de la Big Data
Si bien el concepto "big data" en sí mismo es relativamente nuevo, los orígenes de los
grandes conjuntos de datos se remontan a las décadas de 1960 y 1970, donde se sitúan
los albores de este universo con los primeros centros de datos y el desarrollo de las
bases de datos relacionales.
Alrededor de 2005, la gente empezó a darse cuenta de la cantidad de datos que

generaban los usuarios a través de Facebook, YouTube y otros servicios online. Ese
mismo año, se desarrollaría Hadoop, un marco de código abierto creado
específicamente para almacenar y analizar grandes conjuntos de datos. En esta época,
también empezaría a adquirir popularidad NoSQL.
El desarrollo de marcos de código abierto tales como Hadoop (y, más recientemente,
Spark) sería esencial para el crecimiento del big data, pues estos hacían que el big data
resultase más fácil de usar y más barato de almacenar. En los años siguientes, el
volumen de big data se ha disparado. Los usuarios continúan generando enormes
cantidades de datos, pero ahora los humanos no son los únicos que lo hacen.
Con la llegada del Internet de las cosas (IoT), hay un mayor número de objetos y
dispositivos conectados a Internet que generan datos sobre patrones de uso de los
clientes y rendimiento de los productos. El surgimiento del aprendizaje automático ha
producido aún más datos.
Aunque el big data ha llegado lejos, su utilidad no ha hecho más que empezar. El Cloud
Computing ha ampliado aún más las posibilidades del big data. La nube ofrece una
escalabilidad realmente elástica, donde los desarrolladores pueden simplemente
agilizar clústeres ad hoc para probar un subconjunto de datos.
GESTION LOGISTICA 5
Definición de Big Data
Para entender qué significa realmente "big data", resulta útil conocer ciertos
antecedentes históricos. A continuación, ofrecemos la definición de Gartner, de
aproximadamente 2001 (y que continúa siendo la definición de referencia): Big data
son datos que contienen una mayor variedad y que se presentan en volúmenes
crecientes y a una velocidad superior. Esto se conoce como "las tres V".
Dicho de otro modo, el big data está formado por conjuntos de datos de mayor tamaño
y más complejos, especialmente procedentes de nuevas fuentes de datos. Estos
conjuntos de datos son tan voluminosos que el software de procesamiento de datos
convencional sencillamente no puede gestionarlos. Sin embargo, estos volúmenes
masivos de datos pueden utilizarse para abordar problemas empresariales que antes no
hubiera sido posible solucionar.
Las tres “V” de big data
 Volumen: La cantidad de datos importa. Con big data, deberá procesar grandes
volúmenes de datos no estructurados de baja densidad. Puede tratarse de datos
de valor desconocido, como feeds de datos de Twitter, flujos de clics de una
página web o aplicación para móviles, o equipo con sensores. Para algunas
organizaciones, esto puede suponer decenas de terabytes de datos. Para otras,
incluso cientos de petabytes.
 Velocidad: La velocidad es el ritmo al que se reciben los datos y (posiblemente)

al que se aplica alguna acción. La mayor velocidad de los datos normalmente
se transmite directamente a la memoria, en vez de escribirse en un disco.
Algunos productos inteligentes habilitados para Internet funcionan en tiempo
real o prácticamente en tiempo real y requieren una evaluación y actuación en
tiempo real.
GESTION LOGISTICA 6
 Variedad: La variedad hace referencia a los diversos tipos de datos

disponibles. Los tipos de datos convencionales eran estructurados y podían
organizarse claramente en una base de datos relacional. Con el auge del big
data, los datos se presentan en nuevos tipos de datos no estructurados. Los tipos
de datos no estructurados y semiestructurados, como el texto, audio o vídeo,
requieren de un preprocesamiento adicional para poder obtener significado y
habilitar los metadatos.
En los últimos años, han surgido otras "dos V": valor y veracidad. Los datos poseen
un valor intrínseco. Sin embargo, no tienen ninguna utilidad hasta que dicho valor se
descubre. Resulta igualmente importante: ¿cuál es la veracidad de sus datos y cuánto
puede confiar en ellos?
Hoy en día, el big data se ha convertido en un activo crucial. Piense en algunas de las
mayores empresas tecnológicas del mundo. Gran parte del valor que ofrecen procede
de sus datos, que analizan constantemente para generar una mayor eficiencia y
desarrollar nuevos productos.
Avances tecnológicos recientes han reducido exponencialmente el coste del

almacenamiento y la computación de datos, haciendo que almacenar datos resulte más
fácil y barato que nunca. Actualmente, con un mayor volumen de big data más barato
y accesible, puede tomar decisiones empresariales más acertadas y precisas.
Identificar el valor del big data no pasa solo por analizarlo (que es ya una ventaja en sí
misma). Se trata de todo un proceso de descubrimiento que requiere que los analistas,
usuarios empresariales y ejecutivos se planteen las preguntas correctas, identifiquen
patrones, tomen decisiones informadas y predigan comportamientos (ORACLE, s.f.).
GESTION LOGISTICA 7
Importancia de la Big Data
Lo que hace que Big Data sea tan útil para muchas empresas es el hecho de que
proporciona respuestas a muchas preguntas que las empresas ni siquiera sabían que
tenían. En otras palabras, proporciona un punto de referencia. Con una cantidad tan
grande de información, los datos pueden ser moldeados o probados de cualquier
manera que la empresa considere adecuada. Al hacerlo, las organizaciones son capaces
de identificar los problemas de una forma más comprensible.
La recopilación de grandes cantidades de datos y la búsqueda de tendencias dentro de

los datos permiten que las empresas se muevan mucho más rápidamente, sin problemas
y de manera eficiente. También les permite eliminar las áreas problemáticas antes de
que los problemas acaben con sus beneficios o su reputación.
El análisis de Big Data ayuda a las organizaciones a aprovechar sus datos y utilizarlos
para identificar nuevas oportunidades. Eso, a su vez, conduce a movimientos de
negocios más inteligentes, operaciones más eficientes, mayores ganancias y clientes
más felices. Las empresas con más éxito con Big Data consiguen valor de las siguientes
formas:
 Reducción de coste. Las grandes tecnologías de datos, como Hadoop y el

análisis basado en la nube, aportan importantes ventajas en términos de costes
cuando se trata de almacenar grandes cantidades de datos, además de identificar
maneras más eficientes de hacer negocios.
 Más rápido, mejor toma de decisiones. Con la velocidad de Hadoop y la
analítica en memoria, combinada con la capacidad de analizar nuevas fuentes
de datos, las empresas pueden analizar la información inmediatamente y tomar
decisiones basadas en lo que han aprendido.
 Nuevos productos y servicios. Con la capacidad de medir las necesidades de
los clientes y la satisfacción a través de análisis viene el poder de dar a los
GESTION LOGISTICA 8
clientes lo que quieren. Con la analítica de Big Data, más empresas están
creando nuevos productos para satisfacer las necesidades de los clientes
(PowerData, s.f.).
Ventajas del Big Bata y de la analítica de datos
 El big data le permite obtener respuestas más completas, ya que dispone de

mayor cantidad de información.
 La disponibilidad de respuestas más completas significa una mayor fiabilidad
de los datos, lo que implica un enfoque completamente distinto a la hora de
abordar problemas.
Casos de uso de Big Data
El big data puede ayudar a abordar una serie de actividades empresariales, desde la
experiencia de cliente hasta la analítica. A continuación, se recopila algunas de ellas:
 Desarrollo de productos: Empresas como Netflix y Procter & Gamble usan
big data para prever la demanda de los clientes. Construyen modelos
predictivos para nuevos productos y servicios clasificando atributos clave de
productos anteriores y actuales, y modelando la relación entre dichos atributos
y el éxito comercial de las ofertas. Además, P&G utiliza los datos y la
analítica de grupos de interés, redes sociales, mercados de prueba y avances
de salida en tiendas para planificar, producir y lanzar nuevos productos.
 Mantenimiento predictivo: Los factores capaces de predecir fallos

mecánicos pueden estar profundamente ocultos entre datos estructurados (año
del equipo, marca o modelo de una máquina) o entre datos no estructurados
que cubren millones de entradas de registros, datos de sensores, mensajes de
error y temperaturas de motor. Al analizar estos indicadores de problemas
potenciales antes de que estos se produzcan, las organizaciones pueden
GESTION LOGISTICA 9
implantar el mantenimiento de una forma más rentable y optimizar el tiempo

de servicio de componentes y equipos.
 Experiencia del cliente: La carrera para conseguir clientes ha comenzado.

Disponer de una vista clara de la experiencia del cliente es más posible que
nunca. El big data le permite recopilar datos de redes sociales, visitas a
páginas web, registros de llamadas y otras fuentes de datos para mejorar la
experiencia de interacción, así como maximizar el valor ofrecido. Empiece a
formular ofertas personalizadas, reducir las tasas de abandono de los clientes
y gestionar las incidencias de manera proactiva.
 Fraude y conformidad: En lo que a seguridad se refiere, no se enfrenta a

simples piratas informáticos deshonestos, sino a equipos completos de
expertos. Los contextos de seguridad y requisitos de conformidad están en
constante evolución. El big data le ayuda a identificar patrones en los datos
que pueden ser indicativos de fraude, al tiempo que concentra grandes
volúmenes de información para agilizar la generación de informes
normativos.
 Aprendizaje automático: El aprendizaje automático es actualmente un tema

de gran actualidad. Los datos —concretamente big data— son uno de los
motivos de que así sea. Ahora, en lugar de programarse, las máquinas pueden
aprender. Esto es posible gracias a la disponibilidad de big data para crear
modelos de aprendizaje automático.
 Eficiencia operativa: Puede que la eficiencia operativa no sea el aspecto más

destacado en los titulares, pero es el área en que big data tiene un mayor
impacto. El big data le permite analizar y evaluar la producción, la opinión de
los clientes, las devoluciones y otros factores para reducir las situaciones de
falta de stock y anticipar la demanda futura. El big data también puede
GESTION LOGISTICA 10
utilizarse para mejorar la toma de decisiones en función de la demanda de

mercado en cada momento.
 Impulso de la innovación: El big data puede ayudarle a innovar mediante el

estudio de las interdependencias entre seres humanos, instituciones, entidades
y procesos, y, posteriormente, mediante la determinación de nuevas formas de
usar dicha información. Utilice las perspectivas que le ofrecen los datos para
mejorar sus decisiones financieras y consideraciones de planificación. Estudie
las tendencias y lo que desean los clientes para ofrecer nuevos productos y
servicios. Implante políticas de precios dinámicas. Las posibilidades son
infinitas.
Desafíos de la Big Data
Si bien es cierto que el big data promete mucho, también se enfrenta a desafíos. En
primer lugar, el big data se caracteriza por su gran tamaño. Aunque se han
desarrollado nuevas tecnologías para el almacenamiento de datos, el volumen de
datos duplica su tamaño cada dos años aproximadamente. Las organizaciones
continúan esforzándose por mantener el ritmo de crecimiento de sus datos y por
encontrar formas de almacenarlos eficazmente.
Pero no basta con almacenar los datos. Para ser de algún valor, los datos deben poder
utilizarse, y esto depende de su conservación. Disponer de datos limpios —es decir,
datos relevantes para el cliente y organizados de tal modo que permitan un análisis
significativo— requiere una gran cantidad de trabajo. Los científicos de datos dedican
entre un 50 y un 80 por ciento de su tiempo a seleccionar y preparar los datos antes de
que estos puedan utilizarse.
Por último, la tecnología de big data cambia a un ritmo rápido. Hace unos años,
Apache Hadoop era la tecnología más conocida utilizada para gestionar big data. Más
tarde, en 2014, entraría en juego Apache Spark. Hoy en día, el enfoque óptimo parece
ser una combinación de ambos marcos. Mantenerse al día en cuanto a tecnología de

big data supone un desafío constante (ORACLE, s.f.).
¿QUÉ SON LOS ERPS?
Los sistemas de planificación de recursos empresariales (en inglés ERP, Enterprise Resource
Planning) son sistemas de gestión de información que automatizan muchas de las prácticas de
negocio asociadas con los aspectos operativos o productivos de una empresa, básicamente es
una arquitectura de software para empresas que facilita e integra la información entre las
funciones de manufactura, logística, finanzas y recursos humanos de una empresa.
En la mayoría de los negocios online, esto hace referencia a todo el tema de la facturación,
gestión de pedidos y envíos, así como datos de los clientes, del personal, distribuidores y otros.
Actualmente, un ERP se ha convertido en un aspecto fundamental en la elaboración y gestión
de una estrategia empresarial.
Los objetivos principales de los sistemas ERP
 Optimización de los procesos empresariales.
 Acceso a la información.
 Posibilidad de compartir información entre todos los componentes de la
organización.
 Eliminación de datos y operaciones innecesarias de reingeniería.
Las características destacables de los sistemas ERP

 Base de datos centralizada.
 Los componentes del ERP interactúan entre sí consolidando las operaciones.
 En un sistema ERP los datos se capturan y deben ser consistentes, completos y
comunes.
 Las empresas que lo implanten suelen tener que modificar alguno de sus
procesos para alinearlos con los del sistema ERP.
Algunos de los ERPs más conocidos
Ventajas
 Integración entre la cadena de suministro, producción y ventas.
 Utiliza bases de datos compartidas.
 Evita cuellos de botella al mejorar e incluso rediseñar los procesos de la
empresa.
 Facilita la comunicación entre las distintas unidades de nuestro negocio tanto a
nivel local como internacional.
 Facilita la realización de reportes sobre el estado del negocio.
 Mayor seguridad y consistencia en los datos que se utilizan.
Desventajas
 Son sistemas muy caros y el adaptarlos a nuestra empresa supone un coste
adicional también muy importante.
 El implantarlos puede suponer que debamos realizar cambios muy importantes
en nuestros procesos.
 Debido a su complejidad muchas empresas no consiguen adaptarse al sistema
elegido.
 El implementar un sistema ERP es un proceso que puede llevar mucho tiempo.
 El asignar personal al sistema ERP elegido supone un grave problema ya que
la experiencia en estos sistemas es muy limitada.
¿Cómo elegir un sistema ERP?
Para elegir un sistema ERP es necesario tener en cuenta lo siguiente:
 Suele estar basado en tecnología cliente/servidor, lo que nos permite elegir los
equipos informáticos y los sistemas operativos que mejor nos convengan.
 Aunque algunos sistemas ERP incorporan una base de datos, si no lo trae es
recomendable utilizar una de código abierto.
 Es conveniente que todas las aplicaciones tengan la misma interfaz de usuario.
 Debe ofrecer una gran adaptabilidad, esto es que permita fácilmente ser
modificado para adaptarlo a nuestras necesidades.
 Su capacidad de comunicación entre departamentos debe ser muy alta.
Por todo esto, a la hora de comprar un sistema ERP debemos tener en cuenta:
 Cuáles son nuestras necesidades.
 El volumen de trabajo que nos vamos a ahorrar.
 Como se trabaja en los distintos departamentos de nuestra empresa y cuántos
son.
Y sobre todo cuál es nuestro presupuesto.
BIG Data en un ERP

El Big data da respuesta a datos almacenados sobre los números y palabras en línea, esto
significa que si el big data como tal es simplemente almacenaje masivo de información que en
cierto punto consideramos importantes, si se usa un BIG Data en un ERP se está creando un
sistema ERP con la finalidad de lograr almacenamiento de la información en este mismo.
Si tú, que estás leyendo esto, tienes alguna noción sobre el sistema ERP y en que consiste y
cómo funcionan los negocios con esto, deducirás fácilmente por que suele compararse con el
BIG data actualmente, o como minino por que se hacen referencias positivas en muchos casos.
Los sistemas ERP son una excelente y bastante moderna alternativa sobre el manejo de
información y todo lo relacionado a grandes planificaciones para empresas.
¿Es buena idea juntarlos?

Tomando en cuenta cómo y cuánto se están beneficiando las empresas al implementar el sistema
ERP, y que el almacenamiento masivo de datos es una de las más recientes estrategias,
definitivamente es una buena idea juntarlos y obtener un BIG Data ERP, ya que la gestión de
información que se hace desde ahí es bastante útil, los empleados tendrán una parte –gran parte-
de su labor más sencilla, lo que podría resultar más beneficioso para la empresa, puesto que
podrá realizar otras actividades.
Si una empresa –tu empresa- almacena diariamente mucha información, y, además, tiene
diferentes tareas para realizar para lograr impulsarla, es ideal que empiece a llevar un registro
completo de lo que sucede y que paralelamente pueda contar con un recurso que le facilite todo,
y ese es el puesto del BIG data ERP.
De un tiempo para acá, la formación BIG Data y la Analitica de grandes datos se ha vuelto el
ultimo termino de moda, cabe destacar que aproximadamente, 60% de los artículos recientes
sobre opiniones tecnológicas tienen algo que decir y opinar sobre el Big Data, y sobre lo
excelente e imprescindible que es a nivel estratégico para cualquier tipo de empresa dirigida a
cualquier sector, catalogando como “antiguas y arcaicas” a las empresas que no aprovechen este
sistema tan competente.
Big Data en un ERP es definitivamente el sistema para computadoras que toda empresa grande
necesita, ya que asegura un mejor almacenamiento de la información que se usa y se almacena,
además de que da más tiempo a los empleados para realizar más tareas, lo que termina siendo
beneficioso para la empresa.
Muchos dueños de empresas pueden creer que es innecesario pagar un sueldo si un programa
de computadora puede realizar el trabajo, y muchos empleados pueden pensar que perderán su
trabajo si este tipo de tecnología se implementa, sin embargo, ambas partes están equivocadas
ya que el empleado presente sigue siendo completamente necesario.
INTERNET DE LAS COSAS (IOT)
La internet de las cosas (IoT, por sus siglas en inglés) es un sistema de dispositivos de
computación interrelacionados, máquinas mecánicas y digitales, objetos, animales o personas
que tienen identificadores únicos y la capacidad de transferir datos a través de una red, sin
requerir de interacciones humano a humano o humano a computadora.
Una cosa, en la internet de las cosas, puede ser una persona con un implante de monitor de
corazón, un animal de granja con un transpondedor de biochip, un automóvil que tiene sensores
incorporados para alertar al conductor cuando la presión de los neumáticos es baja, o cualquier
otro objeto natural o artificial al que se puede asignar una dirección IP y darle la capacidad de
transferir datos a través de una red.
IoT ha evolucionado desde la convergencia de tecnologías inalámbricas, sistemas micro-

electromecánicos (MEMS), microservicios e internet. La convergencia ha ayudado a derribar
las paredes de silos entre la tecnología operativa (OT) y la tecnología de la información (TI),
permitiendo que los datos no estructurados generados por máquinas sean analizados para
obtener información que impulse mejoras.
Kevin Ashton, cofundador y director ejecutivo del Auto-ID Center de MIT, mencionó por
primera vez la internet de las cosas en una presentación que hizo a Procter & Gamble en 1999.
He aquí cómo Ashton explica el potencial de la internet de las cosas:
"Las computadoras de hoy –y, por lo tanto, la internet– dependen casi totalmente de los seres
humanos para obtener información. Casi todos los aproximadamente 50 petabytes (un petabyte
son 1.024 terabytes) de datos disponibles en internet fueron capturados y creados por seres
humanos escribiendo, presionando un botón de grabación, tomando una imagen digital o
escaneando un código de barras.
El problema es que la gente tiene tiempo, atención y precisión limitados, lo que significa que no
son muy buenos para capturar datos sobre cosas en el mundo real. Si tuviéramos computadoras
que supieran todo lo que hay que saber acerca de las cosas –utilizando datos que recopilaron sin
ninguna ayuda de nosotros– podríamos rastrear y contar todo, y reducir en gran medida los
desechos, las pérdidas y el costo. Sabríamos cuándo necesitamos reemplazar, reparar o recordar
cosas, y si eran frescas o ya pasadas”.
El enorme aumento de IPv6 en el espacio de direcciones es un factor importante en el desarrollo

de la internet de las cosas. Según Steve Leibson, quien se identifica como "docente ocasional en
el Museo de Historia de la Computación", la expansión del espacio de direcciones significa que
podríamos "asignar una dirección IPV6 a cada átomo en la superficie de la Tierra, y aún tener
suficientes direcciones para hacer otras más de cien Tierras". En otras palabras, los seres
humanos fácilmente podría asignar una dirección IP a cada"cosa" en el planeta. Se espera que
un aumento en el número de nodos inteligentes, así como la cantidad de datos ascendentes
generados por los nodos, genere nuevas preocupaciones sobre la privacidad de los datos, la
soberanía de los datos y la seguridad.
Las aplicaciones prácticas de la tecnología IoT se pueden encontrar en muchas industrias

actualmente, incluyendo la agricultura de precisión, gestión de edificios, salud, energía y
transporte. Hay numerosas opciones de conectividad para los ingenieros electrónicos y los
desarrolladores de aplicaciones que trabajan en productos y sistemas para internet de las cosas.
Aunque el concepto no fue nombrado hasta 1999, la internet de las cosas ha estado en desarrollo
durante décadas. El primer aparato de internet, por ejemplo, fue una máquina de Coca Cola en
la Universidad Carnegie Melon, a principios de 1980. Los programadores podían conectarse a
la máquina a través de internet, verificar el estado de la máquina y determinar si había o no una
bebida fría esperándoles, si decidieran hacer el viaje a la máquina.
¿Como funciona el internet de las cosas?
Como ya hemos dicho, el truco en todo esto está en los sistemas embebidos. Se trata de de
chips y circuitos que comparados con, por ejemplo, un smartphone, podrían parecernos muy
rudimentarios, pero que cuentan con todas las herramientas necesarias para cumplir labores
especializadas muy específicas.
No hay un tipo específico de objetos conectados a Internet de las cosas. En lugar de eso se
les puede clasificar como objetos que funcionan como sensores y objetos que realizan acciones
activas. Claro, los hay que cumplen ambas funciones de manera simultánea.
En cualquier caso, el principio es el mismo y la clave es la operación remota. Cada uno de los
objetos conectados a Internet tiene una IP específica y mediante esa IP puede ser accedido
pare recibir instrucciones. Así mismo, puede contactar con un servidor externo y enviar los
datos que recoja.
¿Cuándo estará entre nosotros?
Una de las preguntas más comunes con el Internet de las cosas es cuándo estará finalmente
dentro de nuestras vidas. La respuesta es que ya lo está desde hace algunos meses.
A diferencia de algunas tecnologías mucho más populares entre las masas, el Internet de las
cosas no ha encontrado su foco de explosión en el mercado del consumo. Quizás la tecnología
está aún demasiado verde, o quizás los grandes del sector no han visto la oportunidad correcta
para abalanzarse encima. Aun así hemos visto como Apple y Google han dado algunos pasos
discretos con tecnologías como Home Kit y Android @Home.
Como sea, es el sector privado donde el Internet de las Cosas se está haciendo cada vez más
popular.
 La industria de producción en masa: la maquinaria que se encarga de controlar

los procesos de fabricación, robots ensambladores, sensores de temperatura, control
de producción, todo está conectado al Internet en cada vez más empresas lo que
permite centralizar el control de la infraestructura.
 Control de infraestructura urbana: control de semáforos, puentes, vías de tren,
cámaras urbanas. Cada vez más ciudades implementan este tipo de infraestructuras
basadas en el Internet de las Cosas que permiten monitorear el correcto
funcionamiento de sus estructuras además de adaptar más flexiblemente su
funcionamiento ante nuevos eventos.
 Control ambiental: una de las áreas en las que está teniendo más éxito el Internet
de las cosas, pues permite acceder desde prácticamente cualquier parte a
información de sensores atmosféricos, meteorológicos, y sísmicos.
 Sector salud: cada vez más clínicas y hospitales alrededor del mundo confían en
sistemas que les permiten al personal de salud monitorear activamente a los
pacientes de manera ambulatoria y no invasiva.
También hay aplicaciones del Internet de las Cosas para el transporte, la industria energética,
y prácticamente todos los sectores comerciales. Como hemos dicho, el gran pendiente es el
mercado de consumo, o lo que es lo mismo, los hogares, un lugar al que probablemente es
cuestión de tiempo para que veamos la gran explosión del IoT.
La Interconectividad
La Interconectividad (Internetworking) puede ser definida como: "Comunicación entre dos o

más redes"...IBM
"Proceso de comunicación el cual ocurre entre dos o más redes que están conectadas entre
sí de alguna manera".
¿Por qué es importante la interconectividad de redes?
 Compartir recursos

 Acceso Instantáneo a bases de datos compartidas
 Insensibilidad a la distancia física y a la limitación en el número de nodos
 Administración centralizada de la red
 Da una ventaja estratégica en el mercado competitivo global
¿Qué retos existen? El reto de la interconectividad
 Reducción de presupuestos (tiempo, dinero)
Equipos de Interconexión
Dos o más redes separadas están conectadas para intercambiar datos o recursos forman una
interred (internetwork). Enlazar LANs en una interred requiere de equipos que realicen ese
propósito. Estos dispositivos están diseñados para sobrellevar los obstáculos para la
interconexión sin interrumpir el funcionamiento de las redes. A estos dispositivos que
realizan esa tarea se les llama equipos de Interconexión.
Existen equipos de Interconexión a nivel de:
» LAN: Hub, switch, repetidor, gateway, puente, access points.
» MAN: Repetidor, switch capa 3, enrutador, multicanalizador, wireless bridges. puente,

modem analógico, modem ADSL, modem CABLE, DSU/CSU.
» WAN: Enrutador , multicanalizador, modem analógico, DSU/CSU, modem satelital.
REPETIDOR
Un repetidor (o generador) es un dispositivo electrónico ú que opera sólo en la

Capa Física del modelo OSI (capa 1). Un repetidor permite sólo extender la
cobertura física de una red, pero no cambia la funcionalidad de la misma. Un
repetidor regenera una señal a niveles más óptimos. Es decir, cuando un
repetidor recibe una señal muy débil o corrompida, crea una copia bit por bit de
la señal original. La posición de un repetidor es vital, éste debe poner antes de
que la señal se debilite. En el caso de una red local (LAN) la cobertura máxima
del cable UTP es 100 metros; pues el repetidor debe ponerse unos metros antes
de esta distancia y poner extender la distancia otros 100 metros o más.
Existen también regeneradores ópticos conocidos como EDFA (Erbium-Doped

Fiber Amplifier) los cuales permiten extender la distancia de un haz de luz sobre
una fibra óptica hasta 125 millas.
Repetidor fibra óptica

Omnitron Systems Technology, Inc.
2 Puertos GIGABIT SM SC
CONCENTRADOR (HUB)
El concentrador o hub es un dispositivo de capa física que interconecta

físicamente otros dispositivos (e.g. computadoras, impresoras, servidores,
switchs, etc) en topología estrella o ducto.
Existen hubs pasivos o hubs activos. Los pasivos sólo interconectan dispositivos,
mientras que los hubs activos además regeneran las señales recibidas, como si
fuera un repetidor. Un hub activo entonces, puede ser llamado como un repetidor
multipuertos.
Hub marca 3Com modelo Superstack II 24 puertos
PUENTE (BRIDGE)
Los puentes operan tanto en la Capa Física como en la de Enlace de Datos del
modelo de referencia OSI.
Los puentes pueden dividir una red muy grande en pequeños segmentos. Pero
también pueden unir dos redes separadas. Los puentes pueden hacer filtraje para
controlar el tráfico en una red.
Como un puente opera en la capa de enlace de datos, da acceso a todas las

direcciones físicas a todas las estaciones conectadas a él. Cuando una trama entra a
un puente, el puente no sólo regenera la señal, sino también verifica la dirección del
nodo destino y la reenvía la nueva copia sólo al segmento al cual la dirección
pertenece. En cuanto un puente encuentra un paquete, lee las direcciones contenidas
en la trama y compara esa dirección con una tabla de todas las direcciones de todas
las estaciones en ambos segmentos. Cuando encuentra una correspondencia,
descubre a que segmento la estación pertenece y envía el paquete sólo a ese
segmento.
Un puente también es capaz de conectar dos LANs que usan diferente protocolo
(e.g. Ethernet y Token Ring). Esto es posible haciendo conversión de protocolos de
un formato a otro.
Puente entre TCP/IP, AppleTalk, DecNet, NetBeui y Ethernet

Interfaces 10/100BaseT Ethernet y RS-232/422/485
CONMUTADOR DE PAQUETES (SWITCH)
Los switches son otro dispositivo de interconexión de capa 2 que puede ser
usado para preservar el ancho de banda en la red al utilizar la segmentación. Los
switches son usados para reenviar paquetes a un segmento particular utilizando
el direccionamiento de hardware MAC (como los puentes). Debido a que los
switches son basados en hardware, estos pueden conmutar paquetes más rápido
que un puente.
Los switch pueden ser clasificados en como ellos reenvían los paquetes al
segmento apropiado. Están los store-and-forward y los cut-through.
Los conmutadores que emplean la técnica store-and-forward completamente

procesan el paquete incluyendo el campo del algoritmo CRC y la determinación
del direccionamiento del paquete. Esto requiere que el paquete sea almacenado
temporalmente antes de que sea enviado al apropiado segmento. Este tipo de
técnica elimina el número de paquetes dañados que son enviados a la red.
Los conmutadores que usan la técnica cut-through son más rápidos debido a que
estos envían los paquetes tan pronto la dirección MAC es leída. Por otra parte,
también existe en los mercados conmutadores de paquetes de capa 3 y 4. Es
decir hacen las funciones que los de capa 2, pero además realizan funciones de
enrutamiento (capa 3) y conmutación de voz (capa 4).
Switch marca Cisco modelo Catalyst 3500 XL
ENRUTADOR (ROUTER)
Los enrutadores operan en la capa de red (así como Enlace de Datos y capa
física) del modelo OSI. Los enrutadores organizan una red grande en términos
de segmentos lógicos. Cada segmento de red es asignado a una dirección así que
cada paquete tiene tanta dirección destino como dirección fuente.
Los enrutadores son más inteligentes que los puentes, no sólo construyen tablas
de enrutamiento, sino que además utilizan algoritmos para determinar la mejor
ruta posible para una transmisión en particular.
Los protocolos usados para enviar datos a través de un enrutador deben ser
especificamente diseñados para soportar funciones de enrutamiento. IP
(Arpanet), IPX (Novell) y DDP (Appletalk Network layer protocol) son
protocolos de transporte enrutables. NetBEUI no es un protocolo enrutable por
ejemplo.
Los enrutadores pueden ser de dos tipos:
» Enrutadores estáticos: estos enrutadores no determinan rutas. En vez de eso,

se debe de configurar la tabla de enrutamiento, especificando las rutas
potenciales para los paquetes.
» Enrutadores dinámicos: Estos enrutadores tienen la capacidad determinar

rutas (y encontrar la ruta más óptima) basados en la información de los paquetes
y en la información obtenida de los otros enrutadores.
Enrutador marca Cisco 2500 series
PASARELA (GATEWAY o PROXY SERVERS)
Los gateways, pasarelas o proxy servers son computadoras que están corriendo
una aplicación o software. Los gateways trabajan en las capas superiores del
modelo OSI (transporte, sesión, presentación y aplicación).
Este software es capaz de realizar una infinidad de tareas: conversión de

protocolos para proveer la comunicación de dos plataformas distintas (e.g SNA
de IBM con una LAN de PCs). También los gateways suelen ser servidores que
corren software de seguridad como firewall; correo electrónico (SNMP, POP3);
servidores de web (HTTP/1.1); servidores de dominios de nombre (DNS), etc.
PUNTO DE ACCESO (ACCESS POINT)
Un punto de acceso es un dispositivo inalámbrico que funciona en la capa de

enlace de datos del modelo OSI. Es parecido a un switch (pero inalámbrico) que
le da acceso a todos los nodos conectados a él. El medio de comunicación es el
aire en las bandas de frecuencia del espectro disperso (2.4 GHz y 5 GHz).
Existen varias tecnologías, pero las más importantes son las IEEE 802.11, IEEE
802.11b (Wi-Fi) y la IEEE 802.11a.
Access Point marca Linksy
DSU/CSU (modem digital)
El DSU/CSU (Data Service Unit/Channel Service Unit) o mejor conocido como

DTU (Data Terminal Unit) es un equipo de interconexión que opera en la capa
de Enlace de Datos. Un DSU/CSU es básicamente un modem digital que enlaza
dos o más redes que tengan servicios digitales tales como E0s, E1/T1s, Frame
Relay, etc. Un CSU provee además acondicionamiento y ecualización de la
línea, así como pruebas de loopback. Un DSU (el cual puede contener las
características de un CSU) convierte las señales de datos de un equipo DTE
[Data Terminal Equipment] (e.g una computadora) en señales digitales
bipolares requeridas en la red digital, realiza la sincronización de relojes y
regenera la señal.
DSU/CSU marca ADTRAN
"El verdadero reto de la interconectividad es la conectividad del transporte de

información entre LAN dispersas geográficamente"
¿Cómo se interconectan las redes?
Las redes se conectan mediante equipos de telecomunicaciones conocidos como

equipos de interconexión.
 Escasez de ingenieros especializados en redes

 Capacidad de planeación, administración y soporte
 Retos técnicos y retos de administración de redes
¿Qué retos técnicos existen?
 Equipos de diferentes fabricantes

 Arquitecturas, plataformas, sistemas operativos, protocolos, medios de

comunicación diferentes
 Limitaciones en distancia y en tamaño de los paquetes
 Limitaciones en ancho de banda y potencia
¿Qué retos de administración de redes existen?
 configuración
 Seguridad
 Confiabilidad
 Desempeño
 Localización, aislamiento, corrección y prevención de fallas
Planeación hacia el futuro
MINERÍA DE DATOS
Historia de minería de datos
El proceso de hurgar en los datos para descubrir conexiones ocultas y predecir

tendencias futuras tiene una larga historia. Conocido algunas veces como
"descubrimiento de conocimientos en bases de datos", el término "minería de datos"
no se acuño sino hasta la década de 1990. Pero su base comprende tres disciplinas
científicas entrelazadas: estadística (el estudio numérico de relaciones de datos),
inteligencia artificial (inteligencia similar a la humana exhibida por software y/o
máquinas) y machine learning (algoritmos que pueden aprender de datos para hacer
predicciones). Lo que era antiguo es nuevo otra vez, ya que la minería de datos continúa
evolucionando para igualar el ritmo del potencial sin límites del big data y poder de
cómputo asequible.
En la última década, los avances en el poder y la velocidad de procesamiento nos han

permitido llegar más allá de las prácticas manuales, tediosas y que toman mucho tiempo
al análisis de datos rápido, fácil y automatizado. Cuanto más complejos son los
conjuntos de datos recopilados, mayor es el potencial que hay para descubrir insights
relevantes. Los comerciantes detallistas, bancos, fabricantes, proveedores de
telecomunicaciones y aseguradoras, entre otros, utilizan la minería de datos para

descubrir relaciones entre todas las cosas, desde precios, promociones y demografía
hasta la forma en que la economía, el riesgo, la competencia y los medios sociales
afectan sus modelos de negocios, ingresos, operaciones y relaciones con clientes (SAS,
2019).
Definición de minería de datos
La minería de datos es el proceso de detectar la información procesable de los conjuntos

grandes de datos. Utiliza el análisis matemático para deducir los patrones y tendencias
que existen en los datos. Normalmente, estos patrones no se pueden detectar mediante
la exploración tradicional de los datos porque las relaciones son demasiado complejas
o porque hay demasiado datos.
Estos patrones y tendencias se pueden recopilar y definir como un modelo de minería

de datos. Los modelos de minería de datos se pueden aplicar en escenarios como los
siguientes:
Previsión: calcular las ventas y predecir las cargas de servidor o el tiempo de

inactividad del servidor.
Riesgo y probabilidad: elegir los mejores clientes para la distribución de correo directo,
determinar el punto de equilibrio probable para los escenarios de riesgo, y asignar
probabilidades a diagnósticos u otros resultados.
 Recomendaciones: determinar los productos que se pueden vender juntos y

generar recomendaciones.
 Buscar secuencias: analizar los artículos que los clientes han introducido en el
carrito de compra y predecir los posibles eventos.
 Agrupación: separar los clientes o los eventos en clústeres de elementos
relacionados, y analizar y predecir afinidades.
Etapas de la minería de datos
La generación de un modelo de minería de datos forma parte de un proceso mayor que

incluye desde la formulación de preguntas acerca de los datos y la creación de un
modelo para responderlas, hasta la implementación del modelo en un entorno de
trabajo.
El siguiente diagrama describe las relaciones existentes entre cada paso del proceso y
las tecnologías de Microsoft SQL Server que se pueden usar para completar cada paso.
Fuente: (Microsoft, 2019)
El proceso que se ilustra en el diagrama es cíclico, lo que significa que la creación de

un modelo de minería de datos es un proceso dinámico e iterativo. Una vez que ha
explorado los datos, puede que descubra que resultan insuficientes para crear los
modelos de minería de datos adecuados y que, por tanto, debe buscar más datos. O
bien, puede generar varios modelos y descubrir entonces que no responden
adecuadamente al problema planteado cuando los definió y que, por tanto, debe volver
a definir el problema. Es posible que deba actualizar los modelos una vez
implementados debido a que haya más datos disponibles. Puede que haya que repetir
cada paso del proceso muchas veces para crear un modelo adecuado.
La minería de datos de Microsoft SQL Server ofrece un entorno integrado para crear y
trabajar con modelos de minería de datos. Este entorno incluye SQL Server
Development Studio, que contiene algoritmos de minería de datos y herramientas de
consulta que facilitan la generación de una solución completa para una serie de
proyectos, y SQL Server Management Studio, que contiene herramientas que permiten
examinar modelos y administrar objetos de minería de datos.
Este proceso se puede definir mediante los seis pasos básicos siguientes:
 Definir el problema: El primer paso del proceso de minería de datos consiste en

definir claramente el problema y considerar formas de usar los datos para
proporcionar una respuesta para el mismo.
Este paso incluye analizar los requisitos empresariales, definir el ámbito del
problema, definir las métricas por las que se evaluará el modelo y definir los
objetivos concretos del proyecto de minería de datos. Estas tareas se traducen
en preguntas como las siguientes:
- ¿Qué está buscando? ¿Qué tipos de relaciones intenta buscar?
- ¿Refleja el problema que está intentando resolver las directivas o procesos de

la empresa?
- ¿Desea realizar predicciones a partir del modelo de minería de datos o

solamente buscar asociaciones y patrones interesantes?
- ¿Qué resultado o atributo desea predecir?

- ¿Qué tipo de datos tiene y qué tipo de información hay en cada columna? En
caso de que haya varias tablas, ¿cómo se relacionan? ¿Necesita limpiar, agregar
o procesar los datos antes de poder usarlos?
- ¿Cómo se distribuyen los datos? ¿Los datos son estacionales? ¿Los datos
representan con precisión los procesos de la empresa?
Para responder a estas preguntas, puede que deba dirigir un estudio de

disponibilidad de datos para investigar las necesidades de los usuarios de la
empresa con respecto a los datos disponibles. Si los datos no abarcan las
necesidades de los usuarios, podría tener que volver a definir el proyecto.
También debe considerar las maneras en las que los resultados del modelo se
pueden incorporar en los indicadores de rendimiento clave (KPI) que se utilizan
para medir el progreso comercial.
 Preparar los datos: El segundo paso del proceso de minería de datos consiste en
consolidar y limpiar los datos identificados en el paso Definir el problema.
Los datos pueden estar dispersos en la empresa y almacenados en formatos

distintos; también pueden contener incoherencias como entradas que faltan o
incorrectas. Por ejemplo, los datos pueden mostrar que un cliente adquirió un
producto incluso antes que se ofreciera en el mercado o que el cliente compra
regularmente en una tienda situada a 2.000 kilómetros de su casa.
La limpieza de datos no solamente implica quitar los datos no válidos o

interpolar valores que faltan, sino también buscar las correlaciones ocultas en
los datos, identificar los orígenes de datos que son más precisos y determinar
qué columnas son las más adecuadas para el análisis. Por ejemplo, ¿debería
utilizar la fecha de envío o la fecha de pedido? ¿Qué influye más en las ventas:
¿la cantidad, el precio total o un precio con descuento? Los datos incompletos,
los datos incorrectos y las entradas que parecen independientes, pero que de
hecho están estrechamente correlacionadas, pueden influir en los resultados del

modelo de maneras que no espera.
Por consiguiente, antes de empezar a generar los modelos de minería de datos,

debería identificar estos problemas y determinar cómo los corregirá. En la
minería de datos, por lo general se trabaja con un conjunto de datos de gran
tamaño y no se puede examinar la calidad de los datos de cada transacción; por
tanto, es posible que necesite usar herramientas de generación de perfiles de
datos, y de limpieza y filtrado automático de datos.
Es importante tener en cuenta que los datos que se usan para la minería de datos
no necesitan almacenarse en un cubo de procesamiento analítico en línea
(OLAP), ni siquiera en una base de datos relacional, aunque puede usar ambos
como orígenes de datos. Puede realizar minería de datos mediante cualquier
origen de datos definido como origen de datos de Analysis Services. Por
ejemplo, archivos de texto, libros de Excel o datos de otros proveedores
externos.
 Explorar los datos: Debe conocer los datos para tomar las decisiones adecuadas
al crear los modelos de minería de datos. Entre las técnicas de exploración se
incluyen calcular los valores mínimos y máximos, calcular la media y las
desviaciones estándar, y examinar la distribución de los datos. Por ejemplo, al
revisar el máximo, el mínimo y los valores de la media se podría determinar que
los datos no son representativos de los clientes o procesos de negocio, y que por
consiguiente debe obtener más datos equilibrados o revisar las suposiciones que
son la base de sus expectativas. Las desviaciones estándar y otros valores de
distribución pueden proporcionar información útil sobre la estabilidad y exactitud
de los resultados. Una desviación estándar grande puede indicar que agregar más
datos podría ayudarle a mejorar el modelo. Los datos que se desvían mucho de una
distribución estándar se podrían sesgar o podrían representar una imagen precisa
de un problema de la vida real, pero dificultar el ajustar un modelo a los datos.
Al explorar los datos para conocer el problema empresarial, puede decidir si el

conjunto de datos contiene datos defectuosos y, a continuación, puede inventar
una estrategia para corregir los problemas u obtener una descripción más
profunda de los comportamientos que son típicos de su negocio (Microsoft,
2019).
 Generar modelo: Está muy relacionado con la anterior fase. Se trata de crear un
modelo o Algoritmo que nos arroje el mejor resultado posible. Para ello hay que
hacer un análisis exhaustivo de las variables a incluir en el modelo. Esto se
convierte en una tarea complicada ya que dependerá del tipo de información a
analizar. Por ello, los mineros de datos llevan a cabo distintos exámenes del
algoritmo como: regresión lineal, árbol de decisión, series temporales, red
neuronal, etc. (Joaquín, s.f.).
 Explorar y validar los modelos: El quinto paso del proceso de minería de datos
consiste en explorar los modelos de minería de datos que ha generado y comprobar
su eficacia.
Antes de implementar un modelo en un entorno de producción, es aconsejable

probar si funciona correctamente. Además, al generar un modelo, normalmente
se crean varios con configuraciones diferentes y se prueban todos para ver cuál
ofrece los resultados mejores para su problema y sus datos (Microsoft, 2019).
 Implementar y actualizar los modelos: Es muy importante que se vaya haciendo

con el paso del tiempo para que no quede obsoleto. Las variables del modelo
podrían pasar a ser no significativas y por tanto se requiere un control periódico del
mismo (Joaquín, s.f.).
Importancia de la minería de datos
La minería de datos le permite:
 Filtrar todo el ruido caótico y repetitivo en sus datos.

 Entender qué es relevante y luego hacer un buen uso de esa información para evaluar
resultados probables.
 Acelerar el ritmo de la toma de decisiones informadas (SAS, 2019).
Ventajas de la minería de datos
La ventaja fundamental de este proceso de análisis de datos es la gran cantidad de

escenarios empresariales a los que se puede aplicar, a modo de ejemplo tenemos:
 Predicción: Pronóstico de las ventas de la compañía.

 Probabilidad: Selección de los mejores clientes para un contacto directo ya sea
vía telefónica o correo electrónico.
 Análisis de secuencias: Análisis de los productos que los clientes han
comprado y comprobar la interrelación entre ellos (Joaquín, s.f.).
Como funciona la minería de datos
La minería de datos, como una disciplina compuesta, representa diversos métodos

o técnicas que se utilizan en diferentes capacidades analíticas que abordan una
gama de necesidades organizacionales, hacen diferentes tipos de preguntas y
utilizan diferentes niveles de aportación humana o reglas para llegar a una decisión.
 Modelado descriptivo: Descubre similitudes o agrupaciones compartidas en datos

históricos para determinar razones detrás del éxito o el fracaso, como la
clasificación de clientes por preferencias de productos o sentimiento. Algunas
técnicas de ejemplo incluyen:
- Agrupación en clústeres
- Agrupación de registros similares.
- Detección de anomalías
- Identificación de valores atípicos multidimensionales.
- Aprendizaje de reglas de asociación
- Detección de relaciones entre registros.
- Análisis de componentes principales
- Detección de relaciones entre variables.
 Modelado predictivo: Este modelado llega más a fondo para clasificar eventos en
el futuro o calcular resultados desconocidos – por ejemplo, el uso de evaluación de
crédito para determinar la probabilidad de que una persona pague un préstamo. El
modelado predictivo también ayuda a descubrir insights de cosas como la rotación
de clientes, respuesta a campañas o coberturas por impago de créditos. Algunas
técnicas de ejemplo incluyen:
- Regresión
- Medida de la solidez de la relación entre una variable dependiente y una serie de
variables independientes.
- Redes neurales
- Programas de computadora que detectan patrones, hacen predicciones y aprenden.
- Árboles de decisión
- Diagramas en forma de árbol en los que cada rama representa una incidencia
probable.
 Modelado prescriptivo: Con el incremento de los datos no estructurados de la Web, campos

de comentarios, libros, correo electrónico, PDFs, audio y otras fuentes de texto, la adopción
de la minería de texto como disciplina relacionada con la minería de datos también ha crecido
de manera considerable. Necesita la posibilidad de analizar, filtrar y transformar con éxito
datos no estructurados para incluirlos en modelos predictivos para mejorar la precisión de las
predicciones.
Al final, no debe ver la minería de datos como una entidad independiente porque el
preprocesamiento (preparación y exploración de datos) y el posprocesamiento (validación de
modelos, calificación y monitoreo del desempeño de modelos) son igualmente esenciales. El
modelado prescriptivo se centra en variables y restricciones internas y externas para recomendar
uno o más cursos de acción – por ejemplo, determinar la mejor oferta de marketing para enviar
a cada cliente. Algunas técnicas de ejemplo incluyen:
- Analítica predictiva más reglas
- Optimización del marketing

- Simulación de la mezcla de medios más ventajosa en tiempo real para lograr el más
alto ROI posible.
- Creación de reglas qué pasaría si/entonces a partir de patrones y predicción de

resultados (SAS, 2019).
BENEFICIOS DEL EDI
Los beneficios introducidos por la utilización de EDI son evidentes en cuanto a que
permiten mejorar sustancialmente la gestión de las empresas que lo utilizan. Estos
beneficios se concretan en:
 Disminución de errores derivados de los sucesivos cambios de soporte de los

documentos.
 Ahorro en recursos y tiempo necesario para la gestión y entrega de documentos.
 simplificación de la operativa de la empresa.
 Mejora de la competitividad al acortar tiempos de servicio.
 Adquisición de una posición ventajosa en el mercado al facilitar relaciones con
otras empresas.
 Aumento de la rentabilidad derivada del intercambio de documentos
financieros.
Problemática en la implantación de EDI

En la actualidad se detectan algunos factores que dificultan la implantación masiva del
EDI en los distintos actores, entre los que se destaca.
 Dificultad en la especificación e implantación de estándares a nivel

internacional.
 Variedad de soluciones EDI y carencia de criterios claros para elegir una u otra
en función de las necesidades concretas.
PLATAFORMA B2B
B2B es un acrónimo con el que nos referimos a aquellos modelos de negocio en los que las
transacciones de bienes o la prestación de servicios se producen entre dos empresas. B2B se
refiere a la expresión business to business, es decir, de negocio a negocio y se relaciona
principalmente con el comercio mayorista, aunque también puede referirse a prestación de
servicios y consumo de contenidos.
EJEMPLO:
Son ejemplo de negocio B2B, por ejemplo, los portales tipo marketplace en donde unas
empresas especifican sus demandas de productos o servicios y otras los ofertan o aquellos en
los que una empresa no trata de comunicarse con su cliente final sino con distribuidores,
partners, importadores u otro tipo de comprador profesional.
El target en modelos de negocio B2B
En los modelos de negocio B2B, solemos especificar el target a partir de las características de
las empresas a las que queremos comunicar nuestra promoción:
Actividad de la empresa.
Situación geográfica de la empresa.
Ámbito en el que desarrolla su actividad.
Dimensión: trabajadores, red de distribución, facturación, ventas…
Etc.
En los modelos B2B, debemos también considerar las motivaciones y objeciones de los
distintos perfiles del target:
Decisor
Prescriptor
Comprador
Consumidor
Etc.
MODELOS DE NEGOCIO B2B
Hay aspectos del posicionamiento web que debemos tratar de una forma más específica cuando
trabajamos en la optimización de sitios Web B2B:
Tener en cuenta motivaciones y objeciones del target profesional típico de los modelos B2B a la
hora de seleccionar las palabras clave en las que nos queremos posicionar: un target profesional
probablemente empleará la misma jerga técnica que nosotros.
Considerar si hay buscadores verticales relacionados con ese sector que debamos considerar,
además de buscadores generalistas como Google.
Valorar la presencia activa en las redes sociales propias del sector y profesionales. Una de las redes
sociales por excelencia para el descubrimiento y desarrollo de oportunidades de negocio B2B es
Linkedin.
Generar contenido relacionado, anticipativo, que aporte valor añadido o facilite la selección de
proveedores al prescriptor y al decisor.
Redactar titles de página y descriptions que destaquen como propuesta única de valor la ventaja
competitiva a la que más sensibilidad haya mostrado el target: precio, capacidad, experiencia,
historial, referencias…
En el business to business podemos identificar y aprovechar oportunidades de enlazado de
contenidos para incrementar la autoridad y popularidad de los dominios.
En la compra profesional, podemos extendernos más en texto y emplear jerga profesional ya que
nuestro usuario necesita datos para documentarse y justificar su decisión de compra, al no ser ésta
impulsiva.
Debemos considerar las diferentes búsquedas que haría cada uno de los perfiles involucrados en la
selección de un proveedor –decisor, prescriptor, consumidor, etc.– y preparar páginas de aterrizaje
que conecten con sus motivaciones y resuelvan sus objeciones.
Tenemos que considerar que la conversión, que, frecuentemente, se producirá fuera del ámbito
online, por lo que no podremos registrarla en la analítica Web de forma tan directa como en un
comercio electrónico dirigido al cliente final.
Motivaciones de compra en los modelos de negocio B2B

En general, la decisión de compra en los modelos de negocio B2B suele ser más racional que
impulsiva, y se ve influenciada principalmente por aspectos tales como:
Especificaciones
Precio
Garantía
Rapidez
Capacidad
Etc.
También debemos tener presente que, en general, el objetivo de conversión de un portal B2B
se centrará en obtener unos leads (prospectos) que después el equipo comercial se encargará
de gestionar y convertir en cliente o proveedor.
ventajas del mercado B2B

Las empresas dedicadas al B2B que no apuesten por el comercio electrónico podrían
verse afectadas, pues la tendencia del sector demuestra que:
 Las compañías dedicadas al B2B que no implementen soluciones de
eCommerce corren un gran riesgo.
 La venta a través de Internet y de dispositivos móviles representa una
oportunidad significativa para estas compañías.
 La disponibilidad de herramientas personalizables está cambiando el
modo en que los clientes interactúan con las compañías.
Desventajas:
 Trato impersonal
 Inversión constante de la web, el tiempo de vida visual electrónico es
muy corto.
 La velocidad de respuesta es tan rápida que les es difícil competir.
PLATAFORMA B2C
Este tipo de e-commerce genera oportunidades para aumentar ventas e ingresos y mejorar el
servicio prestado a los clientes. En este modelo de negocio la figura del ‘middle-men’ o
intermediario es eliminado y por tanto las marcas venden directamente al cliente final, es una
venta directa.
(Business-to-Consumer o B to C) negocio a consumidor. Se refiere a la estrategia que

desarrollan las empresas comerciales para llegar directamente al cliente o usuario final. A
pesar del sentido amplio de la expresión B2C, en la práctica, suele referirse a las plataformas
virtuales utilizadas en el comercio electrónico para comunicar empresas (vendedoras) con
particulares (compradores). Por eso, el uso más frecuente es Comercio electrónico B2C.
Ventajas:
 La compra es más cómoda y rápida

 Los precios están siempre actualizados
 El sistema de atención al cliente está integrado en la web
 La disponibilidad de stock está siempre disponible
 Los e-commerce que además disponen de tiendas físicas se apoyan en éstas para
facilitar la entrega
Desventajas:
 Las comisiones por el sistema de cobro son más altas que comprando
físicamente
 Posibilidad de reclamación
 Fraudes internacionales
LOGRHYTHM 4.0
LogRhythm 4.0 extiende el alcance y el valor de la administración de eventos y registros a

través de cuatro avances clave:
Adaptador de registro de base de datos universal (UDLA ™) que proporciona acceso a los
datos de registro generados por cualquier base de datos compatible con ODBC y las
aplicaciones que admiten Inclusión de nuevos campos de metadatos que obtienen una mayor
inteligencia de los registros de la base de datos y las aplicaciones Tecnología de reenvío de
eventos contextuales que permite la detección avanzada de anomalías y operaciones Las
capacidades de extracción de datos de LogMart ™ de inteligencia proporcionan una
visualización y tendencia únicas de los datos para admitir la detección de intrusos, la
respuesta a incidentes, las investigaciones de auditoría, el análisis forense y la detección
electrónica. La versión 4.0 de LogRhythm es una prueba más de que el valor de la gestión
integral de eventos y registros se extiende más allá del ámbito de las SIM tradicionales. solo
plataformas”, dijo Jon Oltsik, líder de prácticas de seguridad de Enterprise Strategy
Group. "Con la gestión de registros creciendo en importancia estratégica para la mayoría de
las empresas, 4.
Gestión y recopilación de registros de bases de datos universales

LogRhythm 4.0 ahora es compatible con las bases de datos. LogRhythm recopila, analiza,
alerta e informa sobre los registros de todas las bases de datos compatibles con ODBC,
incluyendo Oracle, Microsoft SQL Server, IBM DB2, Informix, MySQL y otros. La
colección no requiere un agente en el servidor de base de datos.
Además, UDLA de LogRhythm captura datos de registros de auditoría personalizados y

aplicaciones que se ejecutan en la base de datos. LogRhythm puede incluso detectar y alertar
si un administrador deshonesto u otra persona con información privilegiada desactiva la
auditoría en el servidor de la base de datos para ocultar la actividad fraudulenta. Las nuevas
capacidades de LogRhythm ofrecen una capa adicional de protección y conocimiento para

proteger los activos valiosos de la base de datos contra amenazas internas y externas.
La recopilación ampliada de metadatos y el reenvío de eventos contextuales destacaron

las amenazas internas y más
LogRhythm 4.0 presenta nuevos campos de metadatos que recopilan y organizan

información, como estadísticas de tráfico de red, información de sesiones y procesos, y
cantidades de transacciones, montos y tasas. LogRhythm aprovecha esta información para
proporcionar una visibilidad sin precedentes de posibles amenazas internas, infracciones de
cumplimiento y otros riesgos operativos. Esta información combinada con el nuevo reenvío
de eventos contextuales de la versión 4.0 permite la identificación y alerta en tiempo real de
anomalías dentro de la actividad de la aplicación, la base de datos y la red. Por ejemplo,
LogRhythm se puede usar para señalar excepciones específicas, como transacciones mayores
a un monto específico en dólares en una aplicación financiera, incluido cuándo ocurrió, quién
fue responsable y qué cuenta se modificó.
Al aprovechar el avanzado motor de procesamiento de registro de LogRhythm, los usuarios

pueden monitorear fácilmente toda la actividad de registro para patrones de nombre de
archivo, direcciones IP, hosts o usuarios específicos. Cuando se violan las políticas de
seguridad, LogRhythm puede alertar automáticamente a las personas designadas por correo
electrónico, buscapersonas, aplicaciones de administración existentes y la consola
LogRhythm.
"La gestión de eventos y registros es ahora un requisito para prácticamente todos los
mandatos reglamentarios y estándares de seguridad, pero pocos productos ofrecen una
solución verdaderamente integrada para ambas disciplinas", dijo Chris Petersen, fundador y
CTO de LogRhythm. "Nuestra versión 4.0 extiende la potencia de nuestra plataforma
integrada para aprovechar al máximo los registros en la capa de aplicación y base de datos,
lo que hace que LogRhythm sea ideal para avanzar en la detección de amenazas internas, la
privacidad de los datos y la inteligencia de operaciones".
La visualización y la búsqueda hacen que la minería de registros sea un complemento
Para automatizar la búsqueda y el análisis forense, identificar los problemas operativos y

obtener una mayor inteligencia empresarial, LogRhythm 4.0 incorpora un poderoso conjunto
de nuevas capacidades de visualización, tendencias de datos y búsqueda en su herramienta
LogMart. LogMart agrega millones de registros en una sola vista gráfica para exponer
excepciones en seguridad, cumplimiento y operaciones durante períodos de tiempo cortos o
largos. Sus potentes capacidades de creación de gráficos y filtrado configurables por el
usuario les permiten a los usuarios cambiar rápidamente de datos de tendencias de registro
de meses o incluso años y profundizar en registros individuales para exponer la causa raíz de
una brecha de seguridad o un problema operacional.
Además, LogMart permite a las organizaciones responder de manera rápida y con mayor
eficiencia a las solicitudes de eDiscovery de datos de registro que históricamente han
colocado una carga indebida para el personal de TI y los investigadores. LogMart amplía la
utilidad de los datos de registro, ya sea que las organizaciones analicen los registros del
servidor web para garantizar el cumplimiento de los acuerdos de nivel de servicio,
investiguen los intentos de acceso fallidos en un servidor crítico o supervisen los patrones de
acceso del servidor a largo plazo.
Acerca de LogRhythm
LogRhythm es un líder mundial en NextGen SIEM que permite a las organizaciones en seis
continentes reducir con éxito los riesgos detectando, respondiendo y neutralizando
rápidamente las amenazas cibernéticas dañinas. La plataforma SIEM de LogRhythm
NextGen combina análisis de comportamiento de usuarios y entidades (UEBA); detección y
respuesta de red (NDR); y orquestación de seguridad, automatización y respuesta (SOAR)

en una única solución de extremo a extremo. El marco de trabajo de LogRhythm Threat
Lifecycle Management (TLM) sirve como base para el centro de operaciones de seguridad
(SOC) habilitado para AI, lo que ayuda a los clientes a asegurar sus infraestructuras de nube,
físicas y virtuales para los entornos de TI y OT. Creado para profesionales de la seguridad
por profesionales de la seguridad, la plataforma SIEM de LogRhythm NextGen ha ganado
muchos reconocimientos.
CONCLUSIONES
 Las plataformas virtuales se están posicionando en la nueva industria de la tecnología,

logrando una integración de procesos con tiempos cortos, reducción de costos de
operación y administración, eliminación de excesos de inventario entre otras.
 Estas plataformas están contribuyendo a la mejora y al desarrollo de diferentes empresas
sin importar su actividad económica, su automatización en esta red virtual cubre un
sistema global impresionante, en el cual la gestión logística brinda un mejor resultado, en
entregas, inventarios, pagos, etc.
 Algunos de estos sistemas son bastantes costosos para las compañías, y asi mismo su
implementación puede generar cambios drásticos a las empresas, y puede que se
conviertan en decisiones difíciles para la empresa si piensa en adaptarlos.
REFERENCIAS
Antamba, R. (22 de Junio de 2015). SlideShare. Obtenido de SlideShare:

https://es.slideshare.net/ricardoantamba9/eprocurement-49667111
Definicion.de. (2019). Obtenido de Definicion.de: https://definicion.de/plataforma-
virtual/
Herrera, C. A. (18 de Febrero de 2013). EOI. Obtenido de EOI:
https://www.eoi.es/blogs/mtelcon/2013/02/18/e-procurement-3/
Marco, J. A. (2019). IMF BUSINESS SCHOOL. Obtenido de IMF BUSINESS
SCHOOL: https://blogs.imf-formacion.com/blog/logistica/sin-categoria/e-
reverse-autions-e-ordering-y-e-informing-tres-ejemplos-mas-de-e-
procurement/
Sung, J. (13 de Febrero de 2015). Prezi. Obtenido de Prezi:
https://prezi.com/b6ry14utl0mz/e-informing/
UN Procurement Practitioner's Handbook . (Septiembre de 2012). Obtenido de UN
Procurement Practitioner's Handbook :
https://www.ungm.org/Areas/Public/pph/ch04s02.html
Unipymes. (14 de Febrero de 2018). Obtenido de Unipymes:
https://www.unipymes.com/plataformas-virtuales-una-prospera-alternativa-
de-trabajo/
Via, R. A. (26 de Octubre de 2011). SlideShare. Obtenido de SlideShare:
https://es.slideshare.net/RicardoAnibalMurilloVia/e-procurement-exposicion-
cohorte-21-especializacion-logistica-empresarial-universidad-de-medellin
VIDAL, B. V. (21 de Febrero de 2013). EOI. Obtenido de EOI:
https://www.eoi.es/blogs/mtelcon/2013/02/21/sistemas-de-informacion-
especializados-erp-extendido-e-procurement/
https://www.computerworld.es/archive/edi-que-es-y-para-que-sirve
HYPERLINK "https://marketing4ecommerce.net/beneficios-ecommerce-
mercado-b2b/" https://marketing4ecommerce.net/beneficios-ecommerce-
mercado-b2b/
HYPERLINK "http://blogs.icemd.com/blog-diferencias-y-tendencias-entre-
modelos-b2b-y-b2c/ecommerce-sus-tipologias-tienen-ventajas-y-desventajas/"
http://blogs.icemd.com/blog-diferencias-y-tendencias-entre-modelos-b2b-y-
b2c/ecommerce-sus-tipologias-tienen-ventajas-y-desventajas/
HYPERLINK
"https://www.icesi.edu.co/blogs_estudiantes/vanessa/2009/09/17/modelos-de-
negocio-en-internet-b2b-b2cc2cb2g/"
https://www.icesi.edu.co/blogs_estudiantes/vanessa/2009/09/17/modelos-de-
negocio-en-internet-b2b-b2cc2cb2g/
https://www.innovadeluxe.com/que-es-un-erp-y-para-que-sirve/
https://www.emprendepyme.net/que-es-y-para-que-sirve-un-erp.html
http://formatalent.com/big-data-en-un-erp/
https://hipertextual.com/archivo/2014/10/internet-cosas/
Joaquín, L. A. (s.f.). Economipedia. Obtenido de Economipedia:

https://economipedia.com/definiciones/mineria-de-datos.html
Microsoft. (08 de 01 de 2019). Obtenido de Microsoft: https://docs.microsoft.com/es-

es/sql/analysis-services/data-mining/data-mining-concepts?view=sql-server-2017
ORACLE. (s.f.). Obtenido de ORACLE: https://www.oracle.com/co/big-data/guide/what-is-

big-data.html
PowerData. (s.f.). Obtenido de PowerData: https://www.powerdata.es/big-data
SAS. (2019). Obtenido de SAS: https://www.sas.com/es_co/insights/analytics/data-

mining.html

Big Data

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Big Data

Загружено:

Авторское право:

Доступные форматы

GESTION LOGISTICA 1

ANYI GIRALDO PEÑA

UNIVERSIDAD ANTONIO NARIÑO

El sistema ERP es importante y eficiente en las plataformas virtuales, y por

Historia de la Big Data

Alrededor de 2005, la gente empezó a darse cuenta de la cantidad de datos que

Definición de Big Data

Las tres “V” de big data

 Velocidad: La velocidad es el ritmo al que se reciben los datos y (posiblemente)

 Variedad: La variedad hace referencia a los diversos tipos de datos

Avances tecnológicos recientes han reducido exponencialmente el coste del

Importancia de la Big Data

La recopilación de grandes cantidades de datos y la búsqueda de tendencias dentro de

 Reducción de coste. Las grandes tecnologías de datos, como Hadoop y el

Ventajas del Big Bata y de la analítica de datos

 El big data le permite obtener respuestas más completas, ya que dispone de

Casos de uso de Big Data

 Mantenimiento predictivo: Los factores capaces de predecir fallos

implantar el mantenimiento de una forma más rentable y optimizar el tiempo

 Experiencia del cliente: La carrera para conseguir clientes ha comenzado.

 Fraude y conformidad: En lo que a seguridad se refiere, no se enfrenta a

 Aprendizaje automático: El aprendizaje automático es actualmente un tema

 Eficiencia operativa: Puede que la eficiencia operativa no sea el aspecto más

utilizarse para mejorar la toma de decisiones en función de la demanda de

 Impulso de la innovación: El big data puede ayudarle a innovar mediante el

Desafíos de la Big Data

ser una combinación de ambos marcos. Mantenerse al día en cuanto a tecnología de

¿QUÉ SON LOS ERPS?

Las características destacables de los sistemas ERP

BIG Data en un ERP

¿Es buena idea juntarlos?

INTERNET DE LAS COSAS (IOT)

IoT ha evolucionado desde la convergencia de tecnologías inalámbricas, sistemas micro-

El enorme aumento de IPv6 en el espacio de direcciones es un factor importante en el desarrollo

Las aplicaciones prácticas de la tecnología IoT se pueden encontrar en muchas industrias

¿Como funciona el internet de las cosas?

¿Cuándo estará entre nosotros?

 La industria de producción en masa: la maquinaria que se encarga de controlar

La Interconectividad (Internetworking) puede ser definida como: "Comunicación entre dos o

¿Por qué es importante la interconectividad de redes?

¿Qué retos existen? El reto de la interconectividad

 Reducción de presupuestos (tiempo, dinero)

» LAN: Hub, switch, repetidor, gateway, puente, access points.

» MAN: Repetidor, switch capa 3, enrutador, multicanalizador, wireless bridges. puente,

» WAN: Enrutador , multicanalizador, modem analógico, DSU/CSU, modem satelital.

Un repetidor (o generador) es un dispositivo electrónico ú que opera sólo en la

Existen también regeneradores ópticos conocidos como EDFA (Erbium-Doped

Repetidor fibra óptica

El concentrador o hub es un dispositivo de capa física que interconecta

Hub marca 3Com modelo Superstack II 24 puertos

Como un puente opera en la capa de enlace de datos, da acceso a todas las

Puente entre TCP/IP, AppleTalk, DecNet, NetBeui y Ethernet

CONMUTADOR DE PAQUETES (SWITCH)

Los conmutadores que emplean la técnica store-and-forward completamente

Switch marca Cisco modelo Catalyst 3500 XL

Los enrutadores pueden ser de dos tipos:

» Enrutadores estáticos: estos enrutadores no determinan rutas. En vez de eso,

» Enrutadores dinámicos: Estos enrutadores tienen la capacidad determinar

Enrutador marca Cisco 2500 series

PASARELA (GATEWAY o PROXY SERVERS)

Este software es capaz de realizar una infinidad de tareas: conversión de

PUNTO DE ACCESO (ACCESS POINT)

Un punto de acceso es un dispositivo inalámbrico que funciona en la capa de