MAESTRÍA EN DIRECCIÓN DE TECNOLOGÍA DE LA INFORMACIÓN

ASIGNATURA : Dirección de Tecnologías de Información

PROFESOR(ES) : Martín Santana
TÍTULO DEL TRABAJO : Big Data y Analytics

El presente trabajo ha sido realizado de acuerdo a los

Reglamentos de la Universidad ESAN por:

Carlos Roberto Sáenz Ruiz (1712107) ____________________

Segundo Javier Orrillo Abanto (1712702) ___________________

Christian Raul Zárate Araoz (1712715) ____________________

Fernando Martín Fernández Gómez (1713243) ____________________

Sammy Sam Puche (1606560) ____________________

Surco, 17 de mayo de 2019

 Maestría en Dirección de Tecnologías de la Información

Contenido

1.- Resumen ejecutivo 3

2.- Marco conceptual 4
3.- Evolución histórica 7
4.- Descripción funcional 8
5.- Beneficios 10
6.- Principales proveedores 10
7.- Factores críticos de éxito para implementación 13
8.- Descripción de un caso de implementación exitosa en el Perú 14
9.- Proyección de avances tecnológicos en el futuro 16
10.- Conclusiones 17
11.- Bibliografía 18

Dirección de Tecnologías de Información 2

 Maestría en Dirección de Tecnologías de la Información

1.- Resumen ejecutivo

El presente documento tiene como finalidad explicar los orígenes de Big Data y como se
puede aplicar analítica según el modelo que se pretende implementar. La aplicación de
Big Data dependerá mucho del caso de negocio que trace la alta dirección o hacia donde
lo quiere enfocar la empresa. Los beneficios de Big Data son amplios y esto se da en gran
parte a la variedad, velocidad, volumen y veracidad de los datos. Sus aplicaciones se dan
para mejorar la toma de decisiones en base a la calidad de información, mejorar la
fidelidad de los clientes, permite identificar tendencias y patrones a través de la
interpolación de datos para establecer comportamientos o tendencias y para generar
nuevos procesos de negocios para generar valor a la empresa. También se pretende
mencionar cuales son los principales proveedores y los factores críticos de éxitos que
pueden contribuir a su implementación.

Por último, se menciona dos casos de éxito de Big Data aplicados en el Perú dentro del
sector de Transporte publico urbano (AATE) y el sector financiero (BCP). Los escenarios
de la aplicación de Big Data tienen una amplia proyección, sin embargo, es importante
citar un informe realizado por IBM y la escuela de negocios de Oxford (2012) el cual nos
da un panorama del avance y aplicación de Big Data en el sector empresarial tomado de
una muestra de 1061 ejecutivos encuestados.

Imagen 1.1: Adopción de Big Data. Recuperado de: https://www-

05.ibm.com/services/es/gbs/consulting/pdf/El_uso_de_Big_Data_en_el_mund
o_real.pdf

En la imagen 1.1 se observa que el 47% de ejecutivos encuestados manifiesta que en sus
empresas ya existe una comprensión y acciones formales elaboradas respecto a la

Dirección de Tecnologías de Información 3

 Maestría en Dirección de Tecnologías de la Información

importancia del Big Data en la toma de decisiones, sin embargo, carecen de

implementaciones, por otro lado, un 22% manifiesta que ya existen iniciativas de
implementación y validación de resultados. Solo el 6% manifiesta que ya se han
implementado 1 o dos proyectos de Big Datos en casos de negocio reales.

Si hablamos de obstáculos o desafíos, podemos citar la imagen 1.2, IBM Institute for
Business Value & Escuela de negocios de la universidad de Oxford (2012). El principal
desafío es que no existe casos de negocio realmente atractivos para poder dirigir una
implementación (transversal a todos los niveles de adopción) a esto se le suma la calidad
de los datos y habilidades técnicas y analíticas requeridas. Se espera que estos
escenarios mejoren con la implementación de más iniciativas.

Imagen 1.2: Desafíos de Big Data. Recuperado de: https://www-

05.ibm.com/services/es/gbs/consulting/pdf/El_uso_de_Big_Data_en_el_mund
o_real.pdf

2.- Marco conceptual

Big Data

Durante la primera década del siglo XXI, con la proliferación de equipos tecnológicos
capaces de emitir información hacia internet, la reducción de costos en hardware y la
masificación del acceso a internet ha ocasionado una alta generación de datos de diversa
índole. Ya sea mediante la emisión de información del estado de un equipo (estado de
hardware, información recolectada por sensor), o la interacción que una persona a través

Dirección de Tecnologías de Información 4

 Maestría en Dirección de Tecnologías de la Información

de una aplicación (acceso a redes sociales, búsquedas en navegadores, compra de

productos o servicios, etc.).
Las grandes cantidades de datos generados continúa en aumento, medidos en unidades
de almacenamiento impensables hasta hace una década. Los Terabyte se volvieron un
valor nada asombroso y no es sorpresa conocer que grandes cadenas de supermercado
como Walmart cuenta con datos almacenados de hasta algunas unidades de Petabytes.

Imagen 2.1: Big Data - Infografía. Recuperado de: www.datos.gob.es

Aunque no existe consenso para definir Big Data, se suele brindar un acercamiento a
través de sus características que año tras año se van sumando inclusive hasta en el
presente año 2019. A inicios del 2011 Adrián Merv, vicepresidente de la consultora
Gartner definía a Big Data mediante las limitantes que se tenían para su procesamiento
en base al hardware y software de la época, una definición similar (en base a las
limitantes) era la brindaba por McKinsey Global Institute. La definición de Big Data en
base a la restricción fue cambiando hacia las características y diversos autores dan como
aceptadas las características denominadas ‘Tres V’: que refieren al Volumen (cantidad),
Velocidad (referente a la creación y tipo de procesamiento) y la Variedad (considerando
las diversas fuentes de emisión), con el tiempo fueron ganando aceptación dos
características adicionales como Veracidad (grado de calidad) y Valor (rentabilidad como
resultado).

Dirección de Tecnologías de Información 5

 Maestría en Dirección de Tecnologías de la Información

Podemos definir a Big Data como el gran volumen de información generadas por diversos
dispositivos y almacenadas en diversos formatos que no pueden ser procesadas por la
tecnología de gestión de bases de datos estructurados.

Big Data Analytics (BDA)

Es el análisis de datos “Big Data” mediante el uso de tecnología y algoritmos matemáticos
que permite extraer patrones de comportamiento. El resultado de dicho análisis puede
clasificarse en:

 BDA Descriptivo: Analizando los datos, explica lo sucedido en el pasado.

 BDA Diagnóstico: Además de lo realizado en el BDA Descriptivo trata de explicar
el motivo del porqué sucedió.
 BDA Predictivo: Analiza los datos para predecir lo que podría suceder.
 BDA Prescriptivo: Además de Analizar datos y predecir, puede aconsejar en cómo
actuar ante un determinado evento.

Imagen 2.2: Big Data - Infografía. Recuperado de: www.dsssolutions.com

Dirección de Tecnologías de Información 6

 Maestría en Dirección de Tecnologías de la Información

3.- Evolución histórica

Luis Joyanes, en su libro Big Data:
Análisis de Grandes Volúmenes de
Datos en Organizaciones, clasifica la
evolución histórica del Big Data en dos
etapas:
La primera etapa: Comprendida entre
los años 1984 y 2007. En el cual se hace referencia a los primeros usos del término
además de su expansión en el campo científico y en una forma muy primigenia hacia los
negocios, todo ello bajo un enfoque de conceptualización. Se utiliza como referencia el
año 1984 por el artículo de Charles Tilly denominado “The Old New Social History and the
New Old Social History” donde si bien se utiliza el término “Big Data” no está enfocado en
el contexto tecnológico tal como ahora se conoce. Para 1990, Peter Denning en su
artículo “Saving All the Bits” hace un acercamiento al concepto actual, hablando de
grandes flujos de datos y máquinas que pueden procesar esta información.
En 1997, Michael Cox and David Ellsworth publican en la ACM digital Library el artículo
“Application-controlled demand paging for out-of-core visualization”, este artículo contiene
el término Big Data donde hace referencia a los recursos para el procesamiento de datos.
En 1998, el científico John Mashey publica en The New York Times el artículo “Big Data…
and the Next Wave of Infrastress.”, Mashey utilizaba el término en sus diversos discursos
y por tal motivo algunos investigadores le dan el crédito de haber creado el término “Big
Data”.
En el año 2000, Francis Diebold publica el artículo “Big Data Dynamic Factor Models for
Macroeconomic Measurement and Forecasting”, en este artículo de expresa de manera
explícita por primera vez el término Big Data tal como ahora se lo conoce.
En 2001, Doug Laney de Meta Group (Gartner), publica el artículo “3D Data Management:
Controlling Data Volume, Velocity, and Variety.” En este artículo se hace referencia a las 3
primeras características que definen Big Data, las “Tres V”.
En 2005, Tim O'Reilly publica el artículo "¿Qué es la Web 2.0?" que desencadena en la
actual ruta que actualmente es Big Data. En este mismo año, Yahoo crea Hadoop...
La segunda Etapa: comprende desde el año 2008 hasta la actualidad y hace referencia a
la utilización del término en el ámbito tecnológico y económico, pasa de una referencia de
conceptualización hacia un enfoque aplicado a través de herramientas para el beneficio
de las organizaciones. A partir de esta fecha además se desarrollaron las múltiples

Dirección de Tecnologías de Información 7

 Maestría en Dirección de Tecnologías de la Información

plataformas (Redes Sociales, masificación de Smartphones, Internet de las cosas,

etcétera) que permiten la generación de datos que comprende Big Data.

4.- Descripción funcional

Big data & Analytics son dos tecnologías emergentes que se complementan mutuamente.
Por un lado, la primera se refiere, por definición, a la recopilación, almacenamiento y
tratamiento de gran cantidad de datos, que cumplen principalmente con las siguientes
características:
 Velocidad: Son generados continuamente, cada minuto, segundo e incluso
intervalos menores. A diferencia de las bases de datos tradicionales, estos datos
son generados en todo momento por las distintas fuentes de análisis, tales como
cámaras de video, redes sociales, entre otras.
 Volumen: La cantidad es elevada, gigabytes o terabytes de información, que son
generados en tiempos bastante reducidos, y que pueden ser almacenados para su
respectivo tratamiento y análisis.
 Variabilidad: Se trata de datos estructurados y no estructurados, los cuales
muchas veces ni siquiera son predecibles. A diferencia de los sistemas de
inteligencia de negocio típicos, en el caso de Big data, no siempre se sabe lo que
se está almacenando, pues mediante tecnología se descubre dicha información.
 Veracidad: Los datos son relevantes y sin sesgo en relación con el objetivo del
análisis. Si bien es cierto que se trata de gestionar volúmenes de datos elevados,
se debe verificar que sean relevantes y veraces para el objetivo del estudio.

Adicionalmente, en relación con Analytics, podemos mencionar que se trata de utilizar

tecnología de análisis, para generar información de valor para la organización.
Generalmente, este análisis se hace sobre Big data y a diferencia de los sistemas de
inteligencia de negocios, suelen ser los algoritmos los que permiten al analista descubrir
información. No necesariamente se sabe a priori que información se encontrará al aplicar
dicha tecnología. En tal sentido, podemos indicar que las tecnologías de Analytics son las
que permiten aprovechar todos los datos gestionados en una plataforma de Big data.

Dirección de Tecnologías de Información 8

 Maestría en Dirección de Tecnologías de la Información

Con la finalidad de comprender mejor las tecnologías mencionadas, a continuación,

mencionaremos los componentes a nivel de arquitectura, de una solución de Big Data y
Analytics:

a) Fuentes: Se trata de los orígenes de los datos. Pueden ser bases de datos,
repositorios de archivos, redes sociales, páginas web, cámaras de video, entre
otras. No necesariamente generan datos estructurados.
b) Capa de almacenamiento: Componentes tecnológicos utilizados para almacenar
los datos generados en las distintas fuentes de datos. Por lo general, se utiliza la
base de datos Hadoop, la misma que permite gestionar datos estructurados y no
estructurados.
c) Capa de Análisis: Se trata de los componentes tecnológicos que contienen los
algoritmos para descubrimiento de datos, identificación de patrones, entre otros.
Su finalidad es generar información de valor, que luego será presentada al analista
para la toma de decisiones.
d) Capa de Consumo: Es la capa en la cual se generan los gráficos, que resumen el
análisis de datos realizado. En esta capa, se encuentran los reporteadores que
usualmente conocemos y que permiten mostrar los resultados al usuario final de
los mismos.

Dirección de Tecnologías de Información 9

 Maestría en Dirección de Tecnologías de la Información

Imagen 4.1: Componentes de una solución Big Data. Elaboración propia.

5.- Beneficios

 Eficiencia en la toma de decisiones, pues se dispondrá de mejor información. No

se tendrá una visión sesgada del alcance de los sistemas que tenga la
organización, sino que se podrá descubrir aspectos relevantes a partir de fuentes
de datos que antes no habían sido analizadas.
 El tener mayor información, permitirá conocer mejor a los clientes, lo cual permitirá
desarrollar modelos de fidelización efectivos, que se traducirán en mayores
ingresos para la compañía, mediante la retención y satisfacción de los clientes.
 La empresa se transformará en una organización proactiva y propositiva. A
diferencia de las tecnologías tradicionales, que nos permitían analizar el pasado y
a partir de ahí evitar repetir errores, Big Data permite proponer acciones a partir de
la identificación de patrones de comportamiento, obtiendo ratios de conversión a
venta elevados.
Crear nuevos procesos de negocio, orientados hacia una transformación digital, que
permita gestionar con mayor eficiencia los recursos de la empresa. Las oportunidades que
se identifican mediante este análisis requerirán de un equipo humano que las lleve a la
realidad, lo cual es una oportunidad de mejora para la organización.

6.- Principales proveedores

Las ventas en el mercado global de Big Data y Analytics para este año 2019 se esperan
que alcancen los 189 billones USD, representando un crecimiento de 12% frente al 2018.
Con una proyección de crecimiento a doble dígito, para el 2022 se estima que las ventas
alcanzarán la cifra de 274 billones USD.

Dirección de Tecnologías de Información 10

 Maestría en Dirección de Tecnologías de la Información

Del total de ventas, casi el 70% son soluciones basadas localmente, u on-premise,
mientras que el 30% restante son soluciones en cloud. Sin embargo, se espera que para
el 2022 las soluciones en la nube alcancen el 44% del mercado.

Como proveedores de la tecnología de Big Data y Analytics debemos considerar los 3

frentes de productos/servicios que ésta comprende: Hardware o Infraestructura, Software,
y Servicios, donde existen empresas que abarcan todos o parte de ellos. En la imagen 6.1
mostramos algunas de las principales empresas en función al volumen de sus ventas y en
la imagen 6.2 se presenta el detalle de las ventas distribuidas por el tipo de producto o
servicio que se ofrecen.

Imagen 6.1 - Ventas Anuales - Network World, Wikibon

Dirección de Tecnologías de Información 11

 Maestría en Dirección de Tecnologías de la Información

Imagen 6.2 - Ventas por Tipo de Producto/Servicio - Network World, Wikibon

Es importante considerar que Big Data y Analytics representan entre el 1% y el 20% de
las ventas en las empresas mencionadas. Por ello resulta útil presentar otras empresas
cuyo enfoque es principalmente en esta tecnología, representando más del 90% de sus
ventas y operaciones, las cuales se muestran en la Imagen 6.3

Dirección de Tecnologías de Información 12

 Maestría en Dirección de Tecnologías de la Información

Imagen 6.3 - Ventas de Software y Servicios Big Data - Wikibon

7.- Factores críticos de éxito para implementación

Se ha identificado los siguientes temas a considerar, como los más importantes para una
implementación de Big Data & Analytics satisfactoria:

7.1 Entendimiento y Aceptación del Big Data. La implementación de esta tecnología

producirá varios cambios en la Organización y a la vez varios beneficios. La alta dirección
debe estar consciente de ello y apoyar el proyecto, de tal forma que sea aceptado por
todos los niveles y se puedan entrenamientos de forma productiva.
7.2 Evitar la confusión por la variedad de Tecnologías de Big Data. Es fácil perderse
entre tanta información de tecnologías y soluciones de Big Data y tomar una decisión. Es
recomendable contar con una asesoría adecuada de expertos y definir una estrategia de
selección de recursos y herramientas que puedan añadir el valor que se espera a los
objetivos del Negocio
7.3 Definir una arquitectura de la Solución adecuada: De esto dependerán los costos
en que se incurra este proyecto, desde hardware, contratación o subcontratación de
personal especializado según los recursos a emplear, licencias de software, etc.Muchas

Dirección de Tecnologías de Información 13

 Maestría en Dirección de Tecnologías de la Información

veces por un tema de costos que exceden lo esperado, los proyectos no acaban y
terminan siendo un desperdicio de dinero y recursos
7.4 Establecer una estrategia de gestión de la calidad de los datos: Al provenir los
datos de diferentes fuentes deben establecerse mecanismos para validar los datos en
cuanto a sus consistencias y la cantidad de posibles variantes del mismo dato. Si esto es
un factor crítico para solo datos estructurados, lo es más para datos estructurados y no
estructurados de todo tipo que considera el Big Data.
7.5 Diseño adecuado del modelo de datos: Que permita producir información de
calidad de acuerdo con los requerimientos del negocio.
7.6 Diseño de una arquitectura de la Solución que permita ser escalable: Tanto a
nivel de volumen de datos como en la complejidad del Negocio, es decir, si ocurren
cambios en las reglas de negocio o si se incorporan nuevas variables al mismo.

8.- Descripción de un caso de implementación exitosa en el Perú

sdf
Partiendo de la premisa que el propósito primario del big data es analizar conjuntos de
datos relacionados al comportamiento humano y sus comunicaciones para revelar
patrones o tendencias, a continuación, revisaremos dos casos, uno en el sector público y
el otro en la banca del sector privado.

El primer caso es un Sistema de Análisis de Viajes en lima con la finalidad de mejorar la

red el Metro de Lima y Callao. La Autoridad Autónoma del Tren Eléctrico (AATE) con la
ayuda de la unidad de datos de Telefónica (LUCA) realizaron un estudio por medio de
LUCA Transit, una solución de Big Data y Analytics para analizar los datos de movilidad
generados por los teléfonos móviles de las personas y sus múltiples viajes que
diariamente realizan permitiendo conocer los puntos de inicio y fin, segmentación
demográfica y propósito del mismo con el objetivo futuro de planificar las líneas del metro
en base a las necesidades reales, reduciendo el número de transbordos que las personas
realizan. Este estudio se realizó el 2017, durante 4 meses las 24 horas del día en 50
distritos de Lima y Callao divididos en 330 zonas.

Dirección de Tecnologías de Información 14

 Maestría en Dirección de Tecnologías de la Información

Extra oficialmente este proyecto tiene 5 fases las primeras fueron de levantamiento de
datos y de análisis, en la 4 etapa que inicia en septiembre se va a definir una metodología
para integrar la data al plan maestro 2050 y la quinta y última iniciará en octubre.

Imagen 8.1: Big Data y el estudio de movilidad, AATE.

El segundo caso es “CreceMas”, un proyecto del BCP. Este proyecto está dirigido a los
negocios de ventas como restaurantes, tiendas, etc. Crecemas consolida la información
de los pagos realizados por los clientes con tarjetas de crédito o débito del BCP y la
complementa con la información adicional que el banco tiene de los mismos (clientes
empresa y persona). Este proyecto es una rica fuente de información para los negocios
pues les brinda información consolidada de preferencias, segmentos, distritos de los
cuales provienen los clientes e incluso permite conocer el comportamiento de tu
competencia, lo que permite diseñar estrategias, campañas o apertura de nuevos locales
fundamentadas en información.

Dirección de Tecnologías de Información 15

 Maestría en Dirección de Tecnologías de la Información

Imagen 8.2: Dashboard, crecemas.

9.- Proyección de avances tecnológicos en el futuro

Una nueva generación de tecnología y la disponibilidad de datos generados por redes
sociales y dispositivos conectados a internet junto con un cambio cultural hacia la toma de
decisiones basadas en datos continúan impulsando la demanda de tecnología para poder
aprovechar esos datos y transformarlos en información en tiempo real. A continuación,
mencionaremos algunas de las proyecciones para el futuro del Big Data y Analytics.

 Hoy en día los datos son capturados en un punto y luego son transmitidos a data
centers o clouds donde luego son procesados y analizados. La proyección es ser
capaz de consumir esos datos en tiempo real, analizarlos donde se generaron
(Edge Computing) lo cual permitirá mejorar el performance y ahorrar costos en
cloud computing. Esta proyección viene de la mano con Multi Cloud/Hybrid
Providers debido a que los datos se generan en múltiples instancias y los
proveedores de cloud deben ser capaces de integrarse a través de protocolos
abiertos y evitar a los clientes limitarse o bloquearse a un proveedor.
 Empoderamiento de las aplicaciones para la toma de decisiones, las aplicaciones
inteligentes (no personas) serán los principales consumidores mediante la
integración de Machine learning, artificial intelligence and data analytics, el
software estará habilitado para actuar sobre los datos por nosotros, ya sea de
máquina a máquina o de máquina a consumidor, en lugar de simplemente

Dirección de Tecnologías de Información 16

 Maestría en Dirección de Tecnologías de la Información

presentar los datos para que las personas los examinen y utilicen para tomar
decisiones. El auge de las aplicaciones inteligentes resolverá el problema de “Data
staffing Crisis” (problemas para conseguir personas con skills específicos).
 Por décadas los ingenieros de software han confiado en la optimización de
software para correr complejos programas, pero hay limitaciones en la
optimización. En algún punto se necesitará computadoras más poderosas para
cumplir nuestros requerimientos. Quantum Computing puede re-definir como
nosotros interactuamos en los distintos campos de estudio. Actualmente analizar
big data en un nivel granular es casi imposible, algunos patrones pueden no ser
tan obvios para la investigación y podemos perder datos valiosos en un mar de
ruido. Poderosos procesadores cuánticos podrían ser capaces de manejar
masivos datasets y la inteligencia artificial podría analizar big data en un nivel
granular.

10.- Conclusiones

 Big Data crea valor cuando se utiliza para retos empresariales (casos de negocio),
para ello es necesario tener acceso a variedad de datos (estructurados y no
estructurados), además de contar con sólidas funcionalidades analíticas
incluyendo (software y habilidades).
 Big Data permite obtener una imagen más completa de las preferencias y
demandas de los clientes, en consecuencia, las empresas de diferente rubro
encuentran nuevas formas de relacionarse con sus clientes actuales y futuros.
 La disponibilidad de datos, una nueva generación de tecnología y un cambio
cultural hacia la toma de decisiones basada en datos continúan impulsando la
demanda de tecnología y servicios de Big Data y análisis.
 La adopción de Big Data se enfoca especialmente en crear valor cuantificable para
el negocio.
 En la actualidad, los desafíos que obstaculizan la adopción de Big Data difieren del
grado de adopción que tiene la empresa.

Dirección de Tecnologías de Información 17

 Maestría en Dirección de Tecnologías de la Información

11.- Bibliografía

 AT INTERNET (2018): Glosario Data Analytic. Recuperado de:

https://www.atinternet.com/es/glosario/data-analytics/

 VE (2016): Qué es Big Data: Fases y Elementos. Recuperado de:

https://www.ve.com/es/blog/que-es-big-data-fases-elementos

 LOGICALIS (2014): Big Data Analytics: En qué consiste y cómo beneficia a tu

empresa. Recuperado de: https://blog.es.logicalis.com/analytics/en-que-consiste-
big-data-analytics-y-como-beneficia-a-tu-empresa

 Autoridad Autónoma del Sistema Eléctrico de Transporte Masivo de Lima y Callao

| Metro de Lima. (n.d.). Recuperado de: http://bigdata.aate.gob.pe:3009/

 Big Data Trends. (n.d.). Recuperado de: https://www.datamation.com/big-data/big-

data-trends.html

 Crecemás BCP. (n.d.). Recuperado de https://www.crecemasbcp.com/

 How AI and Quantum Computers Could Bring Massive Change. (2018, September
29). Recuperado de: https://insidebigdata.com/2018/09/28/ai-quantum-computers-
bring-massive-change

 IDC FutureScape: Worldwide IT Industry 2019 Predictions. (2018, October 30).

Recuperado de: https://www.brighttalk.com/webcast/15909/334915/idc-
futurescape-worldwide-it-industry-2019-predictions

 Ramasamy, K. (2019, February 22). 2019 Data Predictions: Demise Of Big Data
And Rise Of Intelligent Apps. Recuperado de:
https://www.forbes.com/sites/forbestechcouncil/2019/02/22/2019-data-predictions-
demise-of-big-data-and-rise-of-intelligent-apps/#2eade990753c

 Luis Joyanes Aguilar. (julio 2013). Big Data: Análisis de Grandes Volúmenes de
Datos en Organizaciones. Mexico D.F.: Alfaomega Grupo Editor S.A..

 The Origins of Big Data (2017, February 21) Recuperado de:

https://www.kdnuggets.com/2017/02/opinions-interviews.html

 Las siete ‘V’ del Big Data (2019, Abril 26) Recuperado de:
https://bbvaopen4u.com/es/actualidad/las-siete-v-del-big-data

 María Korolov, Network World (2013, Agosto 12) Recuperado de:

https://www.networkworld.com/article/2288276/114134-15-most-powerful-Big-Data-
companies.html

Dirección de Tecnologías de Información 18

 Maestría en Dirección de Tecnologías de la Información

 Jeff Kelly (2014, Febrero 12) Recuperado de:

http://wikibon.org/wiki/v/Big_Data_Vendor_Revenue_and_Market_Forecast_2013-
2017

 Framingham, Mass (2019, Abril 4) Recuperado de:

https://www.idc.com/getdoc.jsp?containerId=prUS44998419

 Alex Bekker (2018, Marzo 21) Recuperado de: https://www.scnsoft.com/blog/big-

data-challenges-and-their-solutions#understanding

 IBM Institute for Business Value & Escuela de negocios de la universidad de

Oxford (2012). Informe ejecutivo. Analytics: el uso del big data en el mundo real.
Recuperado de: https://www-
05.ibm.com/services/es/gbs/consulting/pdf/El_uso_de_Big_Data_en_el_mundo_rea
l.pdf

Dirección de Tecnologías de Información 19