Documento técnico

It’s a Big Data World:

Embrace the Disruption
Cómo las tecnologías adecuadas pueden
asegurar la integración, la gestión y el
análisis de grandes volúmenes de datos
de una forma eficiente y económica

WebFOCUS iWay Software Omni

Information Builders ayuda a las
organizaciones a transformar los datos en
valor empresarial. Nuestras soluciones de
Business Intelligence, Integración e
Integridad de datos permiten tomar
decisiones más inteligentes, reforzar las
relaciones con los clientes, mejorar el
rendimiento e impulsar el crecimiento.

WebFOCUS iWay Software Omni

 Índice

1 Presentación

2 La alteración provocada por los Grandes volúmenes de datos

3 Caso de uso núm. 1: Lagos de datos

4 Qué hay que tener en cuenta en el momento de crear un lago de datos
4 Modelo de la madurez del lago de datos

5 Caso de uso núm. 2: El Internet de las cosas

6 Qué hay que tener en cuenta a la hora de impulsar el IoT
7 El modelo de madurez del IoT

8 Information Builders: mejor calidad en grandes volúmenes de datos, mejor analítica

8 Big Data Integration
8 Análisis predictivo

9 Conclusión
Presentación

La producción de datos está creciendo a un ritmo sorprendente. El noventa por ciento de los
datos mundiales han sido generados en los últimos dos años.1 Y se estima que para el 2020 cada
ser humano del planeta produzca 1,7 megabytes de información nueva por segundo.2

Una cantidad de datos tan grande no se puede procesar utilizando métodos y soluciones
tradicionales.

Por lo que ¿cómo recopilan y gestionan correctamente toda esta información las organizaciones?
La respuesta para la mayoría de ellas es Hadoop. Un estudio comparativo de Ventana Research
afirma que el 48 por ciento de las empresas participantes en una evaluación reciente utilizan
Hadoop, o lo utilizarán en los próximos 12 meses.3 Y Forrester predice que el mercado de las
soluciones para grandes volúmenes de datos crecerá a un ritmo del 12,8 por ciento al año hasta
2021.4

Según PwC, Hadoop no es precisamente sencillo a pesar del hecho de que su implementación
puede ser de 10 a 100 veces más barata que la de otros métodos de almacenamiento de datos.5 Es
necesario tener los métodos de gestión de datos y soluciones de soporte adecuados para obtener
el máximo rendimiento de una cantidad tan enorme de información.

En este white paper se tratarán algunas de las alteraciones creadas por el nuevo paradigma de
los grandes volúmenes de datos y se estudiarán dos casos de uso específicos: los lagos de datos
y el Internet de las cosas (IoT). También se destacará la arquitectura de los grandes volúmenes
de datos de Information Builders y se explicará cómo nuestras exclusivas tecnologías 3i: Business
Intelligence, Integridad de datos e Integración, permiten la integración, la gestión y el análisis de
grandes volúmenes de datos de una forma eficiente y económica.

1
“Big Data, for Better or Worse: 90% of World’s Data Generated Over Last Two Years”, ScienceDaily, mayo de 2013.
2
Marr, Bernard. “Big Data: 20 Mind-Boggling Facts Everyone Must Read,” Forbes, septiembre de 2015.
3
Menninger, David. “A Recipe for Cooking With the Hadoop Ecosystem”, Ventana Research, agosto de 2016.
4
Adams, Jennifer. “Big Data Management Solutions Forecast, 2016 To 2021 (Global)”, Forrester, agosto de 2016.
5
Morrison, Alan; Stein, Brian. “Data Lakes and the Promise of Unsiloed Data”, PwC, 2014.

1 Information Builders
 La alteración provocada por los Grandes volúmenes
de datos

El aumento de volumen y las fuentes emergentes han creado un cambio importante en la forma en
la que se procesan y gestionan los datos. La integración punto a punto, los almacenes y mercados
de datos, la integración de la información empresarial, el procesamiento analítico en línea (OLAP)
y el procesamiento de transacciones en línea (OLTP), están siendo sustituidos por métodos más
modernos como la transmisión en tiempo real, los almacenes virtuales de datos, los lagos de datos
y el Internet de las cosas (IoT). Estas metodologías tradicionales de gestión requieren un profundo
conocimiento de los datos que se encuentran en movimiento o almacenados, (algo que es casi
imposible cuando se trabaja con los volúmenes masivos de información disponibles actualmente).
Es preciso que las nuevas técnicas sean más eficaces y económicas, puesto que facilitarán la
recopilación, consolidación y el almacenamiento de datos sin disponer de dichos conocimientos.

Los métodos tradicionales de gestión de datos requieren un profundo conocimiento de

los datos que se encuentran en movimiento o almacenados. Esto es algo casi imposible
cuando se trabaja con los volúmenes masivos de información disponibles actualmente.

Veamos las diferencias entre los métodos tradicionales y modernos a la hora de trabajar con
conjuntos de datos masivos a través del ejemplo de un hospital que ha adquirido Hadoop, pero
que sigue utilizando herramientas de extracción, transformación y carga (ETL) para controlar los
cambios en su sistema de informes médicos de emergencias (EMR). Con una ventana de ejecución
de lotes de solamente seis horas cada noche, los procesos ETL tradicionales tardan a menudo
hasta 15 horas en completarse (dejando un retraso de varios días en la aplicación de los cambios
en los sistemas).

Por otro lado, el hospital podría gestionar de forma más eficiente estos cambios utilizando
Hadoop. Todos los datos EMR se pueden mover a Hadoop cada noche. Desde ahí, la funcionalidad
de captura de datos modificados (CDC) se puede implementar en Sqoop, y utilizar el servicio
Hadoop para desplazar los datos. Este proceso tardará poco más de dos horas y dejará tiempo
suficiente para asegurarse de que todos los cambios han sido aplicados.

Pero la utilización de Hadoop presenta sus propios desafíos, en particular cuando se extrae
información de la plataforma a efectos de la gestión de datos. Cuando una organización invierte
en infraestructuras para trabajar con grandes volúmenes de datos, se espera que los costes sean
substancialmente inferiores (hasta un diez por ciento, según Jennifer Adams6 de Forrester) a los
de la implementación de una arquitectura de gestión de datos más tradicional. Generalmente
se utiliza un hardware no especializado y Hadoop es un entorno de código abierto que elimina
el coste de adquirir software de base de datos. Los únicos costes reales están asociados con la
distribución utilizada para gestionar el clúster: Cloudera, MapR HortonWorks, etc.

Con un ahorro en costes de casi el 90 por ciento, el ecosistema Hadoop puede ser una fuente
muy eficaz para varias aplicaciones diferentes. Veamos dos casos de usos específicos que están
apareciendo con rapidez para el ecosistema: los lagos de datos y un motor de procesamiento para
el Internet de las cosas (IoT).

6
Adams, Jennifer. “Big Data, Big Growth, Big Problems”, Forrester, agosto de 2016.

2 It’s a Big Data World: Embrace the Disruption

Caso de uso núm. 1: Lagos de datos

Los lagos de datos son depósitos de almacenamiento de datos que guardan grandes cantidades
de datos sin procesar en su formato nativo. En ellos se puede incluir información estructurada o
sin estructurar o prácticamente cualquier tipo de datos. Los lagos de datos son más económicos
que los depósitos de datos tradicionales para datos analíticos, puesto que eliminan la carga del
procesamiento más tradicional y liberan valiosos recursos informáticos.

“Hace tiempo que los almacenes de datos relacionales y sus elevados precios dominan la analítica
compleja, los informes y las operaciones” afirma PwC. “No obstante, la lentitud del cambio de los
modelos de datos y los rígidos mapeos de la integración campo a campo son demasiado frágiles
para admitir los grandes volúmenes y la variedad de los datos. La amplia mayoría de estos sistemas
hace que los usuarios empresariales tengan que depender de la TI incluso para realizar mejoras
mínimas, debido en gran medida a la poca elasticidad del diseño, a una complejidad del sistema
difícil de gestionar y a la poca tolerancia del sistema a los errores humanos. El método de los lagos
de datos sortea estos problemas.”7

Las ventajas de los lagos de datos alcanzan variedad de funciones y actividades empresariales.
Por ejemplo, un lago de datos se puede usar para efectuar la segmentación de clientes, descifrar
patrones en el comportamiento de clientes, detectar y prevenir el fraude, identificar tendencias en
las ventas y mejorar el alcance del marketing.
Raw Data Actionable Data World-Class Analytics

Unstructured

Data Swamp Data Pond BI Apps

Operational
System
Ingest
Without
Operational Coding
System Profile, cleanse, Data Marts
master, etc.
Data Pond
Semi-
Structured Create With
Relevant Data

Structured Data Lake Data Marts

Data Pond

External Raw Data

El diagrama que aparece más arriba demuestra una de las formas más eficaces y económicas de
crear un lago de datos: un método que potencia la gobernabilidad de los datos, minimiza los
costes a través de la liberación de valiosos recursos informáticos y permite a las organizaciones
recopilar y almacenar cualquier tipo de dato, independientemente de su origen o formato.
Requiere herramientas completas de incorporación, transformación y carga de datos para
recopilar información de todas las fuentes y ponerlas en un pantano de datos; sin que se necesite
una codificación amplia y costosa. Puesto que esta información no tiene que estar preparada
necesariamente para su consumo, se deben aplicar reglas para el perfilado, la limpieza y el control
de los datos antes de cargar la información en el lago de datos.

No obstante, incluso en este punto, la información dentro del lago de datos se encuentra todavía en
un formato sin procesar, y no necesariamente optimizada para su análisis puesto que no se puede
utilizar. Las charcas de datos (depósitos más pequeños que contienen datos importantes) deben
crearse dentro o fuera del clúster, para que esta información sea más procesable y más fácil de
entregar a los usuarios finales a través de aplicaciones avanzadas de business intelligence y analíticas.
7
Morrison, Alan; Stein, Brian. “Data Lakes and the Promise of Unsiloed Data,” PwC, 2014.

3 Information Builders
Pocas soluciones se pueden ocupar de todo. En lugar de reunir diferentes herramientas, busque
una plataforma completa de integración de grandes volúmenes de datos que pueda unificar,
limpiar y mover grandes volúmenes de datos procedentes de cualquier combinación de fuentes.

Qué hay que tener en cuenta en el momento de crear un lago de datos

Una reciente presentación en IT Business Edge8 acerca de la protección contra obsolescencia de
los lagos de datos destaca algunos de los factores más importantes, entre los que se incluyen:
■■ La fiabilidad. Con el aumento de las organizaciones que se decantan por la analítica de grandes
volúmenes de datos como apoyo para la toma de decisiones de misiones críticas, la fiabilidad de
la arquitectura subyacente de los grandes volúmenes de datos se ha convertido en un factor de
gran importancia
■■ La compatibilidad. El clúster de Hadoop debe interactuar adecuadamente con otros
componentes y recursos informáticos de la infraestructura
■■ La conformidad. Puesto que la adherencia a la normativa reguladora solía ser un factor clave
en el almacenamiento y la gestión de la información empresarial, las organizaciones han evitado
utilizar Hadoop para este fin. La conformidad debe continuar siendo una prioridad a la hora de
construir una infraestructura de grandes volúmenes de datos
■■ Velocidad de incorporación y descarga de datos. Las versiones antiguas de Hadoop
trabajaban con cierta lentitud, particularmente en la analítica. Las nuevas versiones son mucho
más rápidas, y servicios como Spark ayudan a conseguir velocidades más elevadas dentro del
clúster

Modelo de la madurez del lago de datos

Según un informe reciente de Radiant Advisors, “Al igual que Hadoop, que continúa
implementándose, el compromiso con la estrategia del lago de datos se encuentra en aumento.
Hemos visto una prueba de ello en los resultados de la encuesta en cuanto a la cantidad de dinero
asignada a las iniciativas actuales o futuras de lagos de datos”.9

Este informe ha constatado también que:

■■ Se reconoce cada vez más al lago de datos como un componente viable y convincente dentro
de una estrategia de datos y las empresas grandes y pequeñas continúan avanzando hacia su
adopción
■■ Existen casos claros de usos anteriores de los lagos de datos
■■ La gobernabilidad y la seguridad siguen siendo una prioridad como desafíos clave y como
factores de éxito para los lagos de datos

8
“How to Future-Proof Your Data Lake: Six Critical Considerations”, ITBusinessEdge.
9
“Data Lake Adoption and Maturity Survey Finding Report”, Radiant Advisors, octubre de 2015.

4 It’s a Big Data World: Embrace the Disruption

Caso de uso núm. 2: El Internet de las cosas

El Internet de las cosas (IoT) “es una infraestructura global para la sociedad de la información que
permite acceder a servicios avanzados interconectando (física y virtualmente) dispositivos basados
en información interoperacional y tecnologías de la comunicación existentes y en evolución”.10
Incluye dispositivos físicos y objetos, además de sistemas electrónicos, software, sensores y
conectividad de red que permiten a estos dispositivos y objetos recopilar y compartir datos.

Se espera que el ecosistema IoT crezca hasta incluir 27,8 mil millones de objetos autónomos
conectados para el 202011, impulsado por:

■■ La disminución del coste de los sensores interconectados

■■ La inversión sustancial en IoT realizada por Dell, Intel, Google y otras grandes empresas
■■ La expansión de la conectividad a Internet
■■ La alta adopción de smartphones, tabletas, teléfonos y demás dispositivos portátiles12

El IoT ha sido aplicado a numerosos procesos empresariales. Está ayudando a las organizaciones
a mejorar sus productos y servicios, a supervisar sus operaciones en tiempo real, a realizar el
seguimiento de las ventas y otras actividades, a desarrollar descuentos basados en la ubicación, a
evaluar y gestionar la experiencia del cliente y a descubrir mejoras operativas.
Flume Kafka
Agent 1 Topics
Data in Motion
0 1 2
Agent 2 Spark
Processing
Streaming
Content, IoT, Agent 3 0 1 2 + Data
Application Data Quality
Other Process
0 1 2
Producers
Predictive
Data at Rest HDFS
Analytics
Sqoop

RDBMS Job 1

Spark Data
Job 2
Quality

Job 3

La imagen que aparece más arriba representa la forma más eficaz de aprovechar el IoT a efectos
de la analítica predictiva. Los datos se encuentran constantemente en movimiento. Pero a
diferencia de como ocurría en el pasado, cuando los datos en movimiento estaban principalmente
generados a través de transacciones, los datos no procedentes de transacciones de smartphones,
tabletas, sensores de salud y otros dispositivos están siendo intercambiados constantemente.
Mientras que los datos se mueven, Flume (el servicio de transmisión en tiempo real) debe
procesarlos.

10
“Internet of Things Global Standards Initiative”, ITU, julio de 2015.
11
“The Global Internet of Things (IoT) Market”, Global Industry Analysts, junio de 2015.
12
Webster, John. “Here Are the Four Key Elements That Will Make ‘Internet of Things’ an Absolutely Massive Market”,
Business Insider, diciembre de 2014.

5 Information Builders
No obstante, algunas transacciones (EDI o HL7, por ejemplo) se procesan mejor fuera de Flume.
Entonces, las organizaciones necesitan un medio para canalizar la información a través de
Kafka, un sistema de mensajería especializado, que aplique las reglas de calidad de datos y
posteriormente envíe los datos a Hadoop Distributed File System (HDFS).

Las tareas de gestión de datos: integración, calidad de datos y, en algunos casos, control de datos,
se han considerado costosas desde hace mucho tiempo en cuanto a los recursos informáticos
que requieren. Con Hadoop, estas tareas son más económicas y, con la incorporación de Spark
al ecosistema, se pueden efectuar de forma increíblemente rápida. El diagrama que aparece más
arriba muestra a Spark gestionando las tareas de calidad de datos asociadas con la incorporación
tanto de datos en movimiento como de datos archivados.

Otro tipo de datos, procedentes de aplicaciones y bases de datos, pueden incorporarse

directamente a través de Sqoop antes de que se apliquen las reglas de calidad de datos y la
información se envíe a HDFS. Entonces, la analítica predictiva se puede utilizar frente a toda la
información contenida en HDFS: tanto los datos anteriormente en movimiento como los datos
archivados, para proporcionar conocimientos operativos en tiempo real.

Qué hay que tener en cuenta a la hora de impulsar el IoT

■■ Estándares emergentes. Aunque hasta ahora el IoT no se ha regulado de forma estricta, están
comenzando a aparecer algunos estándares
■■ Seguridad y privacidad. Los usuarios no siempre tienen control sobre los datos que se
recopilan y transmiten en tiempo real. La seguridad de los datos trasmitidos es también bastante
débil
■■ Gestión de datos. Pocos proveedores pueden gestionar los datos dentro del clúster de Hadoop.
La gestión de datos fuera del clúster anula el ahorro en tiempo y costes que ofrece Hadoop
■■ Almacenamiento, servidores y ancho de banda. Puesto que la cantidad de datos continua
creciendo, es muy probable que se produzcan problemas con el almacenamiento, los servidores
y el ancho de banda.13

13
“10 Internet of Things (IoT) Trends and Considerations,” Information Management.

6 It’s a Big Data World: Embrace the Disruption

El modelo de madurez del IoT
Organizaciones que fabrican cosas
Technology-
as-a-Service
Technology anchor
Maintaining ownership
Smart and
Customizability
Programmable Exclusivity
Products
On demand
Connected
Consumption-based x-action model
Services Virtual delivery
In context
Connected Modular
Products
Software-defined functions

Organizaciones que utilizan cosas

New Business
Models
Business models based on IoT = IT + OT

Operational Technology (OT)

Hardware and software that detects
Operational or causes a change through physical
Efficiency devices, processes, and events in
the enterprise.

Asset Information Technology (IT)

Efficiency The application of computers
to store, retrieve, transmit, and
manipulate data.

7 Information Builders
Information Builders: mejor calidad en grandes volúmenes
de datos, mejor analítica

Las soluciones 3i: integración, integridad e inteligencia de Information Builders incorporan, limpian
e integran de forma nativa los datos basados en Hadoop y los aprovecha para que funcionen con
aplicaciones y procesos existentes, transformándolos en conocimientos valiosos. Tanto si son datos
generados por máquinas, datos de ubicación, de redes sociales o de supervisión de web, nuestras
soluciones de BI y analítica explotan el valor de cada fuente detectando tendencias y generando
información de grandes volúmenes de datos. Desde herramientas sofisticadas para científicos de
datos hasta InfoApps™ para usuarios no técnicos, los grandes volúmenes de datos pueden estar
disponibles para todos.

Big Data Integration

Information Builders ayuda a los clientes a minimizar las complejidades asociadas con las iniciativas
de grandes volúmenes de datos, ofreciendo un método nativo moderno para la integración y la
gestión de datos basada en Hadoop. Nuestra solución iWay Big Data Integrator:
■■ Ofrece una interfaz simplificada y fácil de usar basada en Eclipse, con la que llevar a cabo la
integración de datos en Hadoop, incluyendo la incorporación, la transformación y la calidad de
datos (los usuarios no necesitarán tanta formación o conocimientos sobre Hadoop para realizar
eficazmente su trabajo)
■■ Elimina la codificación Hadoop, lo que permite responder más rápido a los requisitos
empresariales empleando conjuntos de capacidades menos caros
■■ Funciona con YARN, aprovechando la negociación de recursos y el rendimiento nativos de
Hadoop. Puede también aprovechar Spark cuando forma parte de la distribución
■■ Organiza recursos Hadoop, como Sqoop (para reproducción, captura y exportación de datos) y
Flume (para la transmisión en tiempo real y adquisición de datos no estructurados) y estándares
como Avro, ofreciendo soporte a toda una serie de casos de integración de grandes volúmenes
de datos
■■ Incorpora datos no pertenecientes a Hadoop (transacciones, mensajes, fuentes de datos
alternativas) a través de iWay Service Manager
■■ Incluye funciones sofisticadas adicionales de gestión y gobernabilidad de procesos
■■ Evita las partes más abstractas del ecosistema Hadoop, garantizando la estabilidad a largo plazo
en entornos dinámicos

Análisis predictivo
Una vez que se han integrado los grandes volúmenes de datos y se ha optimizado su calidad, es
posible mejorarlos aún más con la capacidad de extraerlos para obtener patrones y tendencias
que anticipen eventos o condiciones futuras. Nuestra solución de análisis predictivo WebFOCUS
RStat permite la creación de modelos predictivos completos, sin necesidad de codificación ni
secuencias de comandos, y permite que estos modelos se implementen en el clúster de Hadoop.
Los estadísticos y científicos de datos pueden también compartir los modelos con otros para hacer
operativas las predicciones a través de WebFOCUS BI y la plataforma de analítica, de forma que los
usuarios empresariales puedan tomar medidas inmediatamente en base a los resultados.

8 It’s a Big Data World: Embrace the Disruption

Conclusión

Cada día se crean más de 2,5 trillones de bytes de información a nivel mundial. Las organizaciones
tienen la oportunidad de aprovechar los grandes volúmenes de datos para mejorar su
rendimiento y rentabilidad y a menudo dependen de Hadoop para apoyar sus estrategias de
grandes volúmenes de datos. Pero la capacidad de realizar la gestión de los datos desde el interior
del clúster de Hadoop es clave a la hora de obtener el máximo rendimiento de las inversiones en
grandes volúmenes de datos.

A diferencia de otras soluciones que requieren que las organizaciones extraigan información de
Hadoop para gestionarla, iWay Big Data Integrator:
■■ Se ejecuta dentro del clúster de Hadoop
■■ Aprovecha al máximo los servicios de Hadoop
■■ Reemplaza la codificación con el mapeo
■■ Realiza la gestión de calidad de los datos desde el interior del clúster para asegurar la precisión y
consistencia de los grandes volúmenes de datos

Con iWay Big Data Integrator, la información de los depósitos de Hadoop estará completa, será
consistente y precisa. Las organizaciones pueden aplicar WebFOCUS RStat posteriormente para
implementar modelos de descubrimiento, visualización y análisis de patrones e implementar los
resultados a través de entornos de autoservicio para que los usuarios empresariales puedan tomar
acciones.

9 Information Builders
 Documento técnico

Oficinas en el Mundo
Sede Corporativa Internacional Países Bajos*
Two Penn Plaza Australia* Amstelveen 31 (0)20-4563333
n Bélgica
New York, NY 10121-2898 Melbourne 61-3-9631-7900
n Luxembourg
(212) 736-4433 Sydney 61-2-8223-0600
(800) 969-4636 Austria Raffeisen Informatik Consulting GmbH Nigeria InfoBuild Nigeria
Viena 43-1-211-36-3344 Garki-Abuja 234-9-290-2621
Brasil Noruega InfoBuild Norge AS c/o Okonor
São Paulo 55-11-3372-0300 Tynset 358-0-207-580-840
Estados Unidos
Canadá Portugal
Atlanta, GA* (770) 395-9913
Calgary (403) 718-9828 Lisboa 351-217-217-400
Boston, MA* (781) 224-7660
Montreal* (514) 421-1555 Singapur Automatic Identification Technology Ltd.
Channels (770) 677-9923 Toronto* (416) 364-2760 Singapore 65-69080191/92
Charlotte, NC (980) 215-8416 Vancouver (604) 688-2499 Sudáfrica InfoBuild (Pty) Ltd.
Chicago, IL* (630) 971-6700 China Johannesburg 27-11-064-5668
Cincinnati, OH* (513) 891-2338 SolventoSOFT Technology (HK) Limited Corea del Sur
Dallas, TX* (972) 398-4100 Hong Kong 852-9802-4757 Dfocus Co., Ltd.
Denver, CO* (303) 770-4440 España Seoul 02-3452-3900
Barcelona 34-93-452-63-85 UVANSYS, Inc.
Detroit, MI* (248) 641-8820
Bilbao 34-94-400-88-05 Seoul 82-2-832-0705
Federal Systems, D.C.* (703) 276-9006 Madrid* 34-91-710-22-75 Sud Este Asiático Information Builders SEAsia Pte. Ltd.
Florham Park, NJ (973) 593-0022 Estonia InfoBuild Estonia ÖÜ Singapore 60-172980912
Houston, TX* (713) 952-4800 Tallinn 372-618-1585 n Bangladesh n Brunei n Burma n Cambodia

Los Angeles, CA* (310) 615-0735 n Indonesia n Malaysia n Papua New Guinea
Finlandia InfoBuild Oy
n Thailand n The Philippines n Vietnam
Minneapolis, MN* (651) 602-9100 Espoo 358-207-580-840
New York, NY* (212) 736-4433 Francia* Suecia
Suresnes +33 (0)1-49-00-66-00 Estocolmo 46-8-76-46-000
Philadelphia, PA* (610) 940-0790
Alemania Suiza
Pittsburgh, PA (412) 494-9699
Eschborn* 49-6196-775-76-0 Brugg 41-44-839-49-49
San Jose, CA* (408) 453-7600
Grecia Applied Science Ltd. Taiwan
Seattle, WA (206) 624-9055 Azion Corporation
Atenas 30-210-699-8225
St. Louis, MO* (636) 519-1411, ext. 321 Taipei 886-2-2356-3996
Guatemala IDS de Centroamerica
Washington, D.C.* (703) 276-9006 Galaxy Software Services, Inc.
Guatemala City (502) 2412-4212
Taipei 886-2-2586-7890, ext. 114
India* InfoBuild India
Túnez North Africa Business Consulting
Chennai 91-44-42177082
Bizerte 215-22-86-85-79
Israel SRL Software Products Ltd.
Turquía Paladin Bilisim Danismanlik A.S.
Petah-Tikva 972-3-9787273
Istanbul 90-532-111-32-82
Italia
Reino Unido*
Agrate Brianza 39-039-59-66-200
Uxbridge Middlesex 44-20-7107-4000
Japón KK Ashisuto
Venezuela InfoServices Consulting
Tokyo 81-3-5276-5863
Caracas 58212-763-1653
Letonia InfoBuild Lithuania, UAB
West Africa InfoBuild FSA
Vilnius 370-5-268-3327
Abidjan 225-01-17-61-15
Lituania InfoBuild Lithuania, UAB
Vilnius 370-5-268-3327 * Las instalaciones de formación se ubican en estas oficinas.
México
Ciudad de México 52-55-5062-0660

Descubra Más
Podemos ayudarle a alcanzar el éxito. Póngase en contacto con su oficina de Information Builders y descubra cómo. Visítenos en España: www.informationbuilders.es,
por email info_es@ibi.com o llamando al 91 710 22 75. En México: www.informationbuilders.mx, por email info_mx@ibi.com o llamando al 55 5062 0660.
Para aumentar sus conocimientos visite education.ibi.com

Sede en EMEA Dr. Willem Dreesweg 2, 1185 VB Amstelveen, Netherlands +31 (0)20 4563333 Fax +31 (0)20 4563300
Sede Corporativa Two Penn Plaza, New York, NY 10121-2898 (212) 736-4433 Fax (212) 967-6406
Conecte con nosotros informationbuilders.com askinfo@informationbuilders.com
Oficinas centrales en Madrid C/ Joaquin Turina, 2 28224 Pozuelo de Alarcón, Madrid Tel: +34 91 710 22 75
Oficinas en México Paseo de la Reforma, 265 Piso 14. Col.Cuauhtemoc 6500 México Tel: +52 55 5062 0660
Conecte con nosotros info_es@ibi.com info_mx@ibi.com

Copyright © 2016 por Information Builders. Reservados todos los derechos. [141]
Todos los productos y nombres de producto mencionados en esta publicación son marcas comerciales o marcas registradas de sus respectivas empresas. DN7508515.1016-ES