Big Data: conceptos generales e impacto en los negocios

12-05-2016

Big Data

Conceptos generales e impacto en los negocios

¿A qué llamamos Big Data?

La “Nueva Analítica”: características diferenciales

Plataformastecnológicasen Big Data

¿Y todo esto, para qué? Ejemplos de casos de negocio

Riesgos y problemasdel Big Data

Yendo más allá: tendencias de futuro

¿A qué llamamosBig Data?

| 12-05-2016 | Atos Codex

Big Dataes un nombre para los juegos de datos que son tan grandes o complejos que las aplicaciones tradicionales para procesado de datos no son adecuadas.

Plantean desafíos en el análisis, captura, filtrado, búsqueda, compartición, almacenamiento, transferencia, visualización, consulta, actualización, y privacidad. (Wikipedia USA)

4

¿A qué llamamos Big Data?Veamos qué dice la Wikipedia…

| 12-05-2016 | Atos Codex5

¿A qué llamamos Big Data?Obviamente, el tamaño SÍ importa…

2009 2011 2012 2013 2014 2016 2017 2018 2019 2021202020152010

En 2009 se empieza a usar el término zettabyte para los ingentes volúmenes de datos.

Disrupción porla Nube

El valor estimado de la Economía de los Datos Personales es de 1 billón de euros

Los datos M2M sobrepasan los personales en 2015

1.000 millones de contadores inteligentes en 2020

44 zettabytes

0.85zettabytes

Volumen estimado de los datos digitales(a nivel mundial)

Fuente: Atos Scientific Community

| 12-05-2016 | Atos Codex6

¿A qué llamamos Big Data? … pero también importa la heterogeneidad

Datosestructuradostradicionales

BIG DATA: TAMAÑO + DIVERSIDAD…

Gran Tamaño

No Estructurados

Multimedia

TiempoReal

“Basura”

Enlazados

Sociales

Abiertos

▶ Se amplía el “universo” de datos que podemos procesar en varias dimensiones:

– Tamaño

– Estructura (o falta de ella)

– Homogeneidad

– Contenido

– “Frescura”

– Orígenes

– Relaciones


BIG DATA

| 12-05-2016 | Atos Codex7

¿A qué llamamos Big Data?Veamos un ejemplo: clientes de un comercio minorista

Transaccionescomerciales

Geolocalizacióndel móvil

Redes decomunicaciones

Sensores(NFC / RFID)

Cámarasde video

Estadísticassitios web

InformaciónLogística

Cartografíalocales

Redes Sociales

| 12-05-2016 | Atos Codex8

¿A qué llamamos Big Data?Veamos otro ejemplo: un parque eólico marino…

Supervisión ycontrol (SCADA)

Sensores dediversos tipos

Informaciónmeteorológica

Información deestado del mar

InformaciónLogística

Información demantenimiento

Informaciónoperacional

Informaciónde fabricación

La “Nueva Analítica”: características diferenciales

| 12-05-2016 | Atos Codex10

La “Nueva Analítica”: características diferencialesExpandiendo el ámbito del análisis empresarial

Años Meses Días Horas Mins S

Zetta

Exa

Peta

Tera

Analítica Tiempo

Real

S Mins Horas Días Meses Años

Automati-zación

Procesos

Soporte Decisiones “Ad hoc”

Planificación Operacional

Planificación Estratégica

Analítica Tradicional

TiempoReal

Supervisión / Control y Mantenimiento Predictivo

Big

Data

Volumen de Datos(bytes) PASADO FUTURO

AHORA

Datos ExternosNo Estructurados

Datos Internos

NoEstructurados

Fuente: Forrester

| 12-05-2016 | Atos Codex11

La “Nueva Analítica”: características diferencialesExpandiendo el ámbito del análisis empresarial

▶ Analítica Descriptiva

– ¿Qué ha pasado?

▶ Analítica Diagnóstica

– ¿Por qué ha pasado?

▶ Analítica Predictiva

– ¿Qué puede pasar?

▶ Analítica Prescriptiva

– ¿Qué tengo que hacer?

Adaptaciónretro-

aliment.A

lta

Baja Informe

Estándar

Consulta”Drill

Down”

Fore-casting

AnálisisImpactoDecisión

AnálisisEstadístico

PredicciónEscenarios

InformeAdHoc

Analítica Reactiva Analítica Proactiva

Impacto en la toma de decisiones

Tasade cambioy volumen

de datos

Descriptiva Diagnóstica Predictiva Prescriptiva


| 12-05-2016 | Atos Codex12

La “Nueva Analítica”: características diferencialesHacia una “Economía del Dato” basada en “Plataformas Analíticas”

AnalíticaPredictiva

Uso demis datos

InnovationValue Webs

Deep Learning

ModelosNegocio

Digital

DatosProducción

DatosUso

DatosConsumidor

PrivacidadSeguridad

ECONOMÍADE LOSDATOS

INTERNET OFEVERYTHING

Refinar

Interpretar

Datosútiles

Rentabilidad


SocioNegocio

ActivosDigitales

Usuarios

Dispositivos Conectados

Smart meter

PLATFORMPLATAFORMA

Proveedor Energético

Uso Datos Servicios

PLATAFORMAS ANALÍTICASDE MERCADOS MULTILATERALESCÍRCULO “VIRTUOSO” ECONOMÍA DEL DATO

Plataformas tecnológicasen Big Data

| 12-05-2016 | Atos Codex14

Plataformas tecnológicas en Big DataBienvenidos al “zoo” tecnológico. (No den de comer a los animales )

Data Integration

Data Management

AnalyticsLayer

Data Sources

Real TimeSensor Data

Smart gridPlatforms

Other Data(External)

• AMM RT Events• IEC 61850• IEC 60870-5-104• Data historians (PI)• Other sensor

protocols

• Weather• Demographics• Housing• Social media• …

• AMI/AMM

• MDM• DMS /

SCADA• GIS• EAM• CIS

AnalyticsApps

SQL

Multi-sidedMarket

Use case

Revenue ProtectionUse case

Other Use Cases

SpeedLayer

Batch Layer

Turbo LayerServingLayer

Web ServiceAPIs

Web Apps

MobileApps

IntegrationwithBI / DWH

Integrationexternal Apps

Reporting &Visualization

Data Scientist Workbench

End UserApplications

Fuente: Atos Codex

¿Y todo esto, para qué? Ejemplos de casos de negocio

| 12-05-2016 | Atos Codex16

¿Y todo esto, para qué? Casos de negocioPara resolver los desafíos de las empresas

Crear nuevos modelos denegocio, e innovar en productos y servicios

Anticipar necesidades,demandas y

comportamientosdel cliente

Utilizar la potencia de la analítica para protegersus activos

Mejorar la eficiencia yla agilidad con procesosgestionados con los datos

Experienciade Cliente

Reinvencióndel Negocio

ExcelenciaOperacional

Confianza yCumplimiento

| 12-05-2016 | Atos Codex17

¿Y todo esto, para qué? Casos de negocioAtos Codex: la familia de soluciones analíticas de Atos.

Con Atos Codex, proporcionamos un

conjunto extensivo de soluciones analíticasfocalizadas en el

negocio

Atos Analyticsfor Finance

Atos Analyticsfor Transports

Atos Analyticsfor Public Sector

Atos Analyticsfor Health

Atos Analyticsfor Telco

Atos Analyticsfor Media

Atos Analytics for Utilities

Atos Analyticsfor

Manufacturing

Atos Analyticsfor Retail

| 12-05-2016 | Atos Codex18

¿Y todo esto, para qué? Casos de negocioEjemplo: potenciando la Excelencia Operacional

Impacto de negocio:

Capacidad de producción incrementada al mejorar la eficiencia operacional

QUE HEMOS HECHO PARA UNACOMPAÑIA DE SERVICIOS

PETROLÍFEROS

El equipo de Atos ha creado una solución analítica de mantenimiento predictivo que permite al cliente mejorar la fiabilidad de equipamiento y reducir el mantenimiento y los costes de recambios en equipamiento de alto coste

Los datos se recogen desde 120 sensores que analizan el rendimiento de la cabeza de perforación en tiempo real, para observar anomalías y predecir fallos potenciales.

| 12-05-2016 | Atos Codex19

¿Y todo esto, para qué? Casos de negocioEjemplo: mejorando la Experiencia de Cliente

QUÉ HEMOS HECHO PARA UN GRAN OPERADOR MÓVIL

El sector de las Telecomunicaciones es uno de los más ricos en datos, 90% en tiempo real.

Atos ha desarrollado una solución que usa analítica en tiempo real para innovar en tres áreas:

▶Nuevos ingresos, por microsegmentación en tiempo real, basada de la experiencia y comportamiento del consumidor.

▶Mejora de la interacción con el cliente, al entender mejor la “experiencia de usuario”

▶ Eficiencia de coste por la optimización de red, adaptada a las demandas del cliente.

Impacto de Negocio:

Mejorar la generación y protección de ingresos

| 12-05-2016 | Atos Codex20

¿Y todo esto, para qué? Casos de negocioEjemplo: mejorando la Experiencia de Cliente

| 12-05-2016 | Atos Codex21

¿Y todo esto, para qué? Casos de negocioEjemplo: mediante la Reinvención de los Negocios

QUÉ HACEMOS PARA LAS EMPRESAS COMERCIALIZADORAS DE SERVICIOS

(ELECTRICIDAD, GAS, AGUA)

El negocio de estas empresas está sujeto a fuertes presiones en márgenes, y necesita poder ofrecer nuevos servicios a sus clientes.

Atos ha desarrollado una plataforma que usa analítica de datos propios (contadores inteligentes) y de terceros, y que permite:

▶Ofrecer nuevos productos (como eficiencia energética o domótica) para fidelizar al cliente.

▶Colaborar con socios comerciales, para nuevos servicios combinados en B2C y B2B.

Impacto de Negocio:

Obtención de ingresos mediante nuevos servicios

| 12-05-2016 | Atos Codex22


Socios de negocio

Curva de consumo horaria

▶ Fabricantes de electrodomésticos

▶ Servicios de renovación técnica

▶ ONGs y asociaciones

Platform

InformaciónDomicilio

Socios de Negocio

Fijación de límitede consumo y

cálculo de EcoPuntos

Isabel ha intentado muchas veces reducir su factura eléctrica sin mucho éxito. Por lo que se ha suscrito al servicio “Asistente Verde”,

que la ofrece sugerencias personalizadas a su consumo real.

El objetivo individual de ahorro se fija cada mes. Si no se excede, Isabel gana

“EcoPuntos”, que puede utilizar en productos recomendados según su patrón de consumo.

Incluso puede donar sus puntos a ONGs o programas para paliar la “Pobreza Energética”

| 12-05-2016 | Atos Codex23


| 12-05-2016 | Atos Codex

Las Pérdidas No Técnicas (PNT) son una causa creciente de preocupación para las distribuidoras eléctricas.

Significan unas pérdidas de 3.700 M€/año en Europa

Atos ha creado una solución basada en tecnología Big Dataque utiliza algoritmos de aprendizaje-máquina para

detectar patrones asociados a PNT.

Las reglas de detección se mejoran de forma continua con información de las inspecciones de campo, para mejorar su

efectividad predictiva. Además, se incluyen herramientas de campo para la gestión de los procesos asociados a PNT

24

¿Y todo esto, para qué? Casos de negocioEjemplo: potenciando la Confianza y el Cumplimiento

La mejora en las predicciones reduce las pérdidas no técnicas y mejora la eficiencia de las inspecciones, creciendo del 5% al 40%

Impacto de Negocio:

Reducción de pérdidas originadas por fraude y otras causas BENEFICIO DE NEGOCIO

| 12-05-2016 | Atos Codex25


| 12-05-2016 | Atos Codex26


Execution of analytic processesfor NTL detection

Configuration of model for NTL detection

Revision by Atos experts

Field inspectionsby utility

Data capture

Optimization

ExternalData

UtilitiesData

UnsupervisedMachineLearning

BusinessHeuristics

SupervisedMachineLearning

NetworkBalance

Analytical Toolbox

??

?

?Customized Analytical Workflows

DescriptiveAnalytics

•k-Nearest Neighbours•Support Vector Machines•Random Forest•Neural Networks

•Clustering•Consumption Patterns

•Heuristic Queries•Increasing / decreasing factors

•Descriptive statistics•Visual exploration

•Consumption balance•Voltage balance

Riesgos y problemasdel Big Data

| 12-05-2016 | Atos Codex28

Riesgos y problemas del Big DataNo todo es de color de rosas…

Privacidad

Seguridad

“Prejuicioalgorítmico”

Correlación !=Causalidad

Personal especializado

Calidad del dato

Complejidad

Modelos de Gobierno

Predicción !=Predeterminación

Yendo más allá: tendencias de futuro

| 12-05-2016 | Atos Codex30

Yendo más allá: tendencias de futuroExisten muchas líneas de trabajo para contar con nuevas capacidades

CONVERGENCIAHPC-BIG DATA

ANALÍTICADISTRIBUIDA

ANALÍTICA “RÁPIDA”(EN MEMORIA)

COMPUTACIÓNCOGNITIVA

ACCESO A DATOSCON SOPORTE A

PRIVACIDAD

ENTORNOS COLABORATIVOSCIENCIA DATOS

GOBIERNOBIG DATA

1 2 3 4 5 6 7

Visión unificada de la

computación de alta capacidad

permitiendo flujos analíticos sin fisuras que

aprovechan las características de

cada mundo.

Combinación de la Analítica y

los modelos de Nube

distribuida(“fog

computing”). Proporciona

analítica predictiva y

prescriptiva cerca del sensor.

Analítica “en Memoria” que

soporta proceso en tiempo real.

Tanto SAP HANA como

soluciones de código abierto.

El campo más activo del

Aprendizaje Máquina y la Inteligencia

Artificial, usando técnicas como

Deep Learning y ReinforcedLearning

Capas de acceso a datos que aplican

de forma transparente

restricciones asociadas a la privacidad en

aplicaciones que acceden a

repositorios Big Data

Combinación de Redes Sociales

Empresariales con

herramientas de Análisis de

Datos para ciencia de datos

colaborativa

Mejores métodos y

herramientas para el

Gobierno de Datos:

data lineage, reproducibilidad

de análisis, calidad del dato.

Atos, the Atos logo, Atos Codex, Atos Consulting, Atos Worldgrid, Worldline, BlueKiwi, Bull, Canopy the Open Cloud Company, Unify, Yunano, Zero Email, Zero Email Certified and The Zero Email Company are registered trademarks of the Atos group. April 2016. © 2016 Atos. Confidential information owned by Atos, to be used by the recipient only. This document, or any part of it, may not be reproduced, copied, circulated and/or distributed nor quoted without prior written approval from Atos.

GraciasPara más información contacte con:Celestino Güemes SeoaneR&D SmartUtilitiesAtos Worldgrid [email protected]

Big Data: conceptos generales e impacto en los negocios

Data & Analytics

Transcript of Big Data: conceptos generales e impacto en los negocios