La pandemia por el virus SARS-CoV-2, declarada en 2020,ha colocado a la salud en el centro de nuestras preocupaciones. Gobiernos, multinacionales y organizaciones globales están destinando gran cantidad de recursos a la persecución de un único objetivo: la erradicación de la enfermedad. Y, de entre todas las tecnologías que se han puesto en juego con este fin, el informe Perspectiva del COVID-19. Tecnología e innovación contra el Coronavirus de Grant Thornton destaca al Big Data y a la Inteligencia Artificial como la de mayor impacto en la mitigación de la COVID-19, con un 53% del peso, seguida muy de lejos por la robótica (22%) y la ciberseguridad (12%).

Más allá de esta situación excepcional derivada del coronavirus, la alianza entre Big Data y Salud nos aporta muchas más ventajas. Solo tenemos que mirar a nuestro alrededor: la industria sanitaria demanda cada vez más especialistas en tratamiento de datos y algunas de las aplicaciones del Big Data en Salud ya han comenzado a hacernos la vida más fácil.

¿Qué datos utilizar para el análisis Big Data en Salud?

El artículo Big Data in Health Care: Applications and Challenges (Liang Hong et al., publicado en Sciendo) hace un repaso de las distintas fuentes de datos que se pueden integrar para llevar a cabo un análisis Big Data aplicado a la Salud. El listado incluye:

Big Data y Salud: hacia la Medicina 4P

El Big Data, según los especialistas en Salud, allana el camino hacia la Medicina 4P, un nuevo paradigma con cuatro pilares:

  1. Medicina Preventiva, en la que el conocimiento de las características internas y del entorno del paciente permitirá aplicar estrategias que eviten el deterioro físico y la aparición de enfermedades.
  2. Medicina Personalizada, con terapias ultraindividualizadas para conseguir el mayor beneficio con los menores efectos secundarios en cada caso.
  3. Medicina Predictiva, que mediante la monitorización constante podría detectar ciertas patologías antes de que se manifiesten los síntomas.
  4. Medicina Participativa, que empodera al paciente y lo coloca en el centro de la toma de decisiones relacionadas con su salud.

Para avanzar en esta dirección, la Agencia Europea del Medicamento ha emitido 10 recomendaciones para sacar al máximo partido al uso del Big Data en Salud en la UE, entre las que destaca la creación de una plataforma europea de acceso y análisis de datos de atención médica, así como apoyar el aprendizaje del Big Data entre los distintos actores sanitarios.

Diagnóstico automatizado por imagen, una de las aplicaciones del Big Data en Salud

Aplicaciones actuales y futuras del Big Data en el sector de la Salud

La utilización del Big Data en Salud cristaliza en aplicaciones como estas:

Estudio de la transmisión de enfermedades infecciosas

Como comentábamos en nuestro artículo sobre coronavirus y Big Data, en 2008 los científicos de datos de Google fueron capaces de prever la localización de nuevos brotes de gripe mediante el estudio de los patrones de búsqueda en Internet sobre síntomas o vacunas. Este tipo de prácticas se puede hacer extensible a otras enfermedades infecciosas y en la actualidad, con la pandemia de la COVID-19, se hace patente en la creación de herramientas como el mapa mundial de evolución de los contagios de la Universidad Johns Hopkins, que se actualiza en tiempo real con información de la red.

Seguridad farmacológica

El seguimiento de pacientes que toman determinados medicamentos con técnicas de Big Data sirve para detectar con rapidez efectos secundarios significativos que no se habían previsto antes de la comercialización. Esto ayuda a abordar la reevaluación de la seguridad del fármaco en tiempo récord.

Gestión inteligente de recursos humanos y de los suministros

El Big Data en Salud permite hacer predicciones bien fundadas de afluencia de pacientes y de evolución de la presión asistencial en los centros médicos. Con ellas se puede ajustar la política de Recursos Humanos, la gestión de turnos del personal o la compra de materiales.

Vigilancia de la salud

Los wearables son un accesorio inestimable para utilizar el Big Data en pro de nuestro bienestar. La información registrada por estos dispositivos puede orientar a los facultativos sobre nuestros hábitos y estado de salud, lo que redunda en diagnósticos más certeros, además de enviarles alertas inmediatas ante situaciones de emergencia.

Diagnóstico automatizado por imagen

Una gran ayuda para los radiólogos. Los algoritmos de Big Data rastrean píxel a píxel las irregularidades en una imagen, llamando la atención acerca de detalles clave para guiar e, incluso, automatizar el diagnóstico.

¿Te gustaría participar en el desarrollo de soluciones como estas? Únete la revolución del Big Data en Salud con datahack. Aún puedes inscribirte en nuestro Máster en Big Data & Analytics, práctico, 100% online y orientado a disparar tu proyección profesional. ¿Alguna pregunta? Contacta con nosotros: estamos a tu disposición para resolver todas tus inquietudes.

Segunda parte.

En el anterior artículo sobre Machine Learning os explicamos las aplicaciones más importantes en el ámbito de la empresa y los negocios. En este os explicamos sus usos generales que pueden ayudar al emprendimiento de una PYME.


Machine learning

6. Seguridad

El machine learning ayuda de manera rápida a la seguridad en, por ejemplo, un aeropuerto. Mediante sus algoritmos y patrones previos puede detectar si una alarma es falsa y anomalías que el ser humano no es capaz de ver con claridad.

También puede analizar imágenes de alta calidad, como por ejemplo el Face ID. Numerosas empresas de seguridad utilizan este sistema.

 7. Vehículos autónomos y robots

Estos coches se adaptan a las preferencias y gustos del conductor. Un ejemplo es la temperatura deseada o la opción de "mascota dentro del vehículo". Según un estudio de IBM, se espera que en 2025 ya podamos ver coches inteligentes en la carretera y predecir el tráfico en las ciudades.

Además, la empresa Tesla utiliza este sistema para reconocer los patrones de conducción de la persona y predice accidentes con antelación.

8. Diagnósticos médicos

El sistema de machine learning es capaz de procesar y detectar patrones e información mucho más rápido que la mente humana y desarrollar diagnósticos a partir de los informes de patología. Además, puede detectar síntomas de una enfermedad o el riesgo de tenerla en grandes poblaciones. Un ejemplo es el cáncer de mama, que fue capaz de ser detectado con antelación tiempo antes de que las mujeres fuesen diagnosticadas.

9. Procesamiento de lenguaje natural (NLP)

El machine learning es capaz de entender el lenguaje humano y responder en el mismo idioma. Ya se está utilizando en varias empresas. Pueden sustituir al empleado en el servicio al cliente y llevar al usuario a la información que desea obtener.

También tiene la función de reconocimiento de voz y uno de los sistemas más famosos que lo utilizan es Siri de IOS.

Durante la pandemia de este año muchas PYMES han cerrado por el confinamiento. En este artículo os vamos a explicar cómo puede ayudar el Big Data a una empresa, sobre todo PYME, en esta época de Covid-19. En nuestro blog puedes leer qué es el Big Data y sus aplicaciones.


Big Data para PYMES

La tecnología es una herramienta muy útil para una empresa. Es la principal herramienta para aumentar el tamaño y prestigio, desde páginas web de compra online y aplicaciones, hasta las redes sociales para interactuar con el cliente potencial. Compañías grandes como Google, Facebook y Twitter utilizan el Big Data, pero en este post nos vamos a centrar en cómo puede ayudar el big data a las PYMES.

Lo más destacable: aumento de competitividad

Lo más importante para una PYME al utilizar el Big Data es la competitividad. Además, dependerá del buen o mal uso que se haga de este sistema. El primer paso es el conocimiento de su mercado. Es necesario conocer los datos de tus clientes para poder ofrecer un producto adaptado a las necesidades de ese nicho al que se dirige la empresa.

También mejora la comunicación entre cliente y empresa, conocemos sus necesidades y su perfil sociodemográfico y socioeconómico. Todos estos datos se recopilan en tiempo real y permite un mejor análisis del cliente objetivo. A través de algoritmos puedes predecir los movimientos del target y crear soluciones a posibles obstáculos que puedan surgir.

Su aplicación depende del caso de la PYME pero hasta ahora las áreas de marketing, ventas, logística y seguridad son las que mejores resultados aportan.

Por otro lado esto también sirve para fidelizar a los clientes y humanizar la empresa. Puede utilizar esta herramienta para descubrir con anticipación si un cliente desea dejar de comprar su producto, cómo de sensible es a la variación de precio y sus características. Esto da la posibilidad de mejorar el modelo de negocio de la empresa. Además, este conocimiento permite realizar operaciones con mayor seguridad. Al obtener todos estos datos, la empresa podrá tomar decisiones con menor riesgo. El Big Data para PYMES permite un aumento de la eficacia, agilidad y productividad.

CASO PRÁCTICO DEL BIG DATA EN PANDEMIA



Netflix creció utilizando el Big Data. Mediante el análisis de los datos obtenidos por el software que mantienen, ofrecen a sus usuarios contenido personalizado. Por ejemplo, las sugerencias de búsquedas que te ofrece la plataforma están basadas en tus datos obtenidos de tus anteriores búsquedas.

Una acción sorprendente de Netflix es las diferentes carátulas que muestran al usuario dependiendo de sus gustos. Una imagen llamativa que no tiene por qué sorprender a todos sus clientes y, gracias a este uso del big data, la plataforma ha conseguido aumentar su tamaño hasta convertirse en una de las más grandes.


Estos consejos y el buen uso del Big Data permitirán que tu empresa crezca con menor riesgo y un mejor nicho de mercado. Puedes leer más sobre este sistema en nuestro blog. Coméntanos si has utilizado el Big Data o si tienes alguna duda.

El procesamiento de volúmenes ingentes de datos requiere de sistemas altamente eficientes, capaces de incorporar constantemente nuevas entradas sin parar de generar información útil para la toma de decisiones. Para satisfacer esta necesidad se diseñan las arquitecturas Big Data, modelos que han ido sofisticándose con el paso de los años con el fin de adaptarse a las exigencias de las organizaciones que los utilizan.

Hoy en datahack analizaremos las características y las diferencias que existen entre dos de las arquitecturas Big Data más extendidas: Lambda y la que muchos consideran como su evolución, Kappa.

¿Qué es la arquitectura Big Data?

Una arquitectura Big Data se define como un sistema de tratamiento de datos creado para tomar inputs de diferentes fuentes y con distintos formatos, analizarlos y convertirlos en conclusiones relevantes para el destinatario, de manera que le ayuden a predecir escenarios o determinar qué acción llevar a cabo en una situación dada.

Las arquitecturas Big Data se basan tanto en el almacenamiento como en el procesamiento distribuido de los datos, lo que las hace más seguras que los modelos centralizados en caso de fallos, ya que facilitan la localización y el aislamiento del nodo problemático con celeridad sin comprometer el funcionamiento del resto. Esto reduce, asimismo, la latencia en las conexiones, acortando los tiempos de respuesta en las solicitudes de información.

Otra de las grandes ventajas de las arquitecturas Big Data con respecto a las metodologías de análisis tradicionales es su escalabilidad: se conciben como sistemas adaptativos, preparados para asumir la entrada continua de nuevos conjuntos de datos y para ser extrapolados a ámbitos muy diversos.

Sala de servidores para el almacenamiento Big Data

Arquitectura Lambda: ¿en qué consiste?

Los principios de Lambda como arquitectura Big Data fueron establecidos por Nathan Marz en 2011 en su artículo How to beat the CAP theorem. Lambda se sustenta en una estructura de tres capas:

En la arquitectura Lambda, los datos entran por duplicado, en la capa batch y en la capa streaming. A partir de aquí, se someten a dos tipos de tratamiento:

  1. Procesamiento batch. Aborda los datos por lotes, conjuntos con un inicio y un final acotados. Los resultados de la consulta se muestran en vistas indexadas en la capa de servidor. Ofrece outputs muy fiables, dado que toma en cuenta segmentos completos de registros; pero, a cambio, precisa de un tiempo relativamente largo (minutos u horas) para completar la operación, por lo que no se considera útil en situaciones en las que la toma de decisiones deba ser casi instantánea. Para paliar esta desventaja, lo habitual es diseñar preconsultas en la capa batch que la capa serving indexará como vistas, lo que acelera la respuesta cuando se efectúa la solicitud.
  2. Procesamiento streaming. Proporciona información en tiempo real con vistas que se muestran directamente en la propia capa de velocidad y que se actualizan de forma constante apoyándose en los datos más recientes.

Arquitectura Kappa: ¿alternativa a Lambda?

La arquitectura Kappa nació en 2014 de la mano de Jay Kreps y su reflexión Questioning the Lambda Architecture. En ella, Kreps criticaba el consumo innecesario de recursos que supone mantener y tratar los mismos datos, con el objetivo de obtener resultados similares, en dos sistemas distintos (la capa batch y la capa streaming).

Kreps opina que el procesamiento por lotes también se puede llevar a cabo en la capa streaming. Y, como consecuencia, en su idea de Kappa aboga por suprimir la capa de segmentos, quedándose solo con la de streaming y la de consulta, y pasando a considerar todo como un flujo de datos ininterrumpido, sin final definido, en el que aplicar las operaciones.

Estructura de nodos para el procesamiento Big Data

Arquitecturas Big Data Lambda y Kappa: ¿cuándo utilizar cada una?

A pesar de que Kappa supone una simplificación de Lambda, no por ello constituye una solución para todas las circunstancias. Valorar cuándo y dónde implementar una u otra arquitectura Big Data depende de factores como el tipo de procesamientos simultáneos de los datos que se pretenden realizar, la importancia de la latencia para los actores implicados o si vamos a utilizar la información recabada para el desarrollo de modelos de machine learning. Una decisión delicada que corresponde tomar a los especialistas en Big Data.

¿Quieres aprender más sobre arquitectura Big Data y sobre Lambda y Kappa? Infórmate sobre el Máster Experto en Arquitectura Big Data de datahack, una formación puntera, intensiva y online con la que darás un gran paso adelante en tu carrera profesional en tan solo 15 semanas. ¿Te interesa? Contacta con nosotros y resolveremos tus dudas. Con datahack, ¡te espera un gran futuro en el mundo del Big Data!

La utilización del Big Data no ha hecho más que comenzar. Aunque su alcance es difícil de predecir, conocemos sus utilidades en el mundo de los negocios, el marketing y las ventas. Sin embargo, existen otras muchas disciplinas en las que su uso abre nuevas e interesantes perspectivas. Un caso particularmente llamativo es la relación que existe entre Big Data y fútbol, que abre un nuevo ámbito profesional: el analista de fútbol.

Si tenemos en cuenta que el fútbol mueve en España más de 15 000 millones de euros al año, resulta lógico que los responsables de la toma de decisiones busquen la mayor seguridad posible. Mediante la aplicación de las tecnologías de Big Data y Machine Learning al deporte, se pueden mejorar distintos procesos como fichajes y diseño de alineaciones. Incluso es posible reducir los riesgos de lesiones y mejorar el rendimiento físico de los jugadores. Veamos cómo se relacionan Big Data y fútbol en la actualidad.

Qué métricas aporta el Big Data en el fútbol

El análisis de los datos generados por la práctica deportiva genera una verdadera ventaja competitiva para los equipos. Por eso, cada día más empresas emplean técnicas de Big Data para asesorar a los directivos del mundo del fútbol. Entre las principales métricas que se tienen en consideración destacan las siguientes:

-         Información espacial

La posición media del equipo y el sentido del juego son determinantes en el planteamiento de tácticas futbolísticas. Los mapas de calor son una herramienta muy útil para valorar cuáles son las áreas del campo más relevantes en el diseño del juego. A través de ellos se puede visualizar de manera inequívoca la importancia de las bandas en el desarrollo de las jugadas o el papel de los distintos jugadores según su posición en el campo.

-         Rendimiento de los jugadores en los partidos

Esta información resulta especialmente útil para los preparadores físicos de los equipos. Mediante distintas aplicaciones es posible conocer datos como las distancias recorridas por los jugadores (con o sin balón), la velocidad máxima y media de sus carreras o los porcentajes de posesión en las distintas zonas del campo.

-         Datos estadísticos

Los comentaristas de los partidos aportan con frecuencia un gran volumen de datos cuantitativos sobre la progresión de los equipos a lo largo de sus narraciones. Para ello se valen de los últimos avances en software estadístico aplicado al fútbol. Estas aplicaciones permiten visualizar distintos parámetros comparados utilizando la posición del balón como referencia: tiros, pases, pérdidas de balón, ocasiones de gol…

Aplicación de Big Data en el fútbol para el diseño de jugadas

Aplicaciones del Big Data en el fútbol

-         Análisis del juego

En el terreno meramente táctico, el procesamiento de datos permite identificar secuencias y patrones de juego en los equipos rivales. La preparación de cualquier partido conlleva un estudio en profundidad del adversario y el Big Data en el fútbol facilita mucho esta labor.

Un ejemplo muy ilustrativo se da en el análisis de los lanzamientos de penaltis. Mediante el estudio de los datos disponibles se puede inferir fácilmente quiénes se encargan de hacerlo en condiciones normales o cuáles son las tendencias en cuanto a fuerza y trayectoria.

-         Mercado de fichajes

Las cantidades de dinero que se mueven a la hora de fichar a determinados jugadores dan buena cuenta de la importancia que tiene un estudio previo sobre el mercado a la hora de tomar las decisiones pertinentes. En este sentido, se da una secuencialización de procesos ajustada a las necesidades de los clubes:

  1. Estudio de los parámetros descriptivos de los jugadores: rendimiento físico, evolución de métricas de resultados, lesiones…
  2. Creación de un modelo predictivo. Se trata de crear patrones que permitan identificar riesgos y oportunidades.
  3. Comparación de los datos de los jugadores con otros similares con el objetivo de llegar a la mejor decisión para cubrir un puesto determinado.

-         Rendimiento de los equipos

Las rotaciones en las alineaciones son clave en el éxito de un equipo a lo largo de una temporada. Por eso, contar con datos actualizados sobre las tendencias de cada jugador genera un beneficio colectivo a largo plazo. De eta manera, además, se pueden implementar estrategias adaptadas a cada competición, lo que resulta muy ventajoso teniendo en cuenta el alto nivel de exigencia física actual.

Entrenamiento de fútbol optimizado con técnicas de Big Data

Como vemos, la irrupción del Big Data en distintas disciplinas abre la puerta a nuevas vías de desarrollo profesional inimaginables hasta el momento. Por ello, la formación en las nuevas tecnologías de procesamiento de datos puede ser el elemento clave para conseguir el puesto de trabajo de tus sueños. Contacta con nosotros y descubre las posibilidades que te ofrecen nuestros cursos y másteres de experto en Big Data.

Las estadísticas y el deporte siempre han ido muy de la mano, así que era inevitable que, con la llegada del Big Data, los equipos deportivos fueran los primeros en dar el salto y apropiarse de estas tecnologías. El objetivo: mejorar el rendimiento, adelantarse a los rivales, aumentar la base de fans y los beneficios…Ser los mejores.

Son muchos los deportes en los que el Big Data se usa ya de forma habitual (desde la NBA y el rugby hasta el fútbol y el baseball, pasando por la NASCAR o el tenis). Aquí veremos algunos de los usos que se dan a estas tecnologías en el ámbito del deporte.

Tomar mejores decisiones para futuros partidos

Monitorizando con reconocimiento de imagen las posiciones de jugadores y pelota, se pueden saber velocidades, distancias, separación entre jugadores, interacción entre ellos, estadísticas de posesión… Todos estos datos, mostrados con visualizaciones sencillas, permiten a los entrenadores tomar mejores decisiones para optimizar el juego.

Determinar patrones de los competidores

Relacionada con la anterior, suelen ir de la mano. Siempre mostramos tendencia a tomar cierto tipo de decisiones en cierto tipo de circunstancias. Gracias a eso, examinando millones de datos de partidos previos con herramientas de Big Data, los entrenadores de un equipo pueden adelantarse a las decisiones del equipo contrario. Y corregir su propia tendencia a traicionarse eligiendo las mismas tácticas una y otra vez…

Optimizar el entrenamiento de cada jugador

No es infrecuente que se ponga sensores a los deportistas para hacer todo tipo de mediciones mientras entrenan. De esta forma, en base a los datos recopilados (sobre sus niveles de intensidad, fatiga, golpes si se trata de deportes de contacto…), se puede diseñar un entrenamiento personalizado que le permita sacar todo el partido a su cuerpo o recuperarse antes de sus lesiones. También se recopilan datos psicológicos para explorar cómo su estado de ánimo afecta a su rendimiento.

Conocer el riesgo de cada nuevo fichaje

Fichar a un jugador estrella puede ser caro y un gran riesgo si se lesiona o da mala imagen. Analizando con Big Data su patrón de lesiones, su forma de jugar en diferentes equipos competidores… los equipos podrán determinar si su rendimiento será el deseado en el campo. Y, con un análisis de sus comentarios y apariciones públicas, pueden ver si su imagen encaja con lo que se espera de un jugador que pertenece a un equipo con ciertos valores.

Hacer crecer la marca deportiva

Por último, pero no por ello menos importante, está el rendimiento económico. No se limitan a poner precios dinámicos a las entradas mediante análisis predictivos.

A través de la captura de datos de fans y su análisis, los equipos y selecciones pueden hacer análisis predictivos para orientar la toma de decisiones. Además, monitorizando los comentarios de los usuarios con análisis de sentimientos, pueden descubrir lo que buscan los fans y potenciarlo, eliminando lo que no les gusta. Pueden así optimizar sus comunicaciones para fidelizar a los fans y captar nuevos seguidores de sus escudos apoyándose en los jugadores más populares. Además, se basan en el Big Data para desarrollar estrategias de venta de los productos promocionales con más potencial para ser exitosos.

Conclusión

El uso del Big Data en deporte es creciente y cada vez más importante, así que aprenderlo puede ser una buena opción para trabajar en ese sector si no eres un gran deportista. Con el máster de Big Data & Analytics de datahack, aprenderás las más novedosas herramientas para entrar en este mundo apasionante.

MÁSTER EXPERTO EN BIG DATA & ANALYTICS

Gracias al Master en Big Data Analytics 100% Online tendrás amplios conocimientos sobre las herramientas y técnicas analíticas necesarias para la modelización de los principales retos de negocio, con el fin de mejorar la toma de decisiones a través de los datos y el conocimiento.

La plataforma de cursos Online LIDlearning, especializada en formación empresarial, ofreció un Webinar protagonizado por Lourdes Hernández, directora académica de Datahack. En él, amén de presentar nuestro programa, ofreció una interesante introducción al Big Data y enumeró algunos de los casos en los que podría resultar útil el trabajo del científico de datos.

Así, repasó cómo el Big Data ayudaba en la detección del fraude, que como vimos en el Datatalk de Juan Cañada sirvió para detectar el caso de Los Papeles de Panamá. También era necesario para los motores de recomendación que usan empresas como Facebook, Amazon o Netflix. Del mismo modo, explicó cómo servía para crear modelos predictivos y analizar la pérdida de clientes para adelantarse y fidelizarlos. También mencionó el caso de la creación de Data Lakes, o lugares de almacenamiento Big Data de datos que operan con tecnologías Hadoop.

A continuación, pueden disfrutar del contenido del seminario. Si quieres conocer más sobre Big Data y Datahack, contacta con nosotros.

MÁSTER EXPERTO EN BIG DATA & ANALYTICS

Gracias al Master en Big Data Analytics 100% Online tendrás amplios conocimientos sobre las herramientas y técnicas analíticas necesarias para la modelización de los principales retos de negocio, con el fin de mejorar la toma de decisiones a través de los datos y el conocimiento.

chevron-down