Datos, Información y Ciencia de Datos: Clasificación, Ciclo de Vida, Big Data y Seguridad
1. Datos e información
Datos: hechos brutos que, por sí solos, no tienen sentido. Suelen ser números, símbolos o estadísticas.
Información: resultado de procesar esos datos y ponerlos en contexto para que tengan sentido. Gracias a la información se toman decisiones.
2. Clasificación y ecosistema de los datos
Los datos forman un ecosistema donde interactúan hardware, software y personas que los analizan y comparten. Se clasifican de tres maneras:
Por estructura
- Simples, compuestos (estructura fija) o semicompuestos (estructura variable).
- También se dividen en estructurados (tablas con relaciones) y no estructurados (lo más usado en análisis).
Por nivel de acceso (seguridad)
- Públicos: bajo control.
- Privados: control medio, con nombre de empleados.
- Restringidos: control máximo; perderlos daña mucho a la empresa.
Por tipo de información
- Cuantitativos: numéricos y medibles.
- Cualitativos: nominales (sin orden) u ordinales (con orden lógico, como las calificaciones).
3. Ciclo de vida de los datos
Los datos evolucionan en seis fases:
- Planificación: se define qué datos son valiosos y qué arquitectura se usará.
- Captura: los datos se recogen de diferentes fuentes y se guardan en bases de datos.
- Utilización: se eligen herramientas para protegerlos y mantenerlos seguros.
- Análisis: se transforman en conocimiento para resolver problemas y tomar decisiones.
- Archivado: se guardan por seguridad cuando ya no se necesitan de forma inmediata.
- Borrado: se eliminan de forma segura mediante software especializado para liberar espacio.
4. Big Data y ciencia de datos
Big Data son conjuntos de datos tan grandes que las bases tradicionales no pueden procesar. Se caracteriza por las 5V:
- Volumen: cantidad gigante.
- Velocidad: se caducan rápidamente.
- Variedad: distintos tipos.
- Veracidad: fiabilidad y limpieza.
- Valor: utilidad para el negocio.
Disciplinas de la ciencia de datos
Para manejar las 5V, la ciencia de datos utiliza tres disciplinas:
- Estadística: para que los humanos tomen pocas decisiones, pero muy importantes, cuando hay riesgo de equivocarse.
- Machine Learning e IA: para automatizar decisiones.
- Deep Learning: para el aprendizaje profundo con datos no estructurados.
Tipos de análisis según el objetivo
- Descriptivo: ¿qué pasa ahora? Usando KPI.
- Predictivo: ¿qué pasará? Basándose en probabilidades.
- Prescriptivo: ¿qué acciones tomar para lograr un resultado?
5. Etapas de la ingeniería de datos
Cuando surge un problema de negocio, se siguen seis etapas:
- Preguntar: definir el problema y el éxito del proyecto.
- Preparar: recopilar datos y establecer quién tiene acceso.
- Procesar: limpiar, proteger y gestionar los datos éticamente.
- Analizar: encontrar soluciones y documentar los hallazgos.
- Compartir: comunicar los resultados a los interesados.
- Actuar: poner medidas basadas en los datos.
6. Seguridad y ética
Para que los datos sean fiables, hay que garantizar la tríada CID:
- Confidencialidad: solo personas autorizadas tienen acceso a la información.
- Integridad: los datos no han sido alterados ni por error ni por ataques.
- Disponibilidad: los datos son accesibles cuando se necesitan (evitando ransomware).
Es vital cumplir con el RGPD para proteger los datos personales y el know-how industrial, ya que su pérdida equivale a una brecha. Estrategias de protección: firewall, copias de seguridad y concienciación humana contra el phishing.
7. Transformación digital y ERP
La digitalización no es solo tecnológica, también es un cambio cultural que busca optimizar recursos y dar valor añadido al cliente. Las empresas usan sistemas ERP para centralizar departamentos, por ejemplo SAP y Salesforce.