11 documentos entre tesis de pregrado, postgrado o maestría y alguna de doctorado que tuviesen como temática el estudio o aplicación del Big data
Con este post concluyo mi recopilación
de recursos y material bibliográfico gratuito en español, respecto al tema BIG
DATA, para finalizar y luego de una búsqueda por la red en distintos
repositorios de diferentes universidades en varios países, reuní 11 documento
entre tesis de pregrado, postgrado o maestría y alguna de doctorado que tuviesen
como temática el estudio o aplicación del Big data para seguir bajo la misma línea
de estos últimos post, el primero de ellos, 10 cursos gratuitos y en español sobre Big Data y el segundo 10 documentos gratis y en pdf que abordan el tema del BIG DATA en descarga directa, puedes visualizarlos para ampliar tu búsqueda
sobre recursos o bibliografía del tema, las tesis seleccionadas abordan diferentes
temáticas que pueden ser útiles, si te encuentras buscando bibliografía para tu investigación, ya que van
desde aplicaciones y usos en los negocios, empresas y universidades entre otras,
estas 11 tesis en español y formato PDF están en descarga directa para ser
revisadas, esperando sean de ayuda en tu investigación , si alguien llegó hasta aquí en la búsqueda bibliografía sobre otro tema o una rama en específica del big data, me puede solicitar ayuda por las redes sociales de este blog y
con gusto intentaré aportar mi ayuda, sin más agradezco tu interés en el
aporte, hasta pronto.
Estas son 11 tesis o investigaciones sobre el estudio y aplicación del BIG DATA, para pregrado, maestría, doctorado disponibles en español, pdf y descarga directa.
1. Análisis de modelos de negocios basados en big data para operaciones móviles.
- Autores: Manso, Fernando, Colombia, 2014
- Idioma: Español
- Descripción:
Con el constante crecimiento de
información en cada uno de los aspectos más relevantes mundialmente como
sociedad, comercio y ciencia, se vuelve necesario un cambio con respecto al
manejo de la información, que hasta hace poco tiempo se venía implementando a
partir de bases de datos relacionales. Si bien este esquema funcionaba para
ambientes que almacenaban teras de información con datos puntuales y que a
través de consultas SQL se podía buscar la información requerida, se vuelve
dispendioso y costoso al momento de analizar un mayor volumen de información,
en ambientes donde anualmente se almacenan petas de todo tipo de datos,
incluyendo aquí los no estructurados, como archivos de video y audio; un
ejemplo de esto es “Google, que recibe a diario trillones de bytes, con el
objetivo de ofrecer muchos de los servicios que actualmente se conocen como el
mismo motor de búsqueda y Google Earth”1.
El manejo de grandes cantidades
de información conlleva a pensar en la implementación de herramientas que
permitan administrar y gestionar este tipo de datos no estructurados y
semiestructurados, en la búsqueda de patrones concurrentes para la toma de
decisiones. “Actualmente se pueden encontrar tecnologías como Hadoop, MapReduce
y bases de datos NoSQL, que se pueden implementar en la creación de un ambiente
Big Data”2.
De esta manera, el proyecto busco la implementación de una arquitectura para crear un ambiente Big Data en la Universidad Católica de Colombia, teniendo en cuenta aspectos importantes como el software y el hardware que se debía utilizar para realizar dicha labor, de igual manera todos los procedimientos que implicaba empezar a utilizar bases de datos no relacionales. Todo esto se ve reflejado a través de dos guías, donde se podrá encontrar de una manera detallada los pasos para la implementación de un ambiente Big Data, sus elementos y procesos para ingresar y consultar información a través de un ejemplo específico, con el propósito de diseñar estrategias y buscar patrones que permitan una buena gestión de la información.
- Descargar: CLIC PARA IR A LA FUENTE
-----------------------------------------------------------------------------------------
2. Título: Diseño y desarrollo de una guía para la implementación de un ambiente Big Data en la Universidad Católica de Colombia.
- Autores: Guerrero López, Fabián Andrés
& Rodríguez Pinilla, Jorge Eduardo, Argentina, 2015
- Idioma: Español
- Descripción:
“En este trabajo se realiza una
descripción de la problemática del modelo de negocios actual de los operadores
de telecomunicaciones móviles y la industria. Se introduce los conceptos
básicos a nivel ejecutivo de las soluciones de Big Data. como estas pueden
satisfacer necesidades que el BI tradicional no puede y se presentan casos de
uso de operadores móviles líderes. Finalmente, se analizan los modelos de
negocios de internet y las formas de monetización free como base de la
propuesta de un nuevo modelo de negocio basado en la explotación de los datos
de los operadores móviles.
- Descargar: CLIC PARA IR A LA FUENTE
------------------------------------------------------------------------------------
3. Título:Estudio exploratorio del uso de indicadores de Big Data de Google como variable en el modelamiento del flujo mensual de visitantes al Complejo Arqueológico de Kuélap.
- Autores: Meléndez Roman, José Francisco, León Gutiérrez, Jhoceline Paola, Villar Ortiz, Brenda Stephanie, Perú, 2018
- Idioma: Español
- Descripción:
En la actualidad, se puede
observar un crecimiento en cuanto a las búsquedas online que los viajeros
potenciales realizan para obtener información sobre el destino turístico al
cual desean dirigirse (Instituto Valenciano de Tecnologías Turísticas, 2015);
siendo notorio que con el transcurso de los años, el internet se ha posicionado
como la principal herramienta de búsqueda de los diferentes mercados a nivel
mundial (StatCounter, 2017); por ejemplo, el 69% de los turistas extranjeros
que llegaron a Perú en 2016 afirmaron que internet influyó en la elección de su
destino (PROMPERÚ, 2017). Por su parte, el 86% de los vacacionistas nacionales
en el 2016 usaron internet para buscar información turística, especialmente el
buscador Google y el portal “Y Tu Que Planes?” (PROMPERÚ, 2017).
Es posible encontrar una gran
cantidad de data relacionada al turismo disponible en la web, pero es necesario
un análisis profundo para encontrar el sentido de la información que se
obtiene. Un consumidor potencial planeando un viaje, probablemente requiera más
que un poco de ayuda del internet cuando busque fuentes de inspiración, compre
boletos, reserve alojamiento o busque atractivos. Es por ello que, en la
actualidad, se está incrementando la cantidad de actores de la industria
turística que adoptan el análisis de grandes cantidades de información para
descubrir nuevas formas de tomar decisiones y encontrar oportunidades (Song
& Liu, 2016). En ese sentido, las búsquedas en internet proporcionan
patrones que pueden ser aprovechados por la industria turística, por ejemplo,
para pronosticar el número de llegadas hacia un destino turístico.
Existen diversos métodos para
pronosticar el número de llegadas hacia un destino turístico. El tipo
autorregresivo es aquel que emplea una serie de datos históricos para realizar proyecciones
(Shareef & McAleer, 2005). A este método tradicional, se ha incorporado en
recientes investigaciones un indicador del tipo electrónico: Google Trends;
como en los estudios sobre destinos turísticos de Onder y Gunter (2016) o Park,
Lee y Song (2015). Este indicador electrónico refleja el volumen relativo de
búsquedas de un término clave en la web y forma parte de lo que actualmente se
conoce como Big Data.
- Descargar: CLIC PARA IR A LA FUENTE
-------------------------------------------------------------------------------------
4. Título: Modelos de negocios basados en datos : desafíos del Big Data en Latinoamérica.
- Autores: Alcaíno Ruiz, Myrla; Arenas Miranda, Valeska; Gutiérrez Baeza, Felipe, Chile, 2015
- Idioma: Español
- Descripción:
“El presente estudio tiene por
objetivo identificar cuáles son los principales Modelos de Negocios basados en
Datos desarrollados por las Startups en Latinoamérica, y determinar qué
características definen cada uno de los modelos encontrados. La muestra estudiada
incluyó un universo de 82 empresas, pertenecientes a 7 países listadas en
AngelList y Start-Up Chile. Dentro de los objetivos específicos, se busca
establecer qué patrones de innovación están desarrollando estas empresas y la
forma en que podrían evolucionar. La metodología utilizada aborda la técnica
CRISP-DM. Entre las principales etapas que se presentan destaca el
Entendimiento de los Datos, en donde se explican las líneas de investigación
que este trabajo desarrolló, específicamente, aquellas relacionadas al análisis
del tipo cualitativo, a través de entrevistas semiestructuradas y, al del tipo
cuantitativo, mediante el análisis de páginas web. Los resultados de
entrevistas se examinaron mediante un análisis de contenido, y para el caso de
los datos recolectados del análisis web se utilizaron tres tipos de algoritmos,
análisis de Clusters K-means, X-means y árboles de decisión. Los resultados
fueron representados en un mapa de posicionamiento.
- Descargar: CLIC PARA IR A LA FUENTE
5. Título: Prototipo de laboratorio hadoop para análisis big data en la institución universitaria Politécnico Grancolombiano.
- Autores: Galeano Cruz, Liliana; Domínguez Rivera, David Alejandro, Colombia, 2017
- Idioma: Español
- Descripción:
Este documento busca que los
lectores conozcan Hadoop, un framework diseñado para el almacenamiento y
análisis inicial de Big Data, además de las ventajas de implementar esta
tecnología, sus principales características y los grandes beneficios que puede
brindar Hadoop como framework para lograr una arquitectura escalable. Por otro
lado, el desarrollo de este proyecto se enfoca en el montaje de un prototipo de
clúster Hadoop, para la institución universitaria Politécnico Grancolombiano,
que sirva como herramienta que permita realizar el análisis y almacenamiento de
información Big Data, además de servir como guía o referencia para aprender a
montar un ambiente Hadoop, además de proveer y explicar un ejemplo básico de
programación en MapReduce.
- Descargar: CLIC PARA IR A LA FUENTE
-----------------------------------------------------------------------------------------
6. Título: Diseño de un curso teórico y práctico sobre: Big Data.
- Autores: Laverde Salazar, María Fernanda; Santiago, Chile 2015
- Idioma: Español
- Descripción:
La
veloz expansión del uso de la tecnología, genera un conjunto de desafíos en
cuanto al manejo y análisis de grandes cantidades de datos que se generan a una
gran velocidad, ya que se debe lidiar con situaciones vinculadas tanto con los
datos, el software & hardware y además la relaciones entre clientes y
proveedores de servicios. El Big Data es
una etapa en la era digital, y no representa un concepto aislado, ya que para
su correcto aprovechamiento es necesario establecer una integración con los
métodos de análisis de datos que permitirán sacar provecho a la información
recolectada. La posibilidad de tomar decisiones y luego llevar a cabo acciones
útiles a través de los resultados obtenidos, mediante herramientas de análisis
de datos, es lo que constituye el núcleo del Big Data Analytics. Tal como lo
expresa Michael Minelli (coautor del libro Big Data, Big Analytics: Big Data no
es sólo un proceso para almacenar enormes cantidades de data en un data
warehouse ( ) Es la habilidad de tomar mejores decisiones y tomar acciones
útiles en el momento preciso . El trabajo de grado que se desarrolla a
continuación corresponde al Diseño e implementación de un curso teórico y
práctico sobre Big Data. Dicho curso está orientado a alumnos de pregrado de la
Universidad de Chile, y se basa en un diseño curricular siguiendo una
metodología docente específica la cual se estructura en bloques de
planificación y desarrollo. El programa se divide en módulos de aprendizaje
definidos mediante temas y objetivos, y tiene una duración de cuarenta (40)
horas en total entre clases teóricas (20 horas divididas en 10 clases) y
prácticas (20 horas divididas en 5 laboratorios).
El
objetivo general del curso, es integrar conocimientos relacionados con la forma
de almacenar, administrar y aprovechar mediante herramientas específicas, el
incremento sustancial del volumen de datos que se manejan diariamente, e
inclusive cada segundo, en las empresas de tecnología y comunicación de las
cuales, en su mayoría, día a día somos los principales generadores de data.
- Descargar: CLIC PARA IR A LA FUENTE
--------------------------------------------------------------------------------------
7. Título: Estudio sobre uso de Big Data en pymes.
- Autores: Sirera Martínez, Augusto; Santiago, España, 2015
- Idioma: Español
- Descripción:
El análisis basado en Big Data es
una realidad actual y es usado por muchas empresas como fuente de información
para mejorar sus procesos productivos, conocer mejor el entorno del negocio y
establecer mejores relaciones con sus clientes. Es conocido que grandes
empresas como Facebook, Netflix o Amazon apoyan buena parte de su gestión
empresarial en el uso de Big Data, pero ¿puede una pyme hacer uso de Big Data
para su beneficio? Una pyme no tiene la capacidad necesaria para abordar un
proyecto de Big Data tradicional, pero hay gran cantidad de empresas que están
presentando servicios basados en Big Data que pueden ser útiles a pymes. El
coste de estos servicios es asumible por muchas pymes y únicamente deben
preocuparse de que tipo de servicio necesitan y que información es relevante
para su negocio El cuerpo central del proyecto presenta un catálogo de
servicios Big Data que pueden ser útiles a una pyme. Entre los servicios
presentados hay servicios orientados a superficies comerciales, marketing
digital, conocimiento de opinión de clientes y valor en redes sociales.
ÍNDICE DE CONTENIDO: 1. Introducción 1.1 Motivación 1.2 Objetivos
1.3 Enfoque y método seguido 1.4
Planificación del Trabajo 1.5 Breve
sumado de resultados obtenidos 1.6 Breve
descripción de los otros capítulos de la memoria 2. Big Data 2.1 ¿Qué es Big Data? 2.2 Realidad de una pyme al acercase a Big
Data 3. Servicios Big Data 3.1 Google Analytics 3.2 IBM Watson Analytics 3.3 Kompyte
3.4 Surrukll 3.5 Canopy Labs 3.6 Smetrica
3.7 Movintracks 3.8 Metrikea 3.9 TC Store
3.10 InsightSquared 3.11
Followthehashtag 4. Resultados
del estudio 5. Conclusiones 6. Bibliografía. Ilustración 1 -
Planificación TFG 3 Ilustración 2. Panel de Google Analytics 8 Ilustración 3.
Watson analytics. Panel de presentación de datos 10 Ilustración 4. Kompyte.
Pantalla de actualizaciones de competidores 11 Ilustración 5. SumAll. Pantalla
de selección de servicios. 12 Ilustración 6. SumAll. Ejemplos de informes de
actividad 12 Ilustración 7. Canopy Labs. Panel de generación de acciones de venta. 13 Ilustración 8. Página de resultados de
Smétrica. 15 Ilustración 9. Movintracks.
Panel de cupones comerciales. 16
Ilustración 10. Metrikea. Gráfica de flujo de clientes en planta 17 Ilustración
11.Meirikea. Panel con proyección de ventas y afluencia de dientes. 18 Ilustración 12. TC-Store. Gráfica de
predicción de afluencia de dientes. 19
Ilustración 13. InsightSquared. Panel de proyección de ventas. 20 Ilustración 14.
InSightSquared. Panel de influencia de campañas de marketing. 21 Ilustración 15. Followthehashtag. Panel
principal 22 Ilustración 16. Followthehashtag. Panel de influencia 22
- Descargar: CLIC PARA IR A LA FUENTE
----------------------------------------------------------------------------------------
8. Título: Minería de datos aplicada a la enseñanza virtual: nuevas propuestas para la construcción de modelos y su integración en un entorno amigable para el usuario no experto.
- Autores: García Saiz, Diego, España, 2016
- Idioma: Español
- Descripción:
Las plataformas de aprendizaje
virtual son ampliamente utilizadas en el sistema universitario español para la
impartición de docencia virtual, así como para el apoyo de la docencia
presencial en el aula. Éstas almacenan gran cantidad de datos acerca de la
actividad que los estudiantes realizan en la mismas, los cuales,
convenientemente tratados, permiten extraer patrones y modelos de
comportamiento que ayuden a los profesores a entender y mejorar el proceso
enseñanza-aprendizaje. Lamentablemente, la aplicación de las técnicas de
minería de datos no está al alcance de todo el profesorado, y es por ello
necesario proporcionar soluciones. Esta tesis avanza en este reto, por una
parte, aportando el estudio, desarrollo y aplicación de técnicas de
clasificación al problema de la predicción del rendimiento y por otra,
proponiendo una arquitectura de sistema software que permita a profesores sin
conocimientos sobre minería de datos obtener e interpretar dichos modelos.
ÍNDICE DE CONTENIDO: 1. Introducción I.I. Motivación: la minería
de datos en el área educativa 1.2.
E-leaming WebMiner: minería de datos al alcance de todos los profesores de
cursos virtuales 1.3. Objetivos de la
tesis y líneas de trabajo 1.4. Modelo
de procesos seguido para la aplicación de las técnicas de minería de datos 1.5. Publicaciones sobre los contenidos de
la tesis 1.6. Organización del
documento 2. Descripción del contexto,
fuentes de datos, procesos y técnicas utiliza-das 2.1. Los cursos virtuales en
la Universidad 2.2. La actividad almacenada
en Moodle y Blackboard 2.3.
Características de los cursos 2.4.
Extracción y pre-procesado de las medidas de actividad de los estudiantes 2.5.
Técnicas utilizadas para la obtención y evaluación de los modelos de mi-nería
de datos 2.6. Despliegue de los
resultados: mejora y extensión de E1WM 3. Educational Data Mining:
estado del arte 3.1. La minería de datos aplicada al campo educativo 3.2. Prediciendo el rendimiento de los
estudiantes 3.3. Conclusiones sobre el
estado del arte 4. Meta-learning: en busca del
mejor clasificador 4.1. Estado del arte: meta-leaming y la predicción de
rendimiento 4.2. Hipótesis de partida,
organización y resumen de los estudios
4.3. Meta-características de los conjuntos de datos utilizadas en los
estudios 4.4. Configuración, proceso, resultados y conclusiones de los
estudios.
- Descargar: CLIC PARA IR A LA FUENTE
-----------------------------------------------------------------------------------------
9. Título: Implementación de Big Data en las organizaciones como estrategia de aprovechamiento de la información para incorporarla a la cadena de valor del negocio.
- Autores: García Saiz, Diego, Colombia, 2016
- Idioma: Español
- Descripción:
El propósito de este trabajo de
investigación es dar a conocer la tecnología pionera en la nueva ola de
herramientas de análisis de información, conocida en el mundo digital como Big
Data, hacer una breve descripción de su funcionamiento, conocer la estrategia
que aplica para aportar valor a los negocios, identificar el proceso de captura
y análisis de la data disponible y su estructura, y hacer una aproximación
hacia futuro de este tipo de herramientas. Se finaliza presentando algunos
casos de éxito de empresas que adoptaron Big Data como solución al análisis de
información circundante.
The purpose of this research is to introduce
the technology pioneer in the new wave of data information analysis, known in
the digital world as Big Data, a brief description of its operation, knowing
the strategy applied to bring value to the business, identifying the process of
capture and analysis of available data and its structure, and make an approach
to the future of these tools. It concludes by presenting some successful cases
of companies adopting Big Data as a solution to the analysis of surrounding
information.
- Descargar: CLIC PARA IR A LA FUENTE
10. Título: Análisis de la Viabilidad de la Implementación de Big Data en Colombia.
- Autores: Salinas Hernandez, Héctor Javier
/ Reita Reyes, Jorge Eduardo, Colombia, 2016
- Idioma: Español
- Descripción:
Para poder comprender las
implicaciones, beneficios y recursos necesarios para la implementación de Big
Data en Colombia debemos empezar por esclarecer el significado del concepto
inicialmente, sin embargo también es necesario establecer la utilidad del
mismo, el por qué se hace necesario implementar este tipo de tecnología en
sistemas que han afrontado el manejo de información de una forma relativamente
complaciente para sus usuarios hasta la actualidad. De una u otra forma el
avance de la tecnología moderna implica nuevos cambios diariamente en el tipo y
cantidad de información que se maneja, el hecho de que la información no se
pueda manipular de una manera complaciente y se pueda interpretar como un
conjunto voluble y cambiante de datos en el cual es complejo analizar todas las
variables y componentes que conllevan, hacen imprescindible que las
organizaciones, entidades, instituciones y demás usuarios que manejan niveles
considerables de información deban reestructurar sus métodos para el manejo y
análisis de información con el propósito de optimizar las operaciones en el
procesamiento de los datos para generar respuestas rápidas y precisas y de este
modo tener la posibilidad de ofrecer un mejor servicio.
------------------------------------------------------------------------------------------------------------------------
11. Título: Generar un Marco de Referencia para Implementaciones de Big Data en Empresas de Telecomunicaciones, Caso de Estudio Corporación Nacional de Telecomunicaciones.
- Autores: Espinoza
Paredes, Sergio Ramiro, Peru, 2015
- Idioma: Español
- Descripción:
El propósito de este trabajo de
investigación es dar a conocer la tecnología pionera en la nueva ola de
herramientas de análisis de información, conocida en el mundo digital como Big
Data, hacer una breve descripción de su funcionamiento, conocer la estrategia
que aplica para aportar valor a los negocios, identificar el proceso de captura
y análisis de la data disponible y su estructura, y hacer una aproximación
hacia futuro de este tipo de herramientas. Se finaliza presentando algunos
casos de éxito de empresas que adoptaron Big Data como solución al análisis de
información circundante.
ÍNDICE
DE CONTENIDO: 1.1. Definición de Marco de Referencia 1.1.1. Marco Teórico 1.1.2. Marco Conceptual 1.1.3. Usos
1.2. Introducción a Big Data
1.2.1. Las 4Vs 1.2.2. Tipos de
Información 1.2.2.1 Información
Estructurada 1.2.2.2 Información
NO-Estructurada 1.2.2.3 Información
Semi-Estructurada 1.2.3. Etapas para la
adopción de Big Data 1.2.3.1 Educar:
crear una base de conocimiento 1.2.3.2
Explorar: desarrollo de una estrategia
1.2.3.3 Interactuar: adoptar Big Data
1.2.3.4 Ejecutar: Desplegar Big Data.
1.2.4. Técnicas para análisis de Big Data 1.2.4.1 Técnicas de análisis de Big Data 1.2.4.2 Tecnologías para Análisis de Big
Data 1.2.5. El futuro de Big Data 1.2.5.1 La Quinta V 1.2.5.2 Potenciales usos de datos 1.2.5.3 Big Data Analytics 1.2.5.4 Big Data en tiempo real 1.3. El entorno de las TELCOS 1.3.1. Características y Estructura 1.3.2. Participación e Importancia de las
TELCOS 1.3.3. Marco Legal de las TELCOS
y el uso de Datos 1.3.4. Los Datos de
los Clientes y sus implicaciones 1.3.5.
Aumento de Datos en TELCOS con las redes sociales. 1.1. Definición de Marco de
Referencia 1.1.1. Marco Teórico 1.1.2. Marco Conceptual 1.1.3. Usos
1.2. Introducción a Big Data
1.2.1. Las 4Vs 1.2.2. Tipos de
Información 1.2.2.1 Información
Estructurada 1.2.2.2 Información
NO-Estructurada 1.2.2.3 Información
Semi-Estructurada 1.2.3. Etapas para la
adopción de Big Data 1.2.3.1 Educar:
crear una base de conocimiento 1.2.3.2
Explorar: desarrollo de una estrategia
1.2.3.3 Interactuar: adoptar Big Data
1.2.3.4 Ejecutar: Desplegar Big Data.
1.2.4. Técnicas para análisis de Big Data 1.2.4.1 Técnicas de análisis de Big Data 1.2.4.2 Tecnologías para Análisis de Big
Data 1.2.5. El futuro de Big Data 1.2.5.1 La Quinta V 1.2.5.2 Potenciales usos de datos 1.2.5.3 Big Data Analytics 1.2.5.4 Big Data en tiempo real 1.3. El entorno de las TELCOS 1.3.1. Características y Estructura 1.3.2. Participación e Importancia de las
TELCOS 1.3.3. Marco Legal de las TELCOS
y el uso de Datos 1.3.4. Los Datos de
los Clientes y sus implicaciones 1.3.5.
Aumento de Datos en TELCOS con las redes sociales. 3.2.2. Correlación 3.2.3. Enriquecimiento 3.2.4. Manipulación de Conjunto de Datos
(DataSet) 3.2.5. Aseguramiento de la
Calidad de Datos 3.3. Capa de Análisis
de Datos 3.3.1. Métricas (KPIs) 3.3.2. Modelado DescriptivolPredictivo 3.3.3. Generación de Reportes 3.4. Procesamiento de Eventos Complejos 3.4.1. Procesador de Eventos Complejos 3.4.2. Generador de Alertas/Triggers o
Acciones 3.5. Repositorio Vertical 3.5.1. Datos Estructurados 3.5.2. Datos no Estructurados 3.5.3. Datos semi-Estructurados 3.6. Privacidad y Seguridad de los Datos 3.8.1. Gestión de la Privacidad 3.0.2. Seguridad 3.8.3. Cumplimiento (Compliance) 4. ESTABLECIENDO EL MARCO DE REFERENCIA 4.1. El Rol del Científico de Datos
Móviles 4.1.1. Características del
Científico de Datos en TELCOS 4.2.
Definición de Casos de Uso 4.2.1.
Consideraciones del Mercado 4.2.1.1
Demanda de personalización 4.2.1.2
Selección de Clientes 4.2.2.
Consideraciones Organizacionales 4.2.3.
Consideraciones Regulatorias 4.2.4.
Consideraciones Técnicas 4.3. Definir
Modelo de Big Data para TELCOS. 4.4. Definir los Tipos de Big Data para
TELCOS 4.4.1. Texto No-Estructurado 4.4.2. Flujo de Datos (Data Streaming) 4.5. Establecer las Técnicas para Análisis de
Big Data 4.6. Establecer Tecnologías para
Análisis de Big Data 4.8.1. Big Data
WareHouse (BDW) 4.8.2. Analítica y
Streaming en Tiempo Real 4.8.3. Marcos
de Referencia de MAPREDUCE 4.8.4.
Aplicaciones Analíticas (APPLIANCES)
4.7. Arquitectura de Big Data en TELCOS
4.7.1. Arquitectura Base para TELCOS
4.7.2. Arquitectura de Aplicaciones Analíticas (APPLIANCE) 4.7.3. Arquitectura RDBMS Extendidas 4.7.4. Arquitectura Hibrida 4.8. Gobierno de Big Data 4.9. Proveedores Big Data para Telcos 4.9.1. Panorama General de Big Data 4.9.2. Panorama De Big Data En Telcos 5. APLICACIÓN DEL MARCO DE REFERENCIA A CNT
EP 5.1. Revisión de la Estrategia e
Indicadores de CNT EP 5.2. Determinación de los Casos de Uso para CNT E.P.
5.2.1. Caso de Uso — Identificación de Rotación de Abonados 5.2.2. Caso de Uso — Personalización de
Ofertas 5.3. Modelo de Big Data para CNT
E.P. 5.4. Aplicación de Técnicas
Resolución de los Casos 5.4.1. Caso de
Uso — Identificación Rotación de Abonados
5.4.2. Caso de Uso - Personalización de Ofertas 5.5. Aplicación de la Arquitectura en Casos Planteados 5.5.1. Arquitectura Caso Identificación
Rotación de Abonados 5.5.2. Arquitectura
Caso Personalización de Ofertas 5.6.
Gobierno de Big Data para CNT E.P 6.
CONCLUSIONES Y RECOMENDACIONES 6.1.
Conclusiones 6.2. Recomendaciones.
- Descargar: CLIC PARA IR A LA FUENTE
No comments:
Post a Comment