Las cinco mejores formas de abordar big data

Transcripción

1 IBM Software Thought Leadership, documento técnico Junio de 2013 Las cinco mejores formas de abordar big data

2 2 Las cinco mejores formas de abordar big data Big data: una oportunidad de alto riesgo Se acuerda de cómo era el mundo antes de big data? Este término está tan extendido en el lenguaje empresarial que a veces nos cuesta recordar que big data es un fenómeno relativamente reciente. Algunos lo consideran como una moda pasajera; sin embargo el volumen de datos que generan las personas, los procesos y las máquinas no para de crecer, por lo que no parece que big data vaya a desaparecer. No nos engañemos: los datos son valiosos, pero no cuando se pierde el control sobre ellos. En la actual era de la información, los recursos más preciados también pueden convertirse en su perdición si su organización no sabe cómo sacarles partido. Por lo tanto la pregunta es: qué se puede hacer con los datos? Preste atención a las siguientes situaciones reales: El fraude en el sector de la atención sanitaria supone un gasto anual de aproximadamente millones de dólares. Se estima que para 2016, la cifra supere los millones de dólares al año. 1 En EE.UU., este sector podría generar un valor anual de más de millones de dólares si utilizara big data para mejorar la eficacia y la calidad del servicio prestado. 2 En una firma mundial de servicios financieros, un comercial deshonesto generó unas pérdidas de millones de dólares que casi suponen la quiebra de la empresa. Hoy en día, las instituciones financieras disponen de más datos para evitar los fraudes externos (clientes, titulares de cuentas o pólizas) e internos, así como las incidencias con los clientes. En Europa, los gobiernos podrían ahorrar más de millones de euros ( millones de dólares) con las mejoras operativas que pueden obtenerse con el uso de big data 3, sin incluir el uso de big data para reducir el fraude y los errores o mejorar la recaudación de impuestos. Los comerciantes minoristas pierden cada año unos millones de dólares por no tener existencias de los productos adecuados para satisfacer las demandas de los clientes. Se estima que gracias a big data, cada comerciante podría incrementar su margen operativo en más de un 60%. 4 En el sector de las telecomunicaciones, millones de abonados (una cifra que registra un crecimiento anual de dos dígitos) 5 demandan servicios exclusivos, personalizados y localizados que se ajusten a sus estilos de vida. Ante estos costes y oportunidades, el mercado está preparado para las soluciones de big data. En un reciente estudio realizado por el IBM Institute for Business Value en colaboración con el Saïd Business School de la Universidad de Oxford, se analizó el nivel de actividades de big data realizadas actualmente en las organizaciones de los encuestados. Los resultados obtenidos indican que existen cuatro fases en la adopción y progresión del big data: Educación, Exploración, Organización y Ejecución (vea la figura 1). 6 Educación Recopilación de información y datos del mercado Porcentaje de encuestados Patrón de adopción de big data Exploración Desarrollo de estrategias y hojas de ruta en base a los retos y necesidades del negocio Porcentaje de encuestados Organización Iniciativas piloto de big data para validar los requisitos y el valor Porcentaje de encuestados Ejecución Implementación de dos o más iniciativas de big data y aplicación de análisis avanzados Porcentaje de encuestados 24% 47% 22% 6% Identificación del estado actual de las actividades de big data en las organizaciones de los encuestados. Total de encuestados = 1061 La suma de los porcentajes no equivale al 100% debido al redondeo. Figura 1. Cuatro fases de la adopción de big data

3 IBM Software 3 Pese a que solo el 6% de los encuestados usa iniciativas de big data, una cuarta parte tiene en marcha iniciativas piloto, la mitad está en fase de desarrollo de estrategia y en vías de realizar compras de soluciones y otra cuarta parte se encuentra en la fase de recopilación de información. Si no utiliza ninguna estrategia de big data, tenga en cuenta que probablemente la competencia sí la utilice. La dificultad está en determinar en cómo y dónde abordar el big data. Casos de uso de big data En el pasado, gran parte de la actividad del mercado relacionada con big data se ha centrado en el aprendizaje de tecnologías de big data. Por ello, los proveedores no han realizado esfuerzos conjuntos en ayudar a las organizaciones a comprender los problemas que puede abordar big data. Sin embargo, IBM ha sido la excepción. Iniciativas como, por ejemplo, las encuestas, el estudio de conclusiones de analistas, las conversaciones mantenidas con más de 300 clientes y clientes potenciales, así como la implementación de cientos de soluciones de big data, ha permitido a IBM identificar cinco casos de uso que pueden servir de guía a la hora de adoptar big data: 1. Exploración de big data: búsqueda, visualización y comprensión de big data para mejorar la toma de decisiones. 2. Perspectiva integral mejorada del cliente: ampliación de la perspectiva actual de los clientes con la incorporación de fuentes de información internas y externas. 3. Mejora de la inteligencia/seguridad: reducción de riesgos y fraudes y supervisión de la ciberseguridad en tiempo real. 4. Análisis de operaciones: análisis de datos informáticos para obtener mejores resultados de negocio y aumentar la eficacia. 5. Modernización de los data warehouse: integración de big data con las capacidades de almacenamiento para obtener perspectivas de negocio y optimizar la infraestructura existente. Caso de uso 1: exploración de big data El primer paso para abordar big data es determinar los recursos de los que dispone y usarlos para mejorar la toma de decisiones, así como las operaciones del día a día. Esto se conoce como exploración de big data. La mayoría de las conversaciones sobre big data giran en torno a tres dimensiones: volumen, velocidad y variedad. Estos valores identifican las dimensiones de los retos a los que se enfrentan a diario las organizaciones para extraer valor de los recursos de información, tomar decisiones más acertadas, mejorar las operaciones y reducir el riesgo. Toda decisión importante, interacción con clientes o análisis requiere información de distintas fuentes de datos. La solución IBM InfoSphere Data Explorer, que forma parte de la plataforma IBM Big Data, permite navegar fácilmente tanto por la información de sistemas empresariales como por los datos externos a la organización. El crecimiento del volumen de datos brutos de sensores, registros de sistemas, secuencias de clics, sitios web, etc. plantea otro reto: cómo pueden las organizaciones añadir contexto a estos datos para mejorar los procesos de análisis y toma de decisiones? Nuevamente, la capacidad de InfoSphere Data Explorer y de otras funciones de la plataforma IBM Big Data para fusionar la información de estas fuentes semiestructuradas con los datos empresariales puede aportar contexto que ayuda a las organizaciones a obtener mayor valor de los datos. Las capacidades de exploración de big data de IBM ayudan a contener el riesgo. Las organizaciones que no tienen capacidad para explorar su propia información corren el riesgo de perder datos confidenciales como, por ejemplo, la información de identificación personal (PII), revelar secretos comerciales o de estrategia a la competencia, así como de no poder recuperar ni comprobar la información cuando sea necesario en caso de litigios u otras situaciones de gestión corporativa.

4 4 Las cinco mejores formas de abordar big data Es la exploración de big data el caso de uso adecuado para usted? Hágase las preguntas siguientes: Cómo separa el ruido del contenido útil? Cómo explora los datos en volúmenes de información grandes y complejos? Cómo extrae perspectivas de tipos datos nuevos y no estructurados (medios sociales y correo electrónico)? Utilizan los usuarios la información para tomar decisiones de negocio acertadas o supone la incapacidad para acceder a la información una traba para las buenas prácticas de negocio? De qué medios disponen sus empleados para navegar y explorar contenido de la empresa y externo? Puede aunarlos en una única interfaz de usuario? Cómo identifica las áreas de riesgo para los datos antes de que se conviertan en un problema? Cuál es su punto de partida en las iniciativas de big data? Caso de uso 2: perspectiva integral mejorada del cliente Obtener una perspectiva detallada de los clientes (preferencias de hábitos de compra, motivos de cambio, artículos preferidos o razones para recomendar una empresa a otros clientes) es importante para todas las empresas. Sin embargo, esto requiere utilizar las fuentes de información internas y externas para evaluar el ánimo de los clientes, así como para comprender qué acciones permitirán consolidar las relaciones con estos. Un reciente informe del IBM Institute for Business Value sobre el uso de big data recomienda a las organizaciones canalizar sus esfuerzos en materia de big data sobre todo en el análisis de clientes para poder comprender las necesidades de los clientes y anticiparse a futuros comportamientos. En este caso, el término cliente se utiliza en sentido general: pacientes en el sector de la atención sanitaria, funcionarios de la administración o proveedores del sector de la fabricación. Además de estos análisis que proporcionan perspectivas estratégicas sobre el comportamiento del cliente, la importancia del enfoque integral se aplica a los empleados de primera línea. Las organizaciones más innovadoras reconocen la necesidad de proporcionar a estos profesionales información que ayude a comprometer a los clientes, consolidar las relaciones y obtener resultados positivos como, por ejemplo, al solucionar problemas de clientes o fomentar las ventas cruzadas y complementarias de productos. Para ello, estos empleados deben contar con medios para analizar rápidamente grandes volúmenes de información e identificar las necesidades específicas de los clientes. IBM InfoSphere Data Explorer trabaja con IBM InfoSphere Master Data Management (MDM) para combinar la información en contexto procedente de todas las aplicaciones y repositorios que contienen información sobre el cliente (CRM, ECM, cadena de suministro, bases de datos de seguimiento de pedidos, correo electrónico, etc.) y mostrar una perspectiva completa del cliente, sin que el usuario tenga que iniciar sesión y realizar búsquedas en distintos sistemas. En esta perspectiva unificada, los profesionales en contacto con el cliente tienen acceso a toda la información: productos comprados, incidencias recientes, noticias sobre sus empresas, conversaciones recientes, etc. Las noticias de actividad muestran, en el centro de la pantalla, las actualizaciones más recientes del cliente, el producto u otras entidades. También se muestran análisis de InfoSphere BigInsights, InfoSphere Streams, IBM Cognos Business Intelligence e IBM SPSS con el contexto de las analíticas definidas por la aplicación. De este modo, el empleado dispone de más tiempo para interactuar con el cliente de forma personalizada. A su vez, esto ayuda a ofrecer las respuestas adecuadas y a recomendar oportunidades de ventas complementarias. Esta mayor visibilidad fomenta la lealtad del cliente, mejora su satisfacción y, en última instancia, incrementa los ingresos. Tal como se muestra en la figura 2, la gestión de datos maestros mejora la precisión y fiabilidad de los datos en todos los sistemas de la organización. Esta homogeneidad garantiza que las

5 IBM Software 5 Caso de uso 3: mejora de la inteligencia/ seguridad Para combatir las nuevas amenazas de seguridad cada vez más sofisticadas, las organizaciones deben adoptar enfoques que ayuden a detectar anomalías e indicadores de ataques imperceptibles. Muchas de las organizaciones de hoy en día usan tecnologías de big data para argumentar y desarrollar las soluciones de seguridad tradicionales con el fin de mejorar la inteligencia, la seguridad y el cumplimiento de las normativas. El enfoque de mejora de la seguridad/inteligencia permite a las organizaciones: Figura 2. Información sobre el cliente mostrada en una aplicación creada con InfoSphere Data Explorer Application Builder, que utiliza InfoSphere Master Data Management para mostrar una perspectiva fiable de los datos del cliente. perspectivas que ofrezca InfoSphere Data Explorer contarán con datos homogéneos y precisos sobre las entidades. En cierto modo, InfoSphere Data Explorer proporciona a los usuarios de negocio una interfaz de datos maestros fiables que se combina con otros orígenes de datos estructurados y no estructurados. Es la perspectiva integral del cliente el caso de uso adecuado para usted? Hágase las preguntas siguientes: Cómo identifica y proporciona datos sobre clientes, productos o competidores a aquellos usuarios que los necesitan? Cómo combina los datos estructurados y no estructurados para ejecutar análisis e identificar perspectivas? Qué hace para fomentar la homogeneidad en sus recursos de información al representar a clientes y socios? Ofrece una perspectiva completa del cliente que permite a los usuarios de la línea de negocio obtener mejores resultados? Cómo aplica las perspectivas y lleva a cabo acciones? Filtrar los datos (tanto internos como externos) para detectar relaciones ocultas y patrones, así como para evitar amenazas de seguridad. Detectar casos de fraude al correlacionar el historial de actividad de las cuentas con los datos en tiempo real y, de este modo, localizar transacciones o comportamientos sospechosos. Examinar nuevas fuentes de datos para obtener pruebas de actividades delictivas como, por ejemplo, Internet, los dispositivos móviles, las transacciones, el correo electrónico o los medios sociales. El caso de uso de mejora de la seguridad/inteligencia tiene tres aplicaciones: 1. Mejora de la inteligencia y la vigilancia: las organizaciones pueden analizar los datos en movimiento y estáticos para localizar asociaciones o detectar patrones. Esta perspectiva en tiempo real tiene un valor incalculable e incluso vital. 2. Predicción y lucha contra ataques en tiempo real: El creciente número de delitos de alta tecnología (terrorismo cibernético, el espionaje, los accesos no autorizados a sistemas o el fraude cibernético) es una amenaza real. Gracias al análisis del tráfico de red, las organizaciones pueden anticiparse y actuar casi en tiempo real.

6 6 Las cinco mejores formas de abordar big data 3. Predicción y prevención del crimen: la capacidad para analizar datos de telecomunicaciones (por ejemplo, registros de detalles de llamadas) y de los medios sociales ayuda a las autoridades a localizar amenazas criminales y recopilar pruebas. De este modo, en lugar de esperar a que se cometa el crimen, pueden evitar que se produzca y arrestar a los responsables de una forma más proactiva. Dependiendo del escenario, las organizaciones pueden necesitar una de las siguientes plataformas de seguridad/inteligencia: Criminal Information Tracking System, Surveillance Monitoring System o Security Information and Event Management (SIEM). Hoy en día, estas plataformas acceden a datos de una amplia gama de orígenes de datos estructurados (de transacciones, bases de datos, redes, cortafuegos y otros). Los datos de la plataforma se almacenan y administran en una base de datos o warehouse propios. Sin embargo, estos sistemas no pueden gestionar las nuevas tendencias de big data que requieren del análisis de datos en tiempo real o de tipos de datos no estructurados (vea la figura 3). Las tecnologías de big data como la informática de flujos (InfoSphere Streams) y el análisis empresarial Apache Hadoop (InfoSphere BigInsights) mejoran estas plataformas tradicionales de análisis de inteligencia y seguridad al acceder de forma nativa a los orígenes de datos no estructurados o de flujos de big data como, por ejemplo, los registros de telecomunicaciones, dispositivos inteligentes, flujos de Twitter, publicaciones de Facebook, correo electrónico, supervisión de puntos de ventas, sensores basados en ubicaciones, vídeo, audio o datos generados por otros sistemas. Identificación y protección contra las amenazas gracias a las perspectivas obtenidas de conjuntos de datos Tecnología y operaciones tradicionales de seguridad Registros Eventos Alertas Analítica de big data Información de configuración Registros de Contexto de auditoría de sistemas identidad Anomalías y flujos de red Datos de inteligencia sobre amenazas externas Texto de página web Datos de vigilancia de vídeo/audio Datos de procesos de negocio Transacciones Correo electrónico de los clientes y medios sociales Nuevas consideraciones Recopilación, almacenamiento y procesamiento Recopilación e integración Tamaño y velocidad Correlación y enriquecimiento Analítica y flujos de trabajo Visualización Análisis de datos no estructurados Aprendizaje y predicción Personalización Uso compartido y exportación Figura 3. Creación de perspectivas de seguridad detalladas mediante conjuntos de datos integrales.

7 IBM Software 7 Los datos en tiempo real se pueden procesar y analizar mediante InfoSphere Streams y el resultado puede guardarse en un data warehouse o InfoSphere BigInsights. Los clientes que usan la solución IBM i2 Analyst s Notebook pueden ver y analizar directamente los datos en tiempo real gracias a la integración de InfoSphere Streams. Es la mejora de la inteligencia/seguridad el caso de uso adecuado para su empresa? Hágase las preguntas siguientes: Necesita enriquecer sus sistemas de seguridad o inteligencia con datos en tiempo real procedentes de orígenes de datos no usados (vídeo, audio, dispositivos inteligentes, redes, registros de datos de llamadas o medios sociales)? Necesita sistemas de detección, identificación y resolución inmediata para amenazas físicas o en línea? Necesita vigilar las actividades de criminales o terroristas? Necesita correlacionar grandes volúmenes de orígenes y datos de inteligencia técnica o humana para buscar patrones o asociaciones (análisis de big data)? Necesita mejorar su solución SIEM con datos no estructurados (correo electrónico y medios sociales) para mejorar la detección y neutralización de amenazas cibernéticas? Caso de uso 4: análisis de operaciones La abundancia y el aumento de los datos de sistemas (generados por equipos y dispositivos de red, sensores, medidores y dispositivos GPS) es otro factor clave para las soluciones de big data. Estos datos se generan en grandes volúmenes y en una amplia gama de formatos, incluidos los datos en movimiento o de flujo. Esta información requiere complejas funciones de análisis y correlación en distintos conjuntos de datos, así como capacidades de visualización exclusivas según el tipo de datos, el sector o la aplicación. Las organizaciones que desestiman esta amplia fuente de información toman sus decisiones de negocio en base a un pequeño subconjunto de los datos que tienen a su disposición. La combinación de los datos de sistemas con los datos empresariales existentes mediante análisis de operaciones permite a las organizaciones: Obtener visibilidad en tiempo real de las operaciones, la experiencia del cliente, las transacciones y los comportamientos. Realizar una planificación proactiva para incrementar la eficacia operativa. Identificar e investigar las anomalías. Supervisar la infraestructura para evitar de forma proactiva las incidencias o la degradación de los servicios.

8 8 Las cinco mejores formas de abordar big data Datos empresariales Indexación, búsquedas Datos de sistemas Flujo Analítica en tiempo real Estructurados Sistema Hadoop Zona de recepción Preprocesamiento Analítica Almacenamiento Modelado de estadísticas Análisis de causa raíz No estructurados Detección y navegación federada Figura 4. El análisis de operaciones combina los datos empresariales y de sistemas para proporcionar perspectivas detalladas.. Tal como se muestra en la figura 4, su organización puede manejar grandes volúmenes de datos de sistemas en múltiples formatos o datos de flujos que llegan al Hadoop Distributed File System (HDFS) y que no funcionan como es debido. La solución InfoSphere BigInsights, que incorpora un acelerador de datos de sistemas, es capaz de gestionar y procesar grandes volúmenes de datos de sistemas para ofrecer perspectivas de negocio detalladas. Esto permite correlacionar la información de sistemas con otros datos empresariales como, por ejemplo, de clientes o productos. Al combinar los datos de sistemas con los de negocio, podrá ponerlos a disposición de los responsables de las decisiones operativas, lo que redunda en una mayor eficacia e inteligencia operativa. Por su parte, los responsables de las decisiones pueden visualizar datos de múltiples sistemas para obtener perspectivas basadas en datos y reaccionar rápidamente ante sucesos y cambios. Es el análisis de operaciones el caso de uso adecuado para usted? Hágase las preguntas siguientes: Trabaja con grandes volúmenes de datos de sistemas como, por ejemplo, datos sin procesar de registros, sensores, medidores inteligentes, colas de mensajes, sistemas de suministros, sistemas de instalaciones, datos de secuencias de clics, archivos de configuración, registros de auditoría de bases de datos y tablas? Es capaz de realizar análisis complejos para correlacionar información e indicadores claves de rendimiento en distintos conjuntos de datos y sucesos en tiempo real? Puede realizar búsquedas y acceder a todos los datos de sus sistemas? Es capaz de visualizar datos de flujos y reaccionar en tiempo real? Es capaz de utilizar dichos datos para analizar la raíz de los problemas?

9 IBM Software 9 Entorno de datos empresariales existente Informes y analíticas Gestión e integración de la información Almacén LOB/ fragmentado Almacén de detección/ exploración MDM Otros sistemas de datos relacionales Entorno de big data Analítica en tiempo real Zona de recepción/ hub de preprocesamiento Entorno Hadoop Detección/ analítica Consultas en almacén de datos Datos de flujo Datos estructurados y no estructurados Figura 5. La modernización de los data warehouse ayuda a maximizar el valor de los datos. Caso de uso 5: modernización de los data warehouse El último caso de uso, la modernización de los data warehouse, se basa en la infraestructura de los data warehouse existente para aplicar las tecnologías de big data e incrementar su valor. No se trata de reemplazar el entorno de los data warehouse existente, sino de maximizar su valor. La modernización de los data warehouse surge de dos necesidades básicas. La primera es la necesidad de utilizar los datos para obtener nuevas perspectivas de negocio. Las organizaciones necesitan analizar datos multiestructurados; sin embargo, los data warehouse no están diseñados para ello. Al depender solo de los data warehouse, las empresas se ven obligadas a descartar información muy valiosa. Además, las organizaciones demandan cada vez más una menor latencia: necesitan la información en horas o minutos, no en semanas o meses. Por último, las organizaciones requieren acceso de consulta a los datos. La segunda necesidad básica es la optimización de la infraestructura de data warehouse. Los volúmenes de datos de hoy en día están llegando a niveles de big data, lo que incrementa la carga que soporta el almacenamiento. Esta infraestructura en sí no es costosa, pero el almacenamiento y el análisis de todo el contenido del entorno sí repercuten en el rendimiento y los costes. Existen tres formas de modernizar los data warehouse (vea la figura 5): 1. Hub de preprocesamiento: se utiliza en instalaciones Hadoop empresariales (InfoSphere BigInsights) cuando se necesita una área de espera o zona de recepción para los datos antes de determinar qué información debe moverse al data warehouse. InfoSphere Data Explorer puede utilizarse para la exploración anticipada con el fin de determinar qué datos deben moverse a soluciones de analíticas detalladas o a sistemas de almacenamiento de menor coste. Este paso no es obligatorio, pero puede usarse en áreas en las que las organizaciones deseen conservar datos.

10 10 Las cinco mejores formas de abordar big data La informática de flujos (InfoSphere Streams) también puede usarse como componente en tiempo real de procesamiento y análisis de datos de flujos, sin tener que almacenar la información a priori para determinar qué datos deben guardarse en el HDFS o en el data warehouse. En algunos casos los datos no se guardarán, lo que implica que podrá procesar y emprender acciones en base a la información sobre la marcha, reduciendo el volumen en el data warehouse. Con este enfoque de zona de recepción, podrá depurar y transformar la información antes de cargarla al data warehouse. 2. Detección/analítica: este enfoque se basa en la analítica de datos en movimiento de la informática de flujos, lo que proporciona a las organizaciones capacidad para realizar analíticas que antes se hacían en el data warehouse. Esto redunda en la optimización del data warehouse y en la posibilidad de realizar nuevos tipos de análisis. Al poder combinar distintos tipos de datos con la información del data warehouse, es posible realizar análisis más detallados y obtener perspectivas que antes no eran factibles. Además, la informática de flujos puede actuar como un filtro capaz de localizar datos de gran valor que pueden almacenarse en InfoSphere BigInsights o en el data warehouse. 3. Almacén de datos habilitados consultables: con este enfoque, los datos antiguos o no usados con frecuencia se pueden descargar del data warehouse y de las bases de datos de aplicaciones mediante herramientas y programas de integración de información. Esto ayuda a las organizaciones a almacenar los datos poco relevantes en sistemas de almacenamiento de bajo coste sin que dejen de estar disponibles en InfoSphere BigInsights gracias a las herramientas BI o de consulta. InfoSphere Data Explorer puede usarse para visualizar y desplazarse por los datos almacenados en InfoSphere BigInsights. Es el caso de uso de la modernización del data warehouse el punto de partida más adecuado para su organización? Hágase las preguntas siguientes: Tiene problemas para controlar grandes conjuntos de datos (terabytes o petabytes)? Utiliza su entorno de data warehouse como repositorio para toda la información? Almacena grandes cantidades de datos poco relevantes? Desecha datos porque no es capaz de almacenarlos o procesarlos? Necesita analizar los datos en movimiento para determinar, en tiempo real, qué información debe almacenar? Necesita explorar grandes volúmenes de datos complejos? Quiere analizar datos no operativos? Le interesa usar los datos para realizar nuevos tipos de analíticas y analíticas tradicionales?

11 IBM Software 11 Plataforma IBM Big Data Los cinco casos de uso de big data descritos en este documento ofrecen valiosos puntos de partida a aquellas empresas que quieran empezar a aprovechar big data. La plataforma IBM Big Data puede desempeñar un papel muy importante en esta transformación. Los casos de uso de big data requieren tecnologías específicamente diseñadas para abordar los retos del trabajo con grandes volúmenes de datos variados y de alta velocidad. No se trata de problemas únicos que requieren soluciones únicas: la plataforma de IBM ayuda a las empresas a reducir el plazo y los costes de los proyectos de big data a la vez que ofrece una rápida recuperación de la inversión (ROI) mediante el uso de componentes previamente integrados. Además, los servicios avanzados y basados en estándares proporcionan sólidas bases para la implementación. De este modo, puede comenzar por un caso de uso inicial y continuar con otros casos a medida que progresa con big data. Más información Para obtener más información sobre los casos y sobre la plataforma IBM Big Data, póngase en contacto con su representante de IBM o socio empresarial de IBM, o visite: ibm.com/software/data/bigdata/use-cases.html Además, IBM Global Financing puede ayudarle en la adquisición de las capacidades de software que su empresa necesita de la forma más rentable y estratégica posible. IBM Global Financing se alía con clientes de crédito para personalizar una solución de financiación que se ajuste a sus objetivos de desarrollo y empresariales, facilite la gestión de flujo de efectivo y mejore el coste total de adquisición. IBM Global Financing proporciona los recursos de inversión de TI críticos que necesita para que su negocio siga avanzando. Para obtener más información, visite: ibm.com/financing

12 Copyright IBM Corporation 2013 IBM Corporation Software Group Route 100 Somers, Nueva York Producido en los Estados Unidos de América Junio de 2013 IBM, el logotipo de IBM, ibm.com, Analyst's Notebook, BigInsights, Cognos, i2, InfoSphere y SPSS son marcas comerciales de International Business Machines Corp, registradas en muchas jurisdicciones de todo el mundo. El resto de nombres de servicios y productos pueden ser marcas comerciales de IBM o de otras empresas. Encontrará una lista actualizada de las marcas registradas de IBM en la web, en el apartado sobre información de Copyright y marcas registradas en ibm.com/legal/copytrade.shtml Este documento está actualizado a la fecha inicial de publicación e IBM puede modificarlo en cualquier momento. LA INFORMACIÓN DE ESTE DOCUMENTO SE PROPORCIONA TAL CUAL SIN NINGÚN TIPO DE GARANTÍA, TANTO EXPRESA COMO IMPLÍCITA DE COMERCIABILIDAD, IDONEIDAD PARA UN FIN DETERMINADO Y SIN NINGÚN TIPO DE GARANTÍA O CONDICIÓN DE NO INFRACCIÓN. Los productos de IBM se garantizan según los términos y condiciones de los acuerdos en virtud de los cuales se proporcionan. El cliente es responsable del cumplimiento de las leyes y normativas aplicables. IBM no presta ningún servicio de asesoramiento legal ni garantiza que la utilización de sus servicios o productos por parte del cliente esté conforme a ninguna ley o normativa. 6 IBM Institute for Business Value in collaboration with the Saïd Business School at the University of Oxford. Analytics: The real-world use of big data. Noviembre de thoughtleadership/ibv-big-data-at-work.html 7 IBM Institute for Business Value in collaboration with the Saïd Business School at the University of Oxford. Analytics: The real-world use of big data. Noviembre de thoughtleadership/ibv-big-data-at-work.html 1 Financial Crimes Report to the Public: Fiscal Years McKinsey Global Institute. Big data: The next frontier for innovation, competition, and productivity. Mayo de business_technology/big_data_the_next_frontier_for_innovation 3 McKinsey Global Institute. Big data: The next frontier for innovation, competition, and productivity. Mayo de business_technology/big_data_the_next_frontier_for_innovation 4 McKinsey Global Institute. Big data: The next frontier for innovation, competition, and productivity. Mayo de business_technology/big_data_the_next_frontier_for_innovation 5 International Telecommunication Union. Measuring the Information Society. Septiembre de Recicle este documento IMW14710-ESES-00