Análisis de datos en mapas mentales
Las ideas importan. Cuando Tony Buzan acuñó el término «mapa mental» en el programa de la BBC Use Your Head en 1974, la forma en que tomamos notas, hacemos lluvias de ideas y estudiamos cambió para siempre. Analizamos qué hace que esta técnica sea tan especial, qué técnica de elaboración de mapas mentales deberías elegir y cuáles son sus beneficios.
Los mapas mentales son representaciones gráficas de la información. A diferencia de las anotaciones tradicionales y lineales que puedes hacer en un documento de texto o incluso en papel, los mapas mentales te permiten capturar pensamientos, ideas y palabras clave en un lienzo en blanco. Estas ideas se organizan en una estructura bidimensional, con el título o la idea principal siempre situados en el centro del mapa para que sean visibles. Las ideas relacionadas se ramifican desde el centro en todas las direcciones, creando una estructura radiante.
A pesar de estos principios clave, el hecho de que los mapas mentales existan desde hace casi medio siglo hace inevitable que existan algunas divergencias a la hora de definir lo que es realmente un mapa mental. Veamos las dos escuelas de pensamiento clave.
Ciencia de los datos
Ahora, imagine que tiene cientos de habitaciones llenas de documentos que necesitan ser organizados para poder seguir trabajando correctamente. En general, así son los big data. Y entre los muchos problemas que puede acarrear, organizarlo es el mayor de ellos.
La cuestión es que el big data es muy importante para obtener resultados a gran escala de algo. Cada año, las empresas invierten más y más para mejorar el análisis de big data. PieSync con la referencia de CapGemini afirma que el 61% de las empresas buscan aumentar los fondos en la analítica de big data porque «impulsa los ingresos y ofrece una visión más profunda del comportamiento del cliente».
Sin embargo, la cuestión de la extracción y el análisis de big data sigue siendo el mayor desafío. Los big data son demasiado grandes y complejos para las aplicaciones tradicionales de procesamiento de datos. Las empresas están invirtiendo en herramientas de análisis de datos muy caras que no siempre resultan rentables. Ahí es donde entran en juego soluciones más sencillas.
Los mapas mentales son diagramas creados para ayudar a organizar la información de forma visual. De este modo, los datos se perciben con mayor eficacia y pueden recordarse con más precisión. Este hecho también está respaldado por la investigación realizada por la Red de Investigación en Ciencias Sociales, que dice que el 65% de las personas son aprendices visuales.
Mapa mental de big data
Se están generando cantidades gigantescas de datos a gran velocidad por parte de diversas fuentes, como los dispositivos móviles, las redes sociales, los registros de las máquinas y los múltiples sensores que nos rodean. En todo el mundo, producimos una gran cantidad de datos y el volumen de datos generados está creciendo exponencialmente a un ritmo sin precedentes. El ritmo de generación de datos se ve incluso acelerado por el crecimiento de nuevas tecnologías y paradigmas como el Internet de las Cosas (IoT).
La definición de big data se esconde en las dimensiones de los datos. Los conjuntos de datos se consideran «big data» si tienen un alto grado de las tres dimensiones siguientes: volumen, velocidad y variedad. El valor y la veracidad son otras dos dimensiones «V» que se han añadido a la literatura sobre big data en los últimos años. A menudo se proponen otras «V», pero estas cinco «V» son ampliamente aceptadas por la comunidad y pueden describirse como sigue:
Los grandes volúmenes de datos suelen estar disponibles en formatos estructurados o no estructurados. Los datos estructurados pueden ser generados por máquinas o por humanos, tienen un esquema o modelo específico y suelen almacenarse en bases de datos. Los datos estructurados se organizan en torno a esquemas con tipos de datos claramente definidos. Los números, la fecha y la hora y las cadenas son algunos ejemplos de datos estructurados que pueden almacenarse en columnas de bases de datos. En cambio, los datos no estructurados no tienen un esquema o modelo predefinido. Los archivos de texto, los archivos de registro, las publicaciones en las redes sociales, los datos móviles y los medios de comunicación son ejemplos de datos no estructurados.
Mapa conceptual
3. Motor de ejecución3.1. Spark (Apache)3.1.1. Se ejecuta a través de YARN o como independiente3.1.2. Puede trabajar con datos HDFS, HBase, Cassandra, Hive3.1.3. Procesamiento general de datos similar a MR + streaming, consultas interactivas, aprendizaje automático, etc.3.1.4. RDD con caché3.1.5. Independiente, basado en YARN. 3.1.6. Basado en Mesos, en paralelo al despliegue existente de Hadoop. Bueno para algos iterativos, procesamiento iterativo y aprendizaje automático3.1.7. API rica y shell interactivo3.1.8. Muchas transformaciones y acciones para RDD3.1.9. Sintaxis extremadamente sencilla3.1.10. Compatible con los datos existentes de Hadoop3.1.11. INPUT/OUTPUT: HDFS, HBase, FS. cualquier fuente de datos con Hadoop InputFormat3.2. Hadoop MR3.2.1. Procesamiento distribuido de grandes conjuntos de datos en clusters de ordenadores3.2.2. MapReduce3.2.3. Alta disponibilidad, tolerancia a fallos3.2.4. Es bueno para el procesamiento por lotes3.2.5. Alta latencia3.2.6. No utiliza bien la memoria3.2.7. Los algoritmos iterativos utilizan mucha IO3.2.8. API primitiva y IO de clave/valor3.2.9. Lo básico, como la unión, requiere mucho código3.2.10. El resultado es un montón de archivos3.2.11. Parte de Hadoop3.2.12. INPUT/OUTPUT: HDFS, HBase