G te c sesion1a-bioinformatica y big data
Post on 17-Jul-2015
202 Views
Preview:
Transcript
Victoria Loacutepez
victoriademates
wwwtecnologiaUCMes
Universidad Complutense de Madrid
1a
2
1a
3
1a
Human Genome Project 4
5
6
6
La cantidad de datos bioloacutegicos es un Big DataAntildeadir nuevas secuencias buacutesquedas predicioacuten son tareas muy similares en cualquier Big Data
Vineyards in La Geria Lanzarote
8
09022015 9
09022015 10
09022015 11
09022015 12
09022015 13
09022015 14
09022015 15PIC 2014 Shanghai
16
17
From Data Warehouse to Big Data (large Data Bases)
18
1970 relational model inventedRDBMS declared mainstream till 90s
One-size fits all Elephant vendors- heavilyencoded even indexing by B-trees
Alex Sandy Pentland director of Media Lab at Massachusetts Institute of Technology (MIT)
The big data revolution 2013 Campus Party Europe
19
Nowadays bussiness needs a highavalailability of data then new techniques must be developed
Complex analytics Graph Databases
Data Volume is increasing exponentially
ndash 44x increase from 2009 2020
ndash From 08 zettabytes to 35zb
20
Datos no estructurados
21
iquestCoacutemo se genera Big Data
Big Data 3+1+1 Vrsquos
22
23
24
25
Debajo de nuestras acciones hay un desarrolloalgoriacutetmico muy complejo y competitivohellip
26
27
28
iquestCuaacutento tiempo tarda un adolescente en recoger suhabitacioacuten
One teenager working = one afternoon at home
29
iquestPodriacutea un adolescente ordenar todaslas habitaciones de Nueva York
30
31Harvard Business Review (HBR) blog CMOs and CIOs Need to Get Along to Make Big Data Work
32
33
34
35
Social Sensing
36
37
Pasos en un proyecto Big Data seguacuten MIT
2
1a
3
1a
Human Genome Project 4
5
6
6
La cantidad de datos bioloacutegicos es un Big DataAntildeadir nuevas secuencias buacutesquedas predicioacuten son tareas muy similares en cualquier Big Data
Vineyards in La Geria Lanzarote
8
09022015 9
09022015 10
09022015 11
09022015 12
09022015 13
09022015 14
09022015 15PIC 2014 Shanghai
16
17
From Data Warehouse to Big Data (large Data Bases)
18
1970 relational model inventedRDBMS declared mainstream till 90s
One-size fits all Elephant vendors- heavilyencoded even indexing by B-trees
Alex Sandy Pentland director of Media Lab at Massachusetts Institute of Technology (MIT)
The big data revolution 2013 Campus Party Europe
19
Nowadays bussiness needs a highavalailability of data then new techniques must be developed
Complex analytics Graph Databases
Data Volume is increasing exponentially
ndash 44x increase from 2009 2020
ndash From 08 zettabytes to 35zb
20
Datos no estructurados
21
iquestCoacutemo se genera Big Data
Big Data 3+1+1 Vrsquos
22
23
24
25
Debajo de nuestras acciones hay un desarrolloalgoriacutetmico muy complejo y competitivohellip
26
27
28
iquestCuaacutento tiempo tarda un adolescente en recoger suhabitacioacuten
One teenager working = one afternoon at home
29
iquestPodriacutea un adolescente ordenar todaslas habitaciones de Nueva York
30
31Harvard Business Review (HBR) blog CMOs and CIOs Need to Get Along to Make Big Data Work
32
33
34
35
Social Sensing
36
37
Pasos en un proyecto Big Data seguacuten MIT
3
1a
Human Genome Project 4
5
6
6
La cantidad de datos bioloacutegicos es un Big DataAntildeadir nuevas secuencias buacutesquedas predicioacuten son tareas muy similares en cualquier Big Data
Vineyards in La Geria Lanzarote
8
09022015 9
09022015 10
09022015 11
09022015 12
09022015 13
09022015 14
09022015 15PIC 2014 Shanghai
16
17
From Data Warehouse to Big Data (large Data Bases)
18
1970 relational model inventedRDBMS declared mainstream till 90s
One-size fits all Elephant vendors- heavilyencoded even indexing by B-trees
Alex Sandy Pentland director of Media Lab at Massachusetts Institute of Technology (MIT)
The big data revolution 2013 Campus Party Europe
19
Nowadays bussiness needs a highavalailability of data then new techniques must be developed
Complex analytics Graph Databases
Data Volume is increasing exponentially
ndash 44x increase from 2009 2020
ndash From 08 zettabytes to 35zb
20
Datos no estructurados
21
iquestCoacutemo se genera Big Data
Big Data 3+1+1 Vrsquos
22
23
24
25
Debajo de nuestras acciones hay un desarrolloalgoriacutetmico muy complejo y competitivohellip
26
27
28
iquestCuaacutento tiempo tarda un adolescente en recoger suhabitacioacuten
One teenager working = one afternoon at home
29
iquestPodriacutea un adolescente ordenar todaslas habitaciones de Nueva York
30
31Harvard Business Review (HBR) blog CMOs and CIOs Need to Get Along to Make Big Data Work
32
33
34
35
Social Sensing
36
37
Pasos en un proyecto Big Data seguacuten MIT
Human Genome Project 4
5
6
6
La cantidad de datos bioloacutegicos es un Big DataAntildeadir nuevas secuencias buacutesquedas predicioacuten son tareas muy similares en cualquier Big Data
Vineyards in La Geria Lanzarote
8
09022015 9
09022015 10
09022015 11
09022015 12
09022015 13
09022015 14
09022015 15PIC 2014 Shanghai
16
17
From Data Warehouse to Big Data (large Data Bases)
18
1970 relational model inventedRDBMS declared mainstream till 90s
One-size fits all Elephant vendors- heavilyencoded even indexing by B-trees
Alex Sandy Pentland director of Media Lab at Massachusetts Institute of Technology (MIT)
The big data revolution 2013 Campus Party Europe
19
Nowadays bussiness needs a highavalailability of data then new techniques must be developed
Complex analytics Graph Databases
Data Volume is increasing exponentially
ndash 44x increase from 2009 2020
ndash From 08 zettabytes to 35zb
20
Datos no estructurados
21
iquestCoacutemo se genera Big Data
Big Data 3+1+1 Vrsquos
22
23
24
25
Debajo de nuestras acciones hay un desarrolloalgoriacutetmico muy complejo y competitivohellip
26
27
28
iquestCuaacutento tiempo tarda un adolescente en recoger suhabitacioacuten
One teenager working = one afternoon at home
29
iquestPodriacutea un adolescente ordenar todaslas habitaciones de Nueva York
30
31Harvard Business Review (HBR) blog CMOs and CIOs Need to Get Along to Make Big Data Work
32
33
34
35
Social Sensing
36
37
Pasos en un proyecto Big Data seguacuten MIT
5
6
6
La cantidad de datos bioloacutegicos es un Big DataAntildeadir nuevas secuencias buacutesquedas predicioacuten son tareas muy similares en cualquier Big Data
Vineyards in La Geria Lanzarote
8
09022015 9
09022015 10
09022015 11
09022015 12
09022015 13
09022015 14
09022015 15PIC 2014 Shanghai
16
17
From Data Warehouse to Big Data (large Data Bases)
18
1970 relational model inventedRDBMS declared mainstream till 90s
One-size fits all Elephant vendors- heavilyencoded even indexing by B-trees
Alex Sandy Pentland director of Media Lab at Massachusetts Institute of Technology (MIT)
The big data revolution 2013 Campus Party Europe
19
Nowadays bussiness needs a highavalailability of data then new techniques must be developed
Complex analytics Graph Databases
Data Volume is increasing exponentially
ndash 44x increase from 2009 2020
ndash From 08 zettabytes to 35zb
20
Datos no estructurados
21
iquestCoacutemo se genera Big Data
Big Data 3+1+1 Vrsquos
22
23
24
25
Debajo de nuestras acciones hay un desarrolloalgoriacutetmico muy complejo y competitivohellip
26
27
28
iquestCuaacutento tiempo tarda un adolescente en recoger suhabitacioacuten
One teenager working = one afternoon at home
29
iquestPodriacutea un adolescente ordenar todaslas habitaciones de Nueva York
30
31Harvard Business Review (HBR) blog CMOs and CIOs Need to Get Along to Make Big Data Work
32
33
34
35
Social Sensing
36
37
Pasos en un proyecto Big Data seguacuten MIT
6
6
La cantidad de datos bioloacutegicos es un Big DataAntildeadir nuevas secuencias buacutesquedas predicioacuten son tareas muy similares en cualquier Big Data
Vineyards in La Geria Lanzarote
8
09022015 9
09022015 10
09022015 11
09022015 12
09022015 13
09022015 14
09022015 15PIC 2014 Shanghai
16
17
From Data Warehouse to Big Data (large Data Bases)
18
1970 relational model inventedRDBMS declared mainstream till 90s
One-size fits all Elephant vendors- heavilyencoded even indexing by B-trees
Alex Sandy Pentland director of Media Lab at Massachusetts Institute of Technology (MIT)
The big data revolution 2013 Campus Party Europe
19
Nowadays bussiness needs a highavalailability of data then new techniques must be developed
Complex analytics Graph Databases
Data Volume is increasing exponentially
ndash 44x increase from 2009 2020
ndash From 08 zettabytes to 35zb
20
Datos no estructurados
21
iquestCoacutemo se genera Big Data
Big Data 3+1+1 Vrsquos
22
23
24
25
Debajo de nuestras acciones hay un desarrolloalgoriacutetmico muy complejo y competitivohellip
26
27
28
iquestCuaacutento tiempo tarda un adolescente en recoger suhabitacioacuten
One teenager working = one afternoon at home
29
iquestPodriacutea un adolescente ordenar todaslas habitaciones de Nueva York
30
31Harvard Business Review (HBR) blog CMOs and CIOs Need to Get Along to Make Big Data Work
32
33
34
35
Social Sensing
36
37
Pasos en un proyecto Big Data seguacuten MIT
Vineyards in La Geria Lanzarote
8
09022015 9
09022015 10
09022015 11
09022015 12
09022015 13
09022015 14
09022015 15PIC 2014 Shanghai
16
17
From Data Warehouse to Big Data (large Data Bases)
18
1970 relational model inventedRDBMS declared mainstream till 90s
One-size fits all Elephant vendors- heavilyencoded even indexing by B-trees
Alex Sandy Pentland director of Media Lab at Massachusetts Institute of Technology (MIT)
The big data revolution 2013 Campus Party Europe
19
Nowadays bussiness needs a highavalailability of data then new techniques must be developed
Complex analytics Graph Databases
Data Volume is increasing exponentially
ndash 44x increase from 2009 2020
ndash From 08 zettabytes to 35zb
20
Datos no estructurados
21
iquestCoacutemo se genera Big Data
Big Data 3+1+1 Vrsquos
22
23
24
25
Debajo de nuestras acciones hay un desarrolloalgoriacutetmico muy complejo y competitivohellip
26
27
28
iquestCuaacutento tiempo tarda un adolescente en recoger suhabitacioacuten
One teenager working = one afternoon at home
29
iquestPodriacutea un adolescente ordenar todaslas habitaciones de Nueva York
30
31Harvard Business Review (HBR) blog CMOs and CIOs Need to Get Along to Make Big Data Work
32
33
34
35
Social Sensing
36
37
Pasos en un proyecto Big Data seguacuten MIT
8
09022015 9
09022015 10
09022015 11
09022015 12
09022015 13
09022015 14
09022015 15PIC 2014 Shanghai
16
17
From Data Warehouse to Big Data (large Data Bases)
18
1970 relational model inventedRDBMS declared mainstream till 90s
One-size fits all Elephant vendors- heavilyencoded even indexing by B-trees
Alex Sandy Pentland director of Media Lab at Massachusetts Institute of Technology (MIT)
The big data revolution 2013 Campus Party Europe
19
Nowadays bussiness needs a highavalailability of data then new techniques must be developed
Complex analytics Graph Databases
Data Volume is increasing exponentially
ndash 44x increase from 2009 2020
ndash From 08 zettabytes to 35zb
20
Datos no estructurados
21
iquestCoacutemo se genera Big Data
Big Data 3+1+1 Vrsquos
22
23
24
25
Debajo de nuestras acciones hay un desarrolloalgoriacutetmico muy complejo y competitivohellip
26
27
28
iquestCuaacutento tiempo tarda un adolescente en recoger suhabitacioacuten
One teenager working = one afternoon at home
29
iquestPodriacutea un adolescente ordenar todaslas habitaciones de Nueva York
30
31Harvard Business Review (HBR) blog CMOs and CIOs Need to Get Along to Make Big Data Work
32
33
34
35
Social Sensing
36
37
Pasos en un proyecto Big Data seguacuten MIT
09022015 9
09022015 10
09022015 11
09022015 12
09022015 13
09022015 14
09022015 15PIC 2014 Shanghai
16
17
From Data Warehouse to Big Data (large Data Bases)
18
1970 relational model inventedRDBMS declared mainstream till 90s
One-size fits all Elephant vendors- heavilyencoded even indexing by B-trees
Alex Sandy Pentland director of Media Lab at Massachusetts Institute of Technology (MIT)
The big data revolution 2013 Campus Party Europe
19
Nowadays bussiness needs a highavalailability of data then new techniques must be developed
Complex analytics Graph Databases
Data Volume is increasing exponentially
ndash 44x increase from 2009 2020
ndash From 08 zettabytes to 35zb
20
Datos no estructurados
21
iquestCoacutemo se genera Big Data
Big Data 3+1+1 Vrsquos
22
23
24
25
Debajo de nuestras acciones hay un desarrolloalgoriacutetmico muy complejo y competitivohellip
26
27
28
iquestCuaacutento tiempo tarda un adolescente en recoger suhabitacioacuten
One teenager working = one afternoon at home
29
iquestPodriacutea un adolescente ordenar todaslas habitaciones de Nueva York
30
31Harvard Business Review (HBR) blog CMOs and CIOs Need to Get Along to Make Big Data Work
32
33
34
35
Social Sensing
36
37
Pasos en un proyecto Big Data seguacuten MIT
09022015 10
09022015 11
09022015 12
09022015 13
09022015 14
09022015 15PIC 2014 Shanghai
16
17
From Data Warehouse to Big Data (large Data Bases)
18
1970 relational model inventedRDBMS declared mainstream till 90s
One-size fits all Elephant vendors- heavilyencoded even indexing by B-trees
Alex Sandy Pentland director of Media Lab at Massachusetts Institute of Technology (MIT)
The big data revolution 2013 Campus Party Europe
19
Nowadays bussiness needs a highavalailability of data then new techniques must be developed
Complex analytics Graph Databases
Data Volume is increasing exponentially
ndash 44x increase from 2009 2020
ndash From 08 zettabytes to 35zb
20
Datos no estructurados
21
iquestCoacutemo se genera Big Data
Big Data 3+1+1 Vrsquos
22
23
24
25
Debajo de nuestras acciones hay un desarrolloalgoriacutetmico muy complejo y competitivohellip
26
27
28
iquestCuaacutento tiempo tarda un adolescente en recoger suhabitacioacuten
One teenager working = one afternoon at home
29
iquestPodriacutea un adolescente ordenar todaslas habitaciones de Nueva York
30
31Harvard Business Review (HBR) blog CMOs and CIOs Need to Get Along to Make Big Data Work
32
33
34
35
Social Sensing
36
37
Pasos en un proyecto Big Data seguacuten MIT
09022015 11
09022015 12
09022015 13
09022015 14
09022015 15PIC 2014 Shanghai
16
17
From Data Warehouse to Big Data (large Data Bases)
18
1970 relational model inventedRDBMS declared mainstream till 90s
One-size fits all Elephant vendors- heavilyencoded even indexing by B-trees
Alex Sandy Pentland director of Media Lab at Massachusetts Institute of Technology (MIT)
The big data revolution 2013 Campus Party Europe
19
Nowadays bussiness needs a highavalailability of data then new techniques must be developed
Complex analytics Graph Databases
Data Volume is increasing exponentially
ndash 44x increase from 2009 2020
ndash From 08 zettabytes to 35zb
20
Datos no estructurados
21
iquestCoacutemo se genera Big Data
Big Data 3+1+1 Vrsquos
22
23
24
25
Debajo de nuestras acciones hay un desarrolloalgoriacutetmico muy complejo y competitivohellip
26
27
28
iquestCuaacutento tiempo tarda un adolescente en recoger suhabitacioacuten
One teenager working = one afternoon at home
29
iquestPodriacutea un adolescente ordenar todaslas habitaciones de Nueva York
30
31Harvard Business Review (HBR) blog CMOs and CIOs Need to Get Along to Make Big Data Work
32
33
34
35
Social Sensing
36
37
Pasos en un proyecto Big Data seguacuten MIT
09022015 12
09022015 13
09022015 14
09022015 15PIC 2014 Shanghai
16
17
From Data Warehouse to Big Data (large Data Bases)
18
1970 relational model inventedRDBMS declared mainstream till 90s
One-size fits all Elephant vendors- heavilyencoded even indexing by B-trees
Alex Sandy Pentland director of Media Lab at Massachusetts Institute of Technology (MIT)
The big data revolution 2013 Campus Party Europe
19
Nowadays bussiness needs a highavalailability of data then new techniques must be developed
Complex analytics Graph Databases
Data Volume is increasing exponentially
ndash 44x increase from 2009 2020
ndash From 08 zettabytes to 35zb
20
Datos no estructurados
21
iquestCoacutemo se genera Big Data
Big Data 3+1+1 Vrsquos
22
23
24
25
Debajo de nuestras acciones hay un desarrolloalgoriacutetmico muy complejo y competitivohellip
26
27
28
iquestCuaacutento tiempo tarda un adolescente en recoger suhabitacioacuten
One teenager working = one afternoon at home
29
iquestPodriacutea un adolescente ordenar todaslas habitaciones de Nueva York
30
31Harvard Business Review (HBR) blog CMOs and CIOs Need to Get Along to Make Big Data Work
32
33
34
35
Social Sensing
36
37
Pasos en un proyecto Big Data seguacuten MIT
09022015 13
09022015 14
09022015 15PIC 2014 Shanghai
16
17
From Data Warehouse to Big Data (large Data Bases)
18
1970 relational model inventedRDBMS declared mainstream till 90s
One-size fits all Elephant vendors- heavilyencoded even indexing by B-trees
Alex Sandy Pentland director of Media Lab at Massachusetts Institute of Technology (MIT)
The big data revolution 2013 Campus Party Europe
19
Nowadays bussiness needs a highavalailability of data then new techniques must be developed
Complex analytics Graph Databases
Data Volume is increasing exponentially
ndash 44x increase from 2009 2020
ndash From 08 zettabytes to 35zb
20
Datos no estructurados
21
iquestCoacutemo se genera Big Data
Big Data 3+1+1 Vrsquos
22
23
24
25
Debajo de nuestras acciones hay un desarrolloalgoriacutetmico muy complejo y competitivohellip
26
27
28
iquestCuaacutento tiempo tarda un adolescente en recoger suhabitacioacuten
One teenager working = one afternoon at home
29
iquestPodriacutea un adolescente ordenar todaslas habitaciones de Nueva York
30
31Harvard Business Review (HBR) blog CMOs and CIOs Need to Get Along to Make Big Data Work
32
33
34
35
Social Sensing
36
37
Pasos en un proyecto Big Data seguacuten MIT
09022015 14
09022015 15PIC 2014 Shanghai
16
17
From Data Warehouse to Big Data (large Data Bases)
18
1970 relational model inventedRDBMS declared mainstream till 90s
One-size fits all Elephant vendors- heavilyencoded even indexing by B-trees
Alex Sandy Pentland director of Media Lab at Massachusetts Institute of Technology (MIT)
The big data revolution 2013 Campus Party Europe
19
Nowadays bussiness needs a highavalailability of data then new techniques must be developed
Complex analytics Graph Databases
Data Volume is increasing exponentially
ndash 44x increase from 2009 2020
ndash From 08 zettabytes to 35zb
20
Datos no estructurados
21
iquestCoacutemo se genera Big Data
Big Data 3+1+1 Vrsquos
22
23
24
25
Debajo de nuestras acciones hay un desarrolloalgoriacutetmico muy complejo y competitivohellip
26
27
28
iquestCuaacutento tiempo tarda un adolescente en recoger suhabitacioacuten
One teenager working = one afternoon at home
29
iquestPodriacutea un adolescente ordenar todaslas habitaciones de Nueva York
30
31Harvard Business Review (HBR) blog CMOs and CIOs Need to Get Along to Make Big Data Work
32
33
34
35
Social Sensing
36
37
Pasos en un proyecto Big Data seguacuten MIT
09022015 15PIC 2014 Shanghai
16
17
From Data Warehouse to Big Data (large Data Bases)
18
1970 relational model inventedRDBMS declared mainstream till 90s
One-size fits all Elephant vendors- heavilyencoded even indexing by B-trees
Alex Sandy Pentland director of Media Lab at Massachusetts Institute of Technology (MIT)
The big data revolution 2013 Campus Party Europe
19
Nowadays bussiness needs a highavalailability of data then new techniques must be developed
Complex analytics Graph Databases
Data Volume is increasing exponentially
ndash 44x increase from 2009 2020
ndash From 08 zettabytes to 35zb
20
Datos no estructurados
21
iquestCoacutemo se genera Big Data
Big Data 3+1+1 Vrsquos
22
23
24
25
Debajo de nuestras acciones hay un desarrolloalgoriacutetmico muy complejo y competitivohellip
26
27
28
iquestCuaacutento tiempo tarda un adolescente en recoger suhabitacioacuten
One teenager working = one afternoon at home
29
iquestPodriacutea un adolescente ordenar todaslas habitaciones de Nueva York
30
31Harvard Business Review (HBR) blog CMOs and CIOs Need to Get Along to Make Big Data Work
32
33
34
35
Social Sensing
36
37
Pasos en un proyecto Big Data seguacuten MIT
16
17
From Data Warehouse to Big Data (large Data Bases)
18
1970 relational model inventedRDBMS declared mainstream till 90s
One-size fits all Elephant vendors- heavilyencoded even indexing by B-trees
Alex Sandy Pentland director of Media Lab at Massachusetts Institute of Technology (MIT)
The big data revolution 2013 Campus Party Europe
19
Nowadays bussiness needs a highavalailability of data then new techniques must be developed
Complex analytics Graph Databases
Data Volume is increasing exponentially
ndash 44x increase from 2009 2020
ndash From 08 zettabytes to 35zb
20
Datos no estructurados
21
iquestCoacutemo se genera Big Data
Big Data 3+1+1 Vrsquos
22
23
24
25
Debajo de nuestras acciones hay un desarrolloalgoriacutetmico muy complejo y competitivohellip
26
27
28
iquestCuaacutento tiempo tarda un adolescente en recoger suhabitacioacuten
One teenager working = one afternoon at home
29
iquestPodriacutea un adolescente ordenar todaslas habitaciones de Nueva York
30
31Harvard Business Review (HBR) blog CMOs and CIOs Need to Get Along to Make Big Data Work
32
33
34
35
Social Sensing
36
37
Pasos en un proyecto Big Data seguacuten MIT
17
From Data Warehouse to Big Data (large Data Bases)
18
1970 relational model inventedRDBMS declared mainstream till 90s
One-size fits all Elephant vendors- heavilyencoded even indexing by B-trees
Alex Sandy Pentland director of Media Lab at Massachusetts Institute of Technology (MIT)
The big data revolution 2013 Campus Party Europe
19
Nowadays bussiness needs a highavalailability of data then new techniques must be developed
Complex analytics Graph Databases
Data Volume is increasing exponentially
ndash 44x increase from 2009 2020
ndash From 08 zettabytes to 35zb
20
Datos no estructurados
21
iquestCoacutemo se genera Big Data
Big Data 3+1+1 Vrsquos
22
23
24
25
Debajo de nuestras acciones hay un desarrolloalgoriacutetmico muy complejo y competitivohellip
26
27
28
iquestCuaacutento tiempo tarda un adolescente en recoger suhabitacioacuten
One teenager working = one afternoon at home
29
iquestPodriacutea un adolescente ordenar todaslas habitaciones de Nueva York
30
31Harvard Business Review (HBR) blog CMOs and CIOs Need to Get Along to Make Big Data Work
32
33
34
35
Social Sensing
36
37
Pasos en un proyecto Big Data seguacuten MIT
From Data Warehouse to Big Data (large Data Bases)
18
1970 relational model inventedRDBMS declared mainstream till 90s
One-size fits all Elephant vendors- heavilyencoded even indexing by B-trees
Alex Sandy Pentland director of Media Lab at Massachusetts Institute of Technology (MIT)
The big data revolution 2013 Campus Party Europe
19
Nowadays bussiness needs a highavalailability of data then new techniques must be developed
Complex analytics Graph Databases
Data Volume is increasing exponentially
ndash 44x increase from 2009 2020
ndash From 08 zettabytes to 35zb
20
Datos no estructurados
21
iquestCoacutemo se genera Big Data
Big Data 3+1+1 Vrsquos
22
23
24
25
Debajo de nuestras acciones hay un desarrolloalgoriacutetmico muy complejo y competitivohellip
26
27
28
iquestCuaacutento tiempo tarda un adolescente en recoger suhabitacioacuten
One teenager working = one afternoon at home
29
iquestPodriacutea un adolescente ordenar todaslas habitaciones de Nueva York
30
31Harvard Business Review (HBR) blog CMOs and CIOs Need to Get Along to Make Big Data Work
32
33
34
35
Social Sensing
36
37
Pasos en un proyecto Big Data seguacuten MIT
Alex Sandy Pentland director of Media Lab at Massachusetts Institute of Technology (MIT)
The big data revolution 2013 Campus Party Europe
19
Nowadays bussiness needs a highavalailability of data then new techniques must be developed
Complex analytics Graph Databases
Data Volume is increasing exponentially
ndash 44x increase from 2009 2020
ndash From 08 zettabytes to 35zb
20
Datos no estructurados
21
iquestCoacutemo se genera Big Data
Big Data 3+1+1 Vrsquos
22
23
24
25
Debajo de nuestras acciones hay un desarrolloalgoriacutetmico muy complejo y competitivohellip
26
27
28
iquestCuaacutento tiempo tarda un adolescente en recoger suhabitacioacuten
One teenager working = one afternoon at home
29
iquestPodriacutea un adolescente ordenar todaslas habitaciones de Nueva York
30
31Harvard Business Review (HBR) blog CMOs and CIOs Need to Get Along to Make Big Data Work
32
33
34
35
Social Sensing
36
37
Pasos en un proyecto Big Data seguacuten MIT
20
Datos no estructurados
21
iquestCoacutemo se genera Big Data
Big Data 3+1+1 Vrsquos
22
23
24
25
Debajo de nuestras acciones hay un desarrolloalgoriacutetmico muy complejo y competitivohellip
26
27
28
iquestCuaacutento tiempo tarda un adolescente en recoger suhabitacioacuten
One teenager working = one afternoon at home
29
iquestPodriacutea un adolescente ordenar todaslas habitaciones de Nueva York
30
31Harvard Business Review (HBR) blog CMOs and CIOs Need to Get Along to Make Big Data Work
32
33
34
35
Social Sensing
36
37
Pasos en un proyecto Big Data seguacuten MIT
Datos no estructurados
21
iquestCoacutemo se genera Big Data
Big Data 3+1+1 Vrsquos
22
23
24
25
Debajo de nuestras acciones hay un desarrolloalgoriacutetmico muy complejo y competitivohellip
26
27
28
iquestCuaacutento tiempo tarda un adolescente en recoger suhabitacioacuten
One teenager working = one afternoon at home
29
iquestPodriacutea un adolescente ordenar todaslas habitaciones de Nueva York
30
31Harvard Business Review (HBR) blog CMOs and CIOs Need to Get Along to Make Big Data Work
32
33
34
35
Social Sensing
36
37
Pasos en un proyecto Big Data seguacuten MIT
Big Data 3+1+1 Vrsquos
22
23
24
25
Debajo de nuestras acciones hay un desarrolloalgoriacutetmico muy complejo y competitivohellip
26
27
28
iquestCuaacutento tiempo tarda un adolescente en recoger suhabitacioacuten
One teenager working = one afternoon at home
29
iquestPodriacutea un adolescente ordenar todaslas habitaciones de Nueva York
30
31Harvard Business Review (HBR) blog CMOs and CIOs Need to Get Along to Make Big Data Work
32
33
34
35
Social Sensing
36
37
Pasos en un proyecto Big Data seguacuten MIT
23
24
25
Debajo de nuestras acciones hay un desarrolloalgoriacutetmico muy complejo y competitivohellip
26
27
28
iquestCuaacutento tiempo tarda un adolescente en recoger suhabitacioacuten
One teenager working = one afternoon at home
29
iquestPodriacutea un adolescente ordenar todaslas habitaciones de Nueva York
30
31Harvard Business Review (HBR) blog CMOs and CIOs Need to Get Along to Make Big Data Work
32
33
34
35
Social Sensing
36
37
Pasos en un proyecto Big Data seguacuten MIT
24
25
Debajo de nuestras acciones hay un desarrolloalgoriacutetmico muy complejo y competitivohellip
26
27
28
iquestCuaacutento tiempo tarda un adolescente en recoger suhabitacioacuten
One teenager working = one afternoon at home
29
iquestPodriacutea un adolescente ordenar todaslas habitaciones de Nueva York
30
31Harvard Business Review (HBR) blog CMOs and CIOs Need to Get Along to Make Big Data Work
32
33
34
35
Social Sensing
36
37
Pasos en un proyecto Big Data seguacuten MIT
25
Debajo de nuestras acciones hay un desarrolloalgoriacutetmico muy complejo y competitivohellip
26
27
28
iquestCuaacutento tiempo tarda un adolescente en recoger suhabitacioacuten
One teenager working = one afternoon at home
29
iquestPodriacutea un adolescente ordenar todaslas habitaciones de Nueva York
30
31Harvard Business Review (HBR) blog CMOs and CIOs Need to Get Along to Make Big Data Work
32
33
34
35
Social Sensing
36
37
Pasos en un proyecto Big Data seguacuten MIT
26
27
28
iquestCuaacutento tiempo tarda un adolescente en recoger suhabitacioacuten
One teenager working = one afternoon at home
29
iquestPodriacutea un adolescente ordenar todaslas habitaciones de Nueva York
30
31Harvard Business Review (HBR) blog CMOs and CIOs Need to Get Along to Make Big Data Work
32
33
34
35
Social Sensing
36
37
Pasos en un proyecto Big Data seguacuten MIT
27
28
iquestCuaacutento tiempo tarda un adolescente en recoger suhabitacioacuten
One teenager working = one afternoon at home
29
iquestPodriacutea un adolescente ordenar todaslas habitaciones de Nueva York
30
31Harvard Business Review (HBR) blog CMOs and CIOs Need to Get Along to Make Big Data Work
32
33
34
35
Social Sensing
36
37
Pasos en un proyecto Big Data seguacuten MIT
28
iquestCuaacutento tiempo tarda un adolescente en recoger suhabitacioacuten
One teenager working = one afternoon at home
29
iquestPodriacutea un adolescente ordenar todaslas habitaciones de Nueva York
30
31Harvard Business Review (HBR) blog CMOs and CIOs Need to Get Along to Make Big Data Work
32
33
34
35
Social Sensing
36
37
Pasos en un proyecto Big Data seguacuten MIT
29
iquestPodriacutea un adolescente ordenar todaslas habitaciones de Nueva York
30
31Harvard Business Review (HBR) blog CMOs and CIOs Need to Get Along to Make Big Data Work
32
33
34
35
Social Sensing
36
37
Pasos en un proyecto Big Data seguacuten MIT
30
31Harvard Business Review (HBR) blog CMOs and CIOs Need to Get Along to Make Big Data Work
32
33
34
35
Social Sensing
36
37
Pasos en un proyecto Big Data seguacuten MIT
31Harvard Business Review (HBR) blog CMOs and CIOs Need to Get Along to Make Big Data Work
32
33
34
35
Social Sensing
36
37
Pasos en un proyecto Big Data seguacuten MIT
32
33
34
35
Social Sensing
36
37
Pasos en un proyecto Big Data seguacuten MIT
33
34
35
Social Sensing
36
37
Pasos en un proyecto Big Data seguacuten MIT
34
35
Social Sensing
36
37
Pasos en un proyecto Big Data seguacuten MIT
35
Social Sensing
36
37
Pasos en un proyecto Big Data seguacuten MIT
36
37
Pasos en un proyecto Big Data seguacuten MIT
37
Pasos en un proyecto Big Data seguacuten MIT
top related