Content uploaded by Ana Cristina Umaquinga
Author content
All content in this area was uploaded by Ana Cristina Umaquinga on Jan 07, 2018
Content may be subject to copyright.
31
Artículo Revista de Estrategias del Desarrollo Empresarial
Junio 2017 Vol.3 No.8 31-39
Herramientas de análisis de grandes volúmenes de datos para la toma de
decisiones empresariales y fidelización de los clientes
UMAQUINGA, Ana*†, SALTOS, Tatiana y PELUFFO, Diego
Recibido Abril 22, 2017; Aceptado Junio 9, 2017
Resumen
El crecimiento acelerado de la competencia entre las
empresas a nivel global es innegable. Los nuevos retos
para generar valor, descubrir tendencias y preferencias
de consumo de clientes exigen a las empresas contar
con herramientas tecnológicas de mayor alcance y
eficiencia que permitan ser apoyo en la toma de
decisiones en tiempo real o en el menor tiempo posible
con el fin de crear ventaja competitiva y mantenerse en
el mercado. Herramientas tecnológicas como Big data,
Data mining entre otras, pretenden obtener nuevo
conocimiento, patrones, predicciones para una mejor
comprensión y precisión de las necesidades del cliente,
que no sería posible con el uso de herramientas
convencionales. De ahí el trabajo en equipo del área
tecnológica y del negocio requiere de este
conocimiento de valor para la definición de estrategias
encaminadas a capitalizar dicho conocimiento
originado de manera interna y externa especialmente de
las redes sociales. El presente artículo es de tipo
descriptivo, exploratorio, y documental, se realiza un
análisis de Big data y minería de datos a nivel
empresarial, sus tópicos de uso en la toma de
decisiones y búsqueda de la fidelización de sus
clientes, así como sus aspectos de valor y retos. En
consecuencia, los resultados evidencian la relación
favorable y eficiente de la aplicación de estas
tecnologías en la toma de decisiones empresariales, por
lo que, surge la necesidad de un mayor número de
investigaciones de este tipo.
Datos masivos, Data mining, Big data, herramientas
para toma de decisiones, ventaja competitiva
Abstract
The accelerated growth of competition among
companies globally is undeniable. The new challenges
to generate value, discover trends and preferences of
customers demand companies to have technological
tools of greater reach and efficiency that allow to be
support in the decision making in real time or in the
shortest possible time in order to create competitive
advantage and stay in the market. Technological tools
like Data mining, Big data, among others, aim to obtain
new knowledge, patterns, predictions for a better
understanding and precision of costumer needs, which
would not be possible with the use of conventional
tools. Hence teamwork in the area of technology and
business requires this knowledge of value for the
definition of strategies aimed at capitalizing on this
knowledge originated in an internal and external way
especially of social networks. The present article is
descriptive, exploratory, and documentary, perform an
analysis of the technological tools used at the business
level and topics of use in the decision making and
search of the loyalty of its clients, as well as its value
aspects and challenges. Consequently, the results show
the favorable and efficient relationship of the
application of these technologies in business decision-
making, therefore, the need arises for a greater number
of future research of this type.
Information systems, server, Internet, web, mobile
devices
Citación: UMAQUINGA, Ana, SALTOS, Tatiana y PELUFFO, Diego. Herramientas de análisis de grandes volúmenes
de datos para la toma de decisiones empresariales y fidelización de los clientes. Revista de Estrategias del Desarrollo
Empresarial. 2017, 3-8: 31-39
*Correspondencia al Autor (Correo Electrónico: acumaquinga@utn.edu.ec)
† Investigador contribuyendo como primer autor.
© ECORFAN-Spain www.ecorfan.org/spain
UMAQUINGA, Ana, SALTOS, Tatiana y PELUFFO, Diego. Herramientas de
análisis de grandes volúmenes de datos para la toma de decisiones empresariales y
fidelización de los clientes. Revista de Estrategias del Desarrollo Empresarial.
2017
ISSN 2444-4960
ECORFAN® Todos los derechos reservados.
32
Artículo Revista de Estrategias del Desarrollo Empresarial
Junio 2017 Vol.3 No.8 31-39
Introducción
El crecimiento exponencial de los datos
estructurados, semiestructurados y no
estructurados como videos, imágenes, correos
electrónicos, entre otros, gracias a las nuevas
tecnologías y a la frecuencia de su
uso(Camargo-Vega, Camargo-Ortega, &
Joyanes-Aguilar, 2014), han impactado
trascendentalmente a la sociedad, ciencia,
tecnología y economía (IBM & Martins,
2017a). El mantener e incrementar la
permanencia en el mercado de las empresas es
cada vez un reto mayor, por una parte, la
transformación digital está redefiniendo el
futuro hacia la era de los llamados negocios
cognitivos y hacia una mayor incorporación
de nuevas formas de hacer negocios (IBM,
2017b), mientras que por otra, estos nuevos
retos y desafíos requieren de la misma
tecnología o de una mayor con la
combinación de varias áreas de la ciencia para
proporcionar el valor agregado a los clientes,
que no puede ser obtenida utilizando los
informes y herramientas tradicionales (IBM,
2012).
La generación del Milenio, también
llamada la Generación Z requiere de una
mayor, intuitiva, relevante y atractiva
tecnología de consumo (IBM, 2017a). Es así,
que áreas como el Big data, minería de datos
(Data mining), inteligencia artificial,
aprendizaje de máquina (Machine learning),
cómputo cognitivo buscan ser la respuesta a
las demandas actuales y futuras del mercado.
El presente artículo procura ser de
aporte a la comunidad de investigadores tanto
del área tecnológica, económica y afines,
puesto que, presenta una sinergia de enfoques
y conocimientos en la búsqueda de soluciones
para lograr la fidelización de los clientes.
El resto del documento se organiza
como se explica a continuación En la sección
2 se presenta en la metodología las
herramientas tecnológicas como Big data y
los enfoques de uso de las empresas para esta
tecnología, así como de las herramientas
mayormente utilizadas, mientras que, para
minería de datos se revisa en el aspecto
técnico sobre como trabaja para descubrir
nuevo conocimiento. En la sección 3 se
presenta los principales resultados obtenidos
de esta revisión de literatura, mientras que en
la sección 4 las conclusiones del presente
estudio.
Metodología
Con la finalidad de analizar los aspectos
planteados en este estudio, la metodología de
investigación es de tipo exploratorio,
descriptivo y documental. Uno de los modelos
que utiliza el área de Gestión de la
información y conocimiento es la cadena de
Datos-Información-Conocimiento (DIC),
también llamada jerarquía de la Información o
pirámide del conocimiento (Guillén, Ayuso,
Paniagua, & Cadenas, 2015). A continuación,
se establece las siguientes definiciones
fundamentales que se usarán a lo largo de este
trabajo: Dato: Son señales o patrones sin
significado ni contexto (Schreiber &
Akkermans, 2000) (Guillén et al., 2015).
Información: Se define como datos con
significado en un contexto, es decir, la salida
del proceso de interpretación y la entrada al
proceso de aprendizaje (Aamodt & Nygard,
1995) (Guillén et al., 2015) (Schreiber &
Akkermans, 2000). Conocimiento: “Es la
información aprendida que se incorpora como
recurso activo de razonamiento interiorizado
dentro del proceso de decisión de un agente
natural o artificial” (Guillén et al., 2015).
La marcada diferencia entre dato,
información y conocimiento va desde su
menor a mayor valor e importancia
respectivamente, y de un mayor a menor
tamaño.
UMAQUINGA, Ana, SALTOS, Tatiana y PELUFFO, Diego. Herramientas de
análisis de grandes volúmenes de datos para la toma de decisiones empresariales y
fidelización de los clientes. Revista de Estrategias del Desarrollo Empresarial.
2017
ISSN 2444-4960
ECORFAN® Todos los derechos reservados.
33
Artículo Revista de Estrategias del Desarrollo Empresarial
Junio 2017 Vol.3 No.8 31-39
Los “datos masivos” al introducirse en
todos las campos de la actividad humana,
demuestran una considerable transformación
en el tratamiento de información e innovación
ya que evidencian su valor científico,
societario hasta convertirse en una fuente de
valor económico (Mayer-Schönberger &
Cukier, 2013) Áreas como Big data,
aprendizaje automático, minería de datos,
entre otros, requieren de métodos capaces de
extraer conocimiento útil y valioso de los
grandes volúmenes de datos, utilizando el
descubrimiento de conocimiento en bases de
datos (KDD) para una mejor toma de
decisiones a nivel gerencial con el fin de tener
ventaja competitiva favoreciendo de esta
manera, la operatividad del negocio, la
reducción de tiempos de respuesta en el
análisis de datos para obtener la
personalización de productos y servicios a
clientes actuales, posibles y potenciales.
Big data como soporte para la toma de
decisiones
Big data se enfoca en capturar, curar,
almacenar, buscar, compartir, transferir,
analizar, visualizar millones datos (Hammer,
He, & Martinetz, 2014). Se caracteriza 4
dimensiones principales: volumen (petabytes
de información (Márquez & Lev, 2016),
presenta un incremento considerable de
volumen por el uso del Internet de las cosas
IoT (Gartner, 2015)) , variedad (datos de
diferente tipo, entre ellos: imágenes, lenguaje
natural y sonidos encontrados en libros,
correos electrónicos, tweets, blogs, imágenes
y archivos de audio y video(IBM & Martins,
2017b)), velocidad , valor (beneficios,
reducción de costos )(Curto, 2012),
adicionalmente se integra 2 nuevas
dimensiones: veracidad (fiabilidad de la
información (Umaquinga, Peluffo, Alvarado
P., & Cabrera A., 2016)) y visualización
(presentación legible de la información
(Sivarajah, Kamal, Irani, & Weerakkody,
2016))(Camargo-Vega et al., 2014).
Entre los tipos análisis que utiliza se
encuentra: Descriptivo (analiza datos tanto
históricos como actuales para identificar las
tendencias y relaciones), predictivo
(aprendizaje no supervisado, estudia la
probabilidad de ocurrencia), prescriptivo
(análisis de una decisión con sus variables
para identificar la probabilidad que se
produzca), causal (busca los causales de
problemas para establecer propuestas de
solución ) (Rosero, Rosero, Peluffo, &
Beltrán, 2016).
El área de visualización de
información en Big data (denominada
Analítica Visual, VA, Data Vis, VI) busca
apoyar al usuario en la exploración,
entendimiento, y análisis de datos por medio
de la exploración visual, progresiva e iterativa
(Liu, Cui, Wu, & Liu, 2014). (Umaquinga
et al., 2016) establece un acercamiento e
identificación de técnicas aplicadas en
herramientas Open Source y comerciales para
visualización de información de Big Data: 58
técnicas de visualización: Geometric
Projection, Icon-Based, Pixel-oriented,
Hieralchical, Graph-Based, Hybrid, Radial
coordinate visualization, visual structures,
interaction, tabular data, Graphs, Geoespatial,
Tree, visualization techniques, entre otras y
31 herramientas de software: 21 herramientas
de tipo open Source y 10 de tipo comercial
con el fin de analizar la tendencia de uso en
los usuarios finales.
No obstante, (Redmond & Wilson,
2012) citado en (Camargo-Vega et al., 2014)
señala como debilidades:
UMAQUINGA, Ana, SALTOS, Tatiana y PELUFFO, Diego. Herramientas de
análisis de grandes volúmenes de datos para la toma de decisiones empresariales y
fidelización de los clientes. Revista de Estrategias del Desarrollo Empresarial.
2017
ISSN 2444-4960
ECORFAN® Todos los derechos reservados.
34
Artículo Revista de Estrategias del Desarrollo Empresarial
Junio 2017 Vol.3 No.8 31-39
“Falta de personal y habilidades del
recurso humano (46%), la dificultad en la
arquitectura de un sistema de análisis de Big
Data (33%), problemas con el Big Data
utilizable para los usuarios finales (22%), la
falta de patrocinio empresarial (38%) y la
deficiencia de un argumento empresarial
convincente (28%), la carencia de análisis de
bases de datos (32%), problemas de
escalabilidad de Big Data (23%), rapidez en
las consultas (22%) y dificultad para cargar
los datos lo suficientemente rápido (21%),
entre otros”
Es preciso mencionar que de 352
encuestados por (tdwi, 2016) consideran
extremadamente importante la
implementación de Big data para los siguiente
requerimientos detallados en la Tabla 1:
Descripción
%
• Información empresarial más
precisa
57%
• Comprender a los clientes
49%
• Predecir comportamiento
44%
• Mejorar el rendimiento / prácticas /
procesos del negocio
40%
• Diferenciador competitivo
32%
• Impulsar la eficiencia operativa
31%
• Responder más rápida al cambio de
negocios
30%
• Identificar los riesgos y / o reducir el
fraude
28%
• Monetizar nuestros análisis
22%
• Desarrollar de nuevas aplicaciones
basadas en datos
19%
Tabla 1 Áreas importantes para implementar Big data
Fuente (tdwi, 2016)
(Intel, 2012) identifica los
requerimientos de análisis de tipos de datos
como se detalla en la Tabla 2.
Origen de datos
% de requerimiento
de análisis
• Documentos
84%
• Transacciones empresariales
base de datos
82%
• E-mail
84%
• Datos de imágenes
68%
• Sensor o dispositivo de datos
57%
• Búsquedas indexadas de internet
57%
• Weblogs
55%
• Social media
54%
• Conversaciones telefónicas
52%
• Videos
52%
• Imágenes
46%
• Clic
42%
• Otros
2%
Tabla 2 Análisis de requerimientos enfocado de tipos
de datos
Fuente (Intel, 2012)
Mientras que las funciones principales
de impacto comercial por tipo de industria se
presentan en la Tabla 3:
UMAQUINGA, Ana, SALTOS, Tatiana y PELUFFO, Diego. Herramientas de
análisis de grandes volúmenes de datos para la toma de decisiones empresariales y
fidelización de los clientes. Revista de Estrategias del Desarrollo Empresarial.
2017
ISSN 2444-4960
ECORFAN® Todos los derechos reservados.
35
Artículo Revista de Estrategias del Desarrollo Empresarial
Junio 2017 Vol.3 No.8 31-39
Industria
Función principal de impacto
comercial
Al por menor
• Venta cruzada
• Marketing basado en la
ubicación
• Análisis de sentimientos
• Optimización de la
cadena de suministro
Manufactura
• Información en tiempo
real de la cadena de
suministro
• Análisis de proceso
usando red de sensores
• Optimización de
distribución
• Mantenimiento
predictivo
Telecomunicacio
nes
• Optimización de red
• Prevención Chrun
Sector público
• Incremento de la
productividad
• Creación de
transparencia
• Bioinformática
• Predicción/Simulación
• Medicina personalizada
• Evaluación de eficacia
de fármacos
Tabla 3 Función principal de impacto comercial por
tipo de industria
Fuente (Márquez & Lev, 2016)
En el informe de mejores prácticas de
Transforming Data with Intelligence
(denominado TDWI) (tdwi, 2016) establece
como una posible predicción de uso de
herramientas tecnológicas en Big data para el
año 2017 representado en la Tabla 3:
Herramienta/Tecnología/Lenguaje
%
predicción
de uso
• Hadoop
41%
• R
38%
• Data Warehouse
35%
• Spark
22%
• Data Virtualization
21%
• In-memory technologies
20%
• The hybrid cloud
17%
• Python
17%
• Real-time database
capabilities
13%
• Massively parallel
processing platforms
12%
• Event stream processing
engines
11%
• The private cloud
10%
• The public cloud
7%
• Content management
technologies
6%
• Third-party data services
6%
• Kafka
4%
Tabla 4 Predicción de uso de herramienta/ tecnología/
lenguaje en Big data
Fuente (tdwi, 2016)
Minería de datos
También llamada explotación de información
(Moine, Haedo, & Gordillo, 2011) de grandes
volúmenes de datos, procura encontrar
información oculta, cuyo origen son bases de
datos operacionales o bodegas de datos
conocidos como ( denominado
Datawarehouse), se apoya en la estadística,
computación y matemática.
UMAQUINGA, Ana, SALTOS, Tatiana y PELUFFO, Diego. Herramientas de
análisis de grandes volúmenes de datos para la toma de decisiones empresariales y
fidelización de los clientes. Revista de Estrategias del Desarrollo Empresarial.
2017
ISSN 2444-4960
ECORFAN® Todos los derechos reservados.
36
Artículo Revista de Estrategias del Desarrollo Empresarial
Junio 2017 Vol.3 No.8 31-39
Con el uso del análisis predictivo, y
tecnología requerida permite para construir
sistemas que permitan aprender de los datos
para identificar patrones y predecir resultados
futuros con mínima intervención humana, es
decir, que el computador aprende enfoques
supervisados o no supervisados (tdwi, 2016).
Una de las principales áreas de
enfoque de la minería de datos es el análisis
de problemas sociales, así como, la
identificación de características de la
población, estudiantes, segregación
residencial y académico, desempleo (Franco-
Arcega, Franco-Sánchez, Castro-Espinoza, &
García-Islas, 2014)
(Tan, Steinbach, & Kumar, 2005)
establece 5 aspectos clave para su proceso:
exploración de datos (para establecer sobre el
preprocesamiento más apropiado y técnicas
de análisis de datos), clasificación (técnica de
aprendizaje automático que cataloga los datos
en grupos predefinidos),
agrupamiento/clustering (técnica de
aprendizaje no supervisada, permite analizar
patrones significativos sin supervisión
humana intervención.), asociación ( descubre
la probabilidad de que ocurra un evento
específico como resultado directo de otro) y
análisis de series de tiempo .
A continuación, se presenta las
principales técnicas que utiliza la minería de
datos, Tabla 4:
Tipo de Modelo
Subtipos
Dirigido por la
teoría.
Técnicas
predictivas
• Modelos de
regresión
• Análisis de varianza
• Series temporales
• Análisis
discriminante
• Arboles de decisión
• Redes neuronales
Dirigido por los
datos.
Técnicas
descriptivas
• Análisis clúster
• Escalamiento
multidimensional
• Escalamiento
óptimo
• Reducción de
dimensión
• Segmentación
Técnicas
auxiliares
• Proceso analítico de
transacciones
(OLAP)
• Reporting
Tabla 5 Principales técnicas de minería de datos
Fuente (Marqués, 2014)
Varias son las propuestas
metodológicas como SEMMA
correspondiente a las cinco fases básicas del
proceso: Sample (Muestreo), Explore
(Exploración), Modify (Modificación),
Model (Modelado), Assess
(Valoración)(Moine et al., 2011) que
organiza en herramientas llamadas nodos para
el procedo de Minería de datos.
UMAQUINGA, Ana, SALTOS, Tatiana y PELUFFO, Diego. Herramientas de
análisis de grandes volúmenes de datos para la toma de decisiones empresariales y
fidelización de los clientes. Revista de Estrategias del Desarrollo Empresarial.
2017
ISSN 2444-4960
ECORFAN® Todos los derechos reservados.
37
Artículo Revista de Estrategias del Desarrollo Empresarial
Junio 2017 Vol.3 No.8 31-39
Resultados
Por lo tanto, se puede establecer que la
combinación y sinergia de áreas matemáticas,
estadística y computación permite la
obtención de patrones, segmentación ajustada
de proceso , para entender el comportamiento
de los clientes (IBM, 2017c) y lograr óptimas
experiencias e incremento de la fidelidad de
los clientes , así como la creación y
seguimiento de campañas personalizadas en
offline y online (IBM, 2017c) permite elevar
el valor monetario de los datos en la
obtención de conocimiento a favor de la
empresa y el cliente.
Los usos más requeridos para el
análisis en Big data en la industria se
encuentran: documentos, transacciones
empresariales/ base de datos, e-mails.
Además, como funciones de impacto e
innovación comercial, se observa la aparición
del estudio de análisis de sentimientos, que
posibilitaría el precisar y segmentar los
requerimientos de los clientes al disponer de
una mayor disponibilidad datos e
información, en tiempo real desde las redes
sociales.
La predicción de uso de herramienta/
tecnología/ lenguaje de Big data prioriza a
Hadoop, R, Data Warehouse, lo que
posibilitaría establecer nuevos requerimientos
de profesionales en este tipo de herramientas.
En el área de la minería de datos,
existe diversidad de técnicas uso entre ellos
los modelos predictivos, descriptivos,
auxiliares que pretenden apoyar en la
extracción de conocimiento de valor.
Conclusiones
Esta investigación presenta una revisión
descriptiva del área de Big Data y Minería de
datos enfocado a empresa, con un recorrido
por principales características, importancia,
retos, oportunidades, así como su pronóstico
de uso, las plataformas y su porcentaje de uso
actual, con el fin de presentar a la comunidad
empresarial y de investigadores una guía
inicial y descriptiva sobre la importancia del
uso de estas nuevas tecnologías y propuestas
en beneficio de la empresa y el abanico de
clientes.
Agradecimiento
Las autoras agradecen a la Universidad
Técnica del Norte, a la Carrera de Ingeniería
en electrónica y Redes de Comunicación de la
ciudad de Ibarra – Ecuador.
Referencias
Aamodt, A., & Nygard, M. (1995). Different
Roles and Mutual Dependencies of Data,
Information, and Knowledge—an AI
Perspective on Their Integration. Data Knowl.
Eng., 16(3), 191–222.
https://doi.org/10.1016/0169-023X(95)00017-
M
Camargo-Vega, J. J., Camargo-Ortega, J. F.,
& Joyanes-Aguilar, L. (2014). Knowing the
Big Data. Revista Facultad de Ingeniería,
24(38), 63-77.
Curto, J. (2012). Resumen Ejecutivo - Big
Data :un mercado emergente. Recuperado a
partir de http://www.diarioabierto.es/wp-
content/uploads/2012/06/Resumen-Ejecutivo-
IDC-Big-Data.pdf
UMAQUINGA, Ana, SALTOS, Tatiana y PELUFFO, Diego. Herramientas de
análisis de grandes volúmenes de datos para la toma de decisiones empresariales y
fidelización de los clientes. Revista de Estrategias del Desarrollo Empresarial.
2017
ISSN 2444-4960
ECORFAN® Todos los derechos reservados.
38
Artículo Revista de Estrategias del Desarrollo Empresarial
Junio 2017 Vol.3 No.8 31-39
Franco-Arcega, A., Franco-Sánchez, K. D.,
Castro-Espinoza, F. A., & García-Islas, L. H.
(2014). Data Mining for Discovering Patterns
in Migration. En Nature-Inspired
Computation and Machine Learning (pp. 285-
295). Springer, Cham.
https://doi.org/10.1007/978-3-319-13650-
9_26
Gartner. (2015). Gartner Says 6.4 Billion
Connected. Recuperado 20 de junio de 2017,
a partir de
http://www.gartner.com/newsroom/id/316531
7
Guillén, M. A., Ayuso, B. L., Paniagua, E., &
Cadenas, J. M. (2015). Una revisión de la
Cadena Datos-Información-Conocimiento
desde el Pragmatismo de Peirce.
Documentación de las Ciencias de la
Información, 38(0), 153-177.
https://doi.org/10.5209/rev_DCIN.2015.v38.5
0814
Hammer, B., He, H., & Martinetz, T. (2014).
Learning and modeling big data. En ESANN
(pp. 343–352).
IBM. (2012, noviembre 19). Dónde comenzar
con la minería de datos en distribución
mayorista. Recuperado 23 de octubre de
2017, a partir de
http://www.ibm.com/developerworks/ssa/indu
stry/library/ba-data-mining-
wholesale/index.html
IBM. (2017a, enero 30). Generación Z: los
consumidores del futuro. Recuperado 24 de
octubre de 2017, a partir de
https://www.ibm.com/blogs/transformacion/2
017/01/30/generacion-z-los-consumidores-
del-futuro/
IBM. (2017b, junio 28). La infraestructura en
la Era Cognitiva. Recuperado 24 de octubre
de 2017, a partir de
https://www.ibm.com/blogs/transformacion/2
017/06/28/la-infraestructura-en-la-era-
cognitiva/
IBM. (2017c, octubre 5). Revolución del
marketing en las empresas y las más de 5 mil
marcas que están triunfando. Recuperado 23
de octubre de 2017, a partir de
https://www.ibm.com/blogs/transformacion/2
017/10/05/revolucion-del-marketing-en-las-
empresas-las-5-mil-marcas-estan-triunfando/
IBM, & Martins, A. (2017a, mayo 25). El
poder de la Reinvención Digital de las
empresas en la era cognitiva. Recuperado 24
de octubre de 2017, a partir de
https://www.ibm.com/blogs/transformacion/2
017/05/25/poder-la-reinvencion-digital-las-
empresas-en-la-era-cognitiva/
IBM, & Martins, A. (2017b, agosto 23).
Cómo se construye una empresa cognitiva.
Recuperado 24 de octubre de 2017, a partir de
https://www.ibm.com/blogs/transformacion/2
017/08/23/se-construye-una-empresa-
cognitiva/
Intel. (2012). Peer Research Big Data
Analytics. Recuperado a partir de
https://www.intel.com/content/dam/www/pub
lic/us/en/documents/reports/data-insights-
peer-research-report.pdf
Liu, S., Cui, W., Wu, Y., & Liu, M. (2014). A
survey on information visualization: recent
advances and challenges. The Visual
Computer, 30(12), 1373-1393.
https://doi.org/10.1007/s00371-013-0892-3
Marqués, M. P. (2014). Minería de datos a
través de ejemplos. RC Libros. Recuperado a
partir de
https://books.google.com.ec/books?id=311fo
AEACAAJ
Márquez, F. P. G., & Lev, B. (2016). Big
Data Management. Springer.
Mayer-Schönberger, V., & Cukier, K. (2013).
Big data : la revolución de los datos masivos.
Turner.
UMAQUINGA, Ana, SALTOS, Tatiana y PELUFFO, Diego. Herramientas de
análisis de grandes volúmenes de datos para la toma de decisiones empresariales y
fidelización de los clientes. Revista de Estrategias del Desarrollo Empresarial.
2017
ISSN 2444-4960
ECORFAN® Todos los derechos reservados.
39
Artículo Revista de Estrategias del Desarrollo Empresarial
Junio 2017 Vol.3 No.8 31-39
Moine, J. M., Haedo, A. S., & Gordillo, S. E.
(2011). Estudio comparativo de metodologías
para minería de datos. Presentado en XIII
Workshop de Investigadores en Ciencias de la
Computación. Recuperado a partir de
http://hdl.handle.net/10915/20034
Rosero, P., Rosero, E., Peluffo, D., & Beltrán,
L. (2016). ARQUITECTURA, SERVICIOS
Y APLICACIONES DE Business
Intelligence: Revisión de literatura (PDF
Download Available). Quito, Ecuador.
Recuperado a partir de
https://www.researchgate.net/publication/313
280378_ARQUITECTURA_SERVICIOS_Y
_APLICACIONES_DE_Business_Intelligenc
e_Revision_de_literatura
Schreiber, G. T., & Akkermans, H. (2000).
Knowledge Engineering and Management:
The CommonKADS Methodology. Cambridge,
MA, USA: MIT Press.
Sivarajah, U., Kamal, M. M., Irani, Z., &
Weerakkody, V. (2016). Critical analysis of
Big Data challenges and analytical methods.
Journal of Business Research.
https://doi.org/10.1016/j.jbusres.2016.08.001
Tan, P.-N., Steinbach, M., & Kumar, V.
(2005). Introduction to Data Mining (1
edition). Boston: Pearson.
tdwi. (2016). Best Practices Report | Data
Science and Big Data: Enterprise Paths to
Success. Recuperado a partir de
https://tdwi.org/research/2016/12/best-
practices-report-data-science-and-big-
data.aspx
Umaquinga, A. C., Peluffo, D., Alvarado P.,
J. C., & Cabrera A., M. V. (2016). Estudio
descriptivo de técnicas aplicadas en
herramientas Open Source y comerciales para
visualización de información de Big Data. En
Generando Ciencia: Memorias de las I
Jornadas Internacionales de Investigación
Científica UTN. Recuperado a partir de
https://www.researchgate.net/publication/312
217978_Estudio_descriptivo_de_tecnicas_apl
icadas_en_herramientas_Open_Source_y_co
merciales_para_visualizacion_de_informacio
n_de_Big_Data
