big data' e información empresarial · y administración de empresas aeca documentos aeca 13...

Asociación Española de Contabilidad y Administración de Empresas

aeca

documentos aecadocumentos aecaNuevas Tecnologías y Contabilidad13

'Big Data' e información empresarial

http://aeca.es

http://aeca.es

http://aeca.es/publicaciones2/documentos/

http://aeca.es/publicaciones2/documentos/nuevas-tecnologias-y-contabilidad-documentos-aeca/

D O C U M E N T O S A E C A

N U E VA S T E C N O L O G Í A S Y C O N T A B I L I D A D

'Big Data' e información empresarial

Documento nº 13

Asociación Española de Contabilidady Administración de Empresas

aeca


http://www.aeca.es/

© Asociación Española de Contabilidad y Administración de Empresas

Rafael Bergamín, 16 B - 28043 MadridTels.: 91 547 44 65 - 91 547 37 56Fax: 91 541 34 [email protected] · www.aeca.es

ISBN: 978-84-16286-32-4Marzo 2017

Los Documentos de la Asociación Española de Contabilidad y Administración de Em-presas (AECA) recogen las conclusiones de sus distintas Comisiones de Estudio acerca de temas específicos de interés profesional. La diversidad en la composición de estas Comisiones de Estudio, con expertos de sectores, enfoques e intereses distintos, ga-rantiza un proceso de elaboración y discusión rico en matices y riguroso de fondo, aportando a los pronun cia mien tos de AECA su distintivo de general aceptación.

La primera edición del presente Documento está abierta a la opinión de los socios de AECA y del conjunto de interesados en las materias tratadas

El contenido de este documento no podrá ser reproducido en forma alguna sin la previa autorización por escrito de la Asociación Española de Contabilidad y Administración de Empresas (AECA)

COMISIÓN DE NUEVAS TECNOLOGÍAS Y CONTABILIDAD DE AECA

Presidente:

Enrique Bonsón PonteUniversidad de Huelva

Ponentes:

Nacho Alamillo, Yolanda Cuesta, Eva Esteban (Editora), Carlos Fernández, Francisco Flores, María Mora y Manuel Ortega (Coordinador)

Vocales:

José Manuel AlonsoComisión Nacional del Mercado de Valores

Mariano ArnáizCompañía Española de Seguros de Crédito a la Exportación

Francisco Javier AstizInstituto de Censores Jurados de Cuentas de España

Eduardo AzanzaMicrosoft Business Solutions

Enrique BertrandSoftware AG

Francisco CaminaAuxadi

José Ramón CanoBanco de España

Francisco CarreiraInstituto Politécnico de Setúbal

Manuel CortésPwC España

Yolanda CuestaEconomista del Sector Sanitario

Javier de AndrésUniversidad de Oviedo

Indalecio DíazIberonews

Bernabé EscobarUniversidad de Sevilla

Tomás EscobarUniversidad de Huelva

Carlos FernándezInforma Grupo

Cristina FernándezRepsol

Francisco FloresEscuela de Turismo Iriarte. Universidad de La Laguna

Juan Luis GandíaUniversidad de Valencia

Salvador GimenoRegistro de Economistas Auditores

Manuel GiraltErnst & Young

Victoria GolobartAsociación de Usuarios de SAP en España

Alonso HernándezRegistro de Auditores de Sistemas de Información

Ignacio Hernández-RosNorma de Información

Ángel LabradorMazars Auditores

Antonio LópezUniversidad de Oviedo

Pedro LorcaUniversidad de Oviedo

Ramón MartínezCaja Madrid

Nuria MendozaCámara de Cuentas de Andalucía

Sergio MonrealAsher

Tomás NavarroMicrosoft Business Solutions

Manuel OrtegaBanco de España

Juan Manuel PérezInstituto de Contabilidad y Auditoría de Cuentas

Manuel Pedro RodríguezUniversidad de Granada

Sonia RoyoUniversidad de Zaragoza

Óscar RozalenDeloitte

Carmen RubioCaja Madrid

Carlos SerranoUniversidad de Zaragoza

Guillermo SierraColegio de Economistas de Sevilla

Óscar SolerUniversidad Complutensede Madrid

Allyson R. UgarteEx Banco Interamericano de Desarrollo

José Luis ValdésCámara de Cuentas de Andalucía

Miklos A. VasarhelyiRutgers University, NJ, USA

http://aeca.es/comisiones-de-estudio/nuevas-tecnologias/

ÍNDICE

INTRODUCCIÓN ………………………………………………………………………………………… 6

1. QUÉ ES Y QUÉ NO ES BIG DATA ………………………………………………… 8

1.1. Datos que pueden considerarse Big Data ……………………………… 8

1.2. Tecnología relacionada con Big Data ………………………………… 10

1.3. Fuentes de información existentes ……………………………………… 12

1.4. Desarrollos tecnológicos más recientes …………………………… 13

2. EXPERIENCIAS, MUNDIALES Y ESPAÑOLAS, EN EL USO DE BIG DATA ……………………………………………………………… 17

2.1. En el ámbito de la estadística (experiencias de los Institutos de Estadística y los Bancos Centrales) …………… 17

2.2. Big Data y Universidad …………………………………………………………… 21

2.3. Uso de Big Data por parte de las empresas ……………………… 23

2.4. Open data. Marco Europeo de Interoperabilidad ………… 25

3. BIG DATA GENERADO POR / SOBRE LAS EMPRESAS …… 27

3.1. Distintos tipos de datos empresariales que pueden considerarse Big Data ……………………………………………………………… 28

3.1.1. Formas de capturar la información de las empresas …… 28

3.1.2. Diccionario de datos más habitual …………………………………… 31

3.2. Fuentes de acceso público que generan Big Data empresarial …………………………………………………………………………………… 33

3.2.1. Fuentes de datos estadísticos agregados ………………………… 33

3.2.2. Fuentes con acceso al microdato y de carácter gratuito 35

3.2.3. Fuentes con acceso al microdato sin carácter gratuito: empresas infomediarias …………………………………………………… 38

3.3. Cuestiones relacionadas con la privacidad de la información ………………………………………………………………………………… 40

3.4. Construcción de proyectos Big Data …………………………………… 43

4. NUEVAS OPORTUNIDADES QUE OFRECE BIG DATA PARA LAS EMPRESAS Y LOS PROFESIONALES ………………… 46

4.1. Información no financiera a partir de Big Data y su integración en el análisis empresarial ………………………… 46

4.2. Big Data como salida profesional (científico de datos): nuevos perfiles profesionales que requerirán las empresas ……………………………………………………………………………………… 49

EPÍLOGO DE REFLEXIONES …………………………………………………………… 52

ANEXO 1. ALGUNAS APLICACIONES DE BIG DATA PARA PYMES ……………………………………………………………………… 54

ANEXO 2. RELACIÓN DE EXPERIENCIAS CON BIG DATA EN EL CAMPO DE LA ESTADÍSTICA OFICIAL …… 56

ANEXO 3. CASOS DE USO EN EL ÁMBITO EMPRESARIAL 61

Caso 1. Inditex y la evolución en la gestión de la información ……………………………………………… 61

Caso 2. Tableros Tradema. Big data + Machine learning: un ejemplo de la Industria 4.0 …… 64

Bibliografía ………………………………………………………………………………………………… 69

Documento AECA • Nuevas Tecnologías y Contabilidad • Nº 136

INTRODUCCIÓN

La historia de la humanidad y de las organizaciones en las que esta se estructura, entre otras, las empresas, podría analizarse desde la perspectiva de su adaptación al entorno y a los cambios que se producen en el que operan, en el que operamos, desde nuestros roles de ciudadanos, empleados y empleadores. Las empresas con mayores niveles de excelencia son las que no malgastan energía y conocimiento en impedir la evolución, sino aquellas que anticipan y dirigen los cambios, acom-pasando los movimientos entre la empresa y el entorno, maximizando el poten-cial de conocimiento de la organización para escuchar y entender la información que anticipa el cambio. Pero la aceleración con la que se produce genera nuevos retos organizativos; en el ámbito empresarial, empleados y directivos deben estar alineados, observando y descubriendo los cambios en el entorno cuando estos se están generando.

La estructuración (y desestructuración) de la información alrededor de los sistemas informáticos, los desarrollos de las tecnologías de telecomunicación y los procesos de globalización económica, convergen a lo largo de los últimos 50 años, acelerando aún más, si cabe, las tensiones creativas y la competencia en un entorno evolutivo empresarial schumpeteriano. La irrupción de Internet y su capacidad para interconectar máquinas generadoras de información sobre las operaciones que realizan los humanos y las empresas suponen una fuente de valor y de riesgos sin parangón en la historia de la humanidad, tanto por su alcance, intensidad y velocidad con la que se producen los cambios. Valga como ejemplo, en el ámbito tecnológico, el aumento exponencial en la potencia de los procesadores y en la capacidad de memoria de los ordenadores. Así, por ejemplo, los procesadores de los últimos modelos de teléfonos inteligentes (“smartphones”) disponen de una potencia infinitamente superior a la de los componentes mono-tarea del Apolo 11, que en 1969 llevó al hombre a la luna. Si en 1949 se fabricó la

'Bi g Data' e i n f o r m a c i ó n e m p r e s a r i a l

Documento AECA • Nuevas Tecnologías y Contabilidad • Nº 13 7

primera computadora utilizando cinta magnética, y en 1956 el primer disco duro (el IBM 350), con capacidad de 5 Megabites, una tonelada de peso y el tamaño de un frigorífico, en estos momentos numerosas empresas deciden optimizar sus recursos y elaborar sus cierres de operaciones realizando computación y almace-namiento “en la nube”, fuera de los ordenadores de la empresa, con capacidades analíticas prácticamente ilimitadas.

El cambio de paradigma que probablemente estén viviendo las empresas lleva a la Comisión de Nuevas Tecnologías de AECA a realizar un documento sobre Big Data (BD) e información empresarial con el que intentar sintetizar la información disponible sobre este nuevo fenómeno. El documento se estructura en 4 capítulos y tres anexos, además de esta introducción. Los capítulos delimitan el concepto de Big Data (capítulo 1), ofrecen las experiencias recientes en el uso de BD (capí-tulo 2), centrando el concepto en el ámbito empresarial (capítulo 3); el capítulo 4 resume algunas de las oportunidades que representa el BD para los usuarios de la información. Los anexos facilitan una relación de las aplicaciones de BD más utilizadas por las Pymes (anexo 1), un detalle de las experiencias recientes de BD en el ámbito estadístico (anexo 2) y presenta dos casos de uso empresarial en la utilización de BD (anexo 3).


1 QUÉ ES Y QUÉ NO ES BIG DATA

En numerosas ocasiones es difícil separar, diferenciar y definir independientemen-te el continente de su contenido, siendo esto especialmente cierto en los inicios de los nuevos paradigmas. Ocurre así con BD, término bajo el que se encuadran tanto bases de datos como informaciones sobre los agentes, sus características y los procesos que estos realizan, como las herramientas analíticas e informáticas que facilitan su utilización y obtención de resultados. Este epígrafe trata de delimi-tar las informaciones que pueden considerarse BD, la tecnología que las produce (esto es, las diferentes fuentes existentes de generación de BD) y la tecnología que propicia el uso de BD y la obtención de resultados a partir de ella.

1.1. DATOS QUE PUEDEN CONSIDERARSE BIG DATA

Es común, a fecha de estas líneas, ver la expresión Big Data ligada a términos como “moda”, “tendencia” o “concepto”. La definición de BD proporcionada por Gartner es la siguiente: “Big Data es un gran volumen, una alta velocidad y una gran variedad de activos de información que demandan rentabilidad e innovación en el procesamiento de la información para aumentar la comprensión y la toma de decisiones”. Una definición adicional popularizada por el informático teórico estadounidense John Mashey, indica que BD deriva de una situación hipotética de estrés en las infraestructuras digitales, que se desvelan como ineficaces a la hora de almacenar adecuadamente y procesar eficientemente la cantidad masiva de datos que genera la sociedad actual.

Esta situación, de acuerdo con el modelo de las 4 Vs del BD, se materializa en un escenario caracterizado por:

• Volumen: cada día se realizan, por ejemplo, más de un billón de consultas en Google, más de 250 millones de tuits en Twitter, 800 millones de actualizacio-nes en Facebook, 60 horas de vídeos subidos por minuto en YouTube, 10.000 transacciones mediante tarjeta de crédito por segundo… La primera de estas



dimensiones nos habla pues de la escala gigantesca que se está alcanzando en la producción, mantenimiento y uso de información, escala que requiere cada vez más comúnmente pasar de giga a tera, peta, exa, zettabytes. Pero una cantidad masiva de datos no es suficiente para estar ante el escenario que ha venido en denominarse Big Data.

• Variedad: texto, cifras, video, audio, interacción en redes sociales y datos generados tanto por humanos como por sistemas automatizados (transac-ciones bancarias, movimientos de mercancías controlados por satélite, da-tos ambientales o incluso biométricos recabados por sensores cada vez más miniaturizados y ubicuos) conforman un panorama diverso en cuanto a los formatos con los que se registran los datos, las unidades de medida, la fre-cuencia en que vienen expresados y por ende, la posibilidad de compararlos y combinarlos en distintos contextos de análisis.

• Velocidad: tanto en la generación de los datos como en los posteriores proce-sos de toma de decisiones que pueden sucederse como fruto del análisis. La velocidad se conecta también con la idea de volatilidad, en tanto que muchos datos pierden relevancia fácilmente, en ocasiones antes de haber sido ade-cuadamente analizados, con el consiguiente coste de oportunidad que esto supone.

• Veracidad (desigual): el carácter masivo de la información y su enorme he-terogeneidad se ve además solapado por un nivel desigual de verificación en los datos, desde cifras auditadas hasta información provisional, opiniones, etc. Esto incrementa la incertidumbre que se maneja analizando los datos.

A medida que el debate sobre este fenómeno se aviva, aparecen soluciones co-merciales que tratan de dar una respuesta a los retos del almacenamiento y el procesamiento de esta maraña digital. Y como consecuencia de ello, en los foros públicos se debate ya la existencia de una quinta y sexta V: “Valor”, en tanto que es preciso establecer el impacto económico y clarificar cuál debe ser la estrategia empresarial ante estos retos, y “Visibilidad”, referido a que la inmensa maraña de datos existentes en los sistemas y redes solo alcanzarán el valor referido cuando además pueden ser visualizables.

Ha quedado atrás el periodo en que los grandes volúmenes de datos los gene-raban las corporaciones de mayor tamaño y las administraciones públicas. En la actualidad, la actividad de la pequeña empresa y del gran público alimentan igual-mente un dataset interconectado cuya valoración económica e impacto cultural suponen aún un reto multidisciplinar.

¿Permite el BD a las empresas diseñar mejor sus productos, perfilar mejor sus campañas publicitarias? ¿Aporta este nuevo entorno datos clave para que las compañias y las administraciones gestionen mejor el talento y potencien así sus recursos humanos? ¿Revela el BD pistas esenciales sobre los competidores? ¿Se configura como una herramienta más contra el fraude fiscal, o para anticipar mo-



vimientos adversos de los mercados financieros? ¿Estará detrás del abultado Mar-ket to Book ratio de muchas compañías, que la contabilidad tradicional no ha sido capaz de capturar?

Una cosa es disponer de datos, e incluso de técnicas eficientes para procesar-los, aspectos ambos que están aún en plena evolucíón, y otra diferente es asumir el determinismo implícito que esto supone. El BD no puede hacer desaparecer la in-certidumbre de los negocios, pero puede aportar herramientas adicionales para la gestión pública y empresarial que ahora no se están aprovechando plenamente. Es más, se da la paradoja de que existen muchos procesos que inercialmente generan datos, y resultaría un enorme desperdicio no explorarlos en busca de respuestas.

1.2. TECNOLOGÍA RELACIONADA CON BIG DATA

Si por tecnología entendemos el abanico de conocimientos técnicos que permiten crear bienes y prestar servicios a los agentes económicos que, como se indicó en el inicio de este documento, están inmersos en un proceso de adaptación al medio en el que estos operan, habría que diferenciar entre la tecnología que hace posible la existencia del BD y la tecnología que permite extraer información relevante de dicho contingente de datos.

En lo que respecta a la primera de las dimensiones señaladas, hay que consi-derar un amplísimo abanico de aspectos tecnológicos, en tanto que como hemos señalado en el apartado 1.1, BD sienta sus bases en las mismas transacciones de la empresa, e incluso en hechos que, aún sin tener trascendencia económica in-mediata, son recogidos por la misma. En una primera clasificación sobre la tec-nología que genera los BD, cabría diferenciar entre: a) los que son creados por los humanos en su interrelación con los nuevos medios informáticos (datos generados en las redes sociales tipo Facebook, por ejemplo); b) los que son creados por las transacciones y procesos operativos de los agentes y de las empresas (datos gene-rados en el uso de las tarjetas de crédito, por ejemplo), y, c) los que derivan de las máquinas (teléfonos móviles, sensores, etc.). El apartado 1.3 de este documento informa con mayor detalle de las fuentes de información BD.

En lo referente a la segunda dimensión, la de la tecnología que permite hacer un uso efectivo del BD, el abanico se estrecha algo más, y es posible distinguir va-rios sub-niveles: desde estándares que permiten organizar los datos y someterlos a una primera depuración, considerando sus formatos de base y sus ubicaciones iniciales, hasta protocolos de más alto nivel que abordan la capa de análisis de los datos. Los apartados siguientes y el epígrafe 1.4 facilitan algunos detalles adicio-nales sobre estas tecnologías.

Evolución tecnológica del BD

La Comisión de Nuevas Tecnologías de la Asociación elaboró en enero de 2006 un Documento (el nº 5) sobre Inteligencia Artificial (IA) y Contabilidad que supone



un claro referente sobre lo que hoy denominamos BD en el ámbito de las empre-sas. En el mismo se exponen los grandes desarrollos de la IA hasta la fecha, como los sistemas expertos, las redes neuronales, los algoritmos genéticos y cómo estos desarrollos académicos han debido esperar hasta que la capacidad de almacena-miento y procesamiento digital han avanzado hasta hacer factible su implementa-ción práctica. Algunos ejemplos de aplicación señalados en el citado Documento merecen especial mención, como:

• el uso de algoritmos genéticos para establecer similitudes y patrones que permiten clasificar empresas o clientes según su conducta;

• el auge de los sistemas expertos para el soporte a la toma de decisiones en campos tan dispares como el diagnóstico médico o la simulación del juicio del auditor financiero.

El Documento vio la luz a pocos años de la explosión de las redes sociales de In-ternet, que han supuesto, junto con la ubicuidad de los dispositivos móviles, otro gran empuje a los desarrollos del BD.

Sin ánimo de elaborar un mapa histórico completo de las tecnologías precur-soras de lo que hoy se puede considerar técnicas aplicadas al BD, se podría hacer mención a un conjunto de herramientas, principalmente utilizadas en el ámbito estadístico, como son: Redes Neuronales (1950), Support Vector Machine (1995), elaboración de árboles mediante bootstrapping y Gradient boosting (1999), Ran-dom Forest (2001), y, a partir de esas fechas, las más recientes relacionadas con BD (cabe citar algunas aplicaciones comerciales cuyo uso está más o menos exten-dido, como Apache Hadoop, Spark, Sparing water, Vowpal Wabbit, Sofia-ML, SAS Visual Analytics...). Si bien cabe pensar que las barreras de entrada al uso de estas tecnologías, en términos de capacitación, llevarían a que su utilización esté cen-trada en el ámbito investigador universitario y en la gran empresa, existen herra-mientas en forma de aplicaciones de BD actualmente publicitadas para su uso por las Pymes españolas. El anexo 1 facilita una referencia resumida a alguna de ellas.

En la actualidad, la explotación óptima de la información se consigue con la aplicación conjunta de técnicas de análisis avanzado (esencialmente Data Mining y Business Intelligence) y BD. Por una parte, Data Mining requiere del uso de técni-cas estadísticas para aprender de los datos (Deep Learning) detectando patrones de comportamiento, anomalías, tendencias, reglas de asociación y permitiendo a su vez la segmentación y modelización de los mismos. Por otra parte, el objetivo del Business Intelligence (más orientado al usuario final que no hace transformación de datos) es crear conocimiento sobre el medio para respaldar decisiones empre-sariales, ya que se basa en el análisis de datos existentes en una organización o empresa. Así, la información obtenida de fuentes internas y externas es almace-nada adecuadamente y puesta a disposición para el análisis mediante la interfaz adecuada de las herramientas de BD.



1.3. FUENTES DE INFORMACIÓN EXISTENTES

Hasta hace poco tiempo, las fuentes de información que se podían usar en cual-quier proyecto de tratamiento masivo de datos eran pobres en cantidad, difíciles de mantener y sobre todo complejas de adquirir y transformar en elementos es-tructurados preparados para su explotación.

No cabe duda que en estos últimos años la situación ha variado enormemente y las posibilidades se han visto incrementadas de forma muy significativa. Podría-mos establecer cuatro grandes motores para este cambio de paradigma, siempre teniendo en cuenta que todos ellos son complementarios. El valor del dato depen-de no solo de su cantidad y calidad, además depende de sus interconexiones con otros datos. Combinando diferentes fuentes de datos se pueden obtener nuevas perspectivas, lo que aumenta el valor de cada fuente en particular.

• Internet:

Desde el momento en el que es posible registrar todas las acciones que un usua-rio realiza mientras navega, un nuevo mundo de posibilidades se abre para los gestores de datos masivos. Partiendo de estadísticas simples de uso, por ejemplo número de páginas visitadas, y llegando a tratamientos sofisticados tales como patrones de comportamiento, Internet es una fuente inagotable de nuevos datos. Y no podemos circunscribirnos exclusivamente a la traza de las acciones reali-zadas en modo “input”; así es, en la era de la Web 2.0 una nueva fuente de datos ha surgido en Internet: aquellos datos que son proporcionados por los mismos usuarios, sin que deban realizarse operaciones en modo activo. Opciones tales como inferir las preferencias del consumidor desde sus interacciones con las pá-ginas web, o discernir cambios en el sentimiento y nuevas tendencias en tiempo real, son perfectamente posibles estudiando el contenido que los usuarios han generado. Las compañías de E-commerce son un caso extremo de lo que un ne-gocio hecho en la web puede capturar y estudiar. La adaptabilidad y eficiencia de su modelo de negocio, plantea una amenaza para las empresas tradicionales, forzándolas a adaptarse a la nueva realidad y “abrazar” la corriente BD.

• Tecnologías de la información en sectores tradicionales (empresariales y de la administración):

Probablemente la industria financiera es la que representa mejor este incre-mento. Elementos tales como la digitalización del dinero, que ha permitido el registro de billones de transacciones, la capacidad de análisis de mercados fi-nancieros en tiempo real o la construcción cada vez más detallada de un perfil crediticio para las personas, son ejemplos que pueden servir perfectamente para ilustrar ese crecimiento. Otro sector que está generando una cantidad ingente de datos son los servicios sanitarios. La cantidad de datos sobre la salud es enorme, frecuentemente se obtienen en tiempo real o con una frecuencia alta y se presen-tan de múltiples maneras: desde el texto en las recetas a las imágenes y videos



obtenidos en las exploraciones. Similares procesos están ocurriendo en toda la economía es una escala más modesta. La digitalización del trabajo de oficina y las operaciones de ventas, han creado nuevos flujos de datos sobre el desempeño de los empleados, el efecto de las prácticas de gestión, existencias y ventas. Cuan-to mayor es la compañía, más ingentes son los datos que pueden extraerse de sus operaciones y mayor es la posibilidad de sumarlos y analizarlos. De hecho, esto puede aplicarse no solo a las empresas sino, evidentemente a las Administracio-nes Públicas. Estas últimas han recopilado enormes cantidades de datos antes incluso de la era de la digitalización, y las nuevas tecnologías de la información han acudido en su ayuda para manejar esta enorme cantidad de información.

• Sensores y máquinas conectadas a la Red Internet:

Los avances tecnológicos, especialmente la posibilidad de la conexión inalámbri-ca, han convertido a los sensores en omnipresentes y han hecho más fácil el po-der recopilar los datos por ellos generados. Es posible ahora realizar constantes mediciones detalladas sobre prácticamente cualquier situación, proceso, vehícu-lo… Quizás uno de los más conocidos y utilizados hoy en día son los derivados de la navegación por satélite. Los dispositivos GPS han mejorado los servicios de transporte, recogen datos de localización en numerosos dispositivos móviles y permiten añadir la dimensión espacial de la geolocalización en el análisis de los datos.

El “Internet de las cosas" es sin duda, el causante del gran incremento de la cantidad de datos disponibles para el análisis, añadiendo no sólo informaciones en dimensiones hasta ahora inalcanzables, sino también y no menos importan-te, incrementando exponencialmente la velocidad de captura de los mismos. El análisis en “tiempo real” es su gran consecuencia. Se estima que a finales de esta década, según algunas estimaciones (Evans 2011), habrá más de 50 miles de millones de aparatos conectados a Internet.

• Investigación científica:

Los denominados “Grandes proyectos de la Ciencia” en áreas tales como medi-cina, genética, física de partículas, astronomía o neurobiología son generadores de enormes cantidades de datos. Presumiblemente, trasladar esta cantidad de informaciones a entornos masivos de compartición, es decir, al explotar el po-tencial de las nuevas tecnologías de la información, el público en general se verá beneficiado aumentando la productividad de la investigación, y dando respuesta a sus principales interrogantes que no han podido ser respondidos antes.

1.4. DESARROLLOS TECNOLÓGICOS MÁS RECIENTES

El surgimiento del BD ha vuelto a popularizar toda una serie de técnicas enraiza-das en la Estadística y la Inferencia y que van desde las simples regresiones hasta



la Inteligencia Artificial, técnicas que alcanzaron un gran desarrollo varias décadas atrás, y de las que de hecho se hizo oportuno eco esta misma Comisión de AECA en documentos previos, pero que en su momento carecían precisamente de una mate-ria prima suficiente para mostrar toda su potencialidad: hasta esta última década no se disponía de cantidades ingentes y heterogéneas de datos y de la potencia de cálculo y memoria requeridos. Nos referimos a la Data Science. Hay quien eviden-cia en el desarrollo de esta profesión un saludable vínculo entre la investigación académica y el mundo empresarial. Otros ven simplemente un reciclaje profesio-nal de los expertos en Business Intelligence al nuevo contexto. La Figura 1 viene a ilustrar esta confluencia.

Figura 1. Data Science como nuevo perfil profesional

Information Technology

Math and Statistics

Traditional research

Domain knowledge

Data science

Fuente: elaboración propia a partir de conway, d. (2010)

En lo que concierne a la frontera de los desarrollos, se habla, entre otros, de varios paradigmas:

• Data Integration: que explora la posibilidad de interconectar datasets remo-tos entre sí, como combinar datos de una pequeña empresa con datos macro para realizar un análisis de sensibilidad.

• Big Little Data: que supone el intento de extraer información relevante de datos que se encuentran generalmente en formato tabla pero en HTML di-rectamente en páginas Web, en lugar de las usuales hojas de cálculo.

Se detallan a continuación dos de los procesos más desarrollados recientemente:

Aprendizaje Automático

Por Aprendizaje Automático se entiende la facilidad para descubrir y aplicar in-formación del negocio, a partir de grandes cantidades de datos (o no tan grandes)



mediante el uso de herramientas conocidas para el usuario (con lo cual el adquirir este tipo de tecnologías en más fácil y rápido), como son entre otras PowerPi-vot para Excel, SQL Server Analysis y Reporting Services de SQL server,… y así obtener una integración y explotación de datos en poco tiempo y con grandes resultados.

El Aprendizaje Automático es una técnica de ciencia de datos que ayuda a los equipos a aprender de los datos existentes para prever tendencias, resultados y comportamientos futuros. Por lo tanto es un servicio que permite crear, implemen-tar y compartir soluciones de análisis predictivo.

Un ejemplo de estas técnicas es el análisis del sentimiento de los comentarios de los usuarios de Twitter y los tweets que escriben; conocer e interpretar esta in-formación puede ayudar a las empresas a conocer el sentimiento de los ciudadanos sobre sus marcas. Las predicciones se obtendrían de todos los tweets que contienen una determinada palabra clave, marca, producto, nombres de libros, etc. con el fin de averiguar el sentimiento general alrededor de esa palabra clave.

Otros ejemplos ya creados y disponibles para su uso son: predecir el riesgo de impago, estimar la demanda de un determinado producto, predecir la incidencia o no de determinadas enfermedades, predecir el tiempo, predecir el consumo de energía…

Tomando como referencia palabras de Microsoft, tres son las áreas o activida-des cubiertas mediante el uso de sistemas de aprendizaje automático:

• Predicción: ver con antelación los cursos de acción futuros mediante algo-ritmos de aprendizaje automático.

• Prescripción: aumentar y mejorar la toma de decisiones con un sistema de alertas y recomendaciones sobre las acciones que pueden llevarse a cabo.

• Automatización: simplificar y automatizar la toma de decisiones ante pro-blemas complejos con numerosas variables cambiantes.

Existen diversas empresas que ofrecen servicios completos que facilitan el acceso a estas utilidades. Se puede poner como ejemplo los servicios de Microsoft Azure, in-tegrados en la nube, como son el análisis, proceso, bases de datos, móviles, redes, almacenamiento y Web, con la finalidad de analizar con rapidez, reducir costes y posicionarse mejor en el mercado.

Estos servicios quedan completados con asistentes virtuales, al estilo de lo que Siri es en los entornos de Apple. Interfaces en los que se pueden realizar las pre-guntas a través de la voz, (también por escrito), sobre los datos disponibles. En un futuro no muy lejano se obtendrán respuestas avanzadas como determinar alertas que, previa selección de los datos de interés, avisen de eventos o, incluso, que el propio sistema proponga a los clientes las mejores opciones sobre los servicios que se puedan ofrecer.



Programación cuántica

Los ordenadores cuánticos, que funcionan siguiendo las leyes de la física cuántica, permiten procesar y transmitir información de manera mucho más rápida y efi-ciente a la que ahora conocemos.

Aún es pronto para saber cuándo empezará a funcionar el primer ordenador cuántico, dado que ahora mismo solo existen prototipos, siendo por ello también prematuro determinar cuándo se podrán utilizar a nivel general en empresas y ho-gares. Si consideramos lo que ocurrió en el inicio de la informática en el siglo XX y su expansión a las empresas y hogares, cabe pensar que la tecnología de la com-putación cuántica no quedará relegada a su uso por las grandes corporaciones.

Con estos ordenadores y nuevos lenguajes de programación cuántica los cálcu-los y la cantidad de datos a procesar serán infinitamente mayores a lo que hoy en día conocemos, lo que sin duda supondrá un empuje adicional al desarrollo de las tecnologías y usos del BD. El apartado 2.2 de este documento vuelve a tratar este tema ofreciendo algunos detalles de información adicionales sobre la situación actual de la tecnología en su interacción con el mundo de la Universidad.


2 EXPERIENCIAS, MUNDIALES Y ESPAÑOLAS,

EN EL USO DE BIG DATA

2.1. EN EL ÁMBITO DE LA ESTADÍSTICA (EXPERIENCIAS DE LOS INSTITUTOS DE ESTADÍSTICA Y LOS BANCOS CENTRALES)

Los Institutos de Estadística y otras entidades públicas que desarrollan actividades estadísticas observan desde hace más de dos décadas una demanda en progresión para la elaboración de nuevas y mejores estadísticas, conjuntamente con una dis-minución paulatina en la disposición y voluntad de los ciudadanos y empresas a responder a las encuestas directas que hacia ellos van dirigidas. Existe una gran presión social, a nivel europeo, para reducir la carga informativa que recae so-bre las empresas. Paralelamente a esta realidad, está sucediendo que las recien-tes innovaciones en las tecnologías de la información y la comunicación están conduciendo a un incremento del grado de digitalización de las economías y las sociedades y con ello, ofreciéndose nuevas oportunidades para la compilación de estadísticas sin aumentos excesivos en los costes de elaboración

Con un número cada vez más elevado de ese tipo de fuentes de información, las empresas privadas pronto producirán estadísticas que competirán con las es-tadísticas oficiales. En un principio, la calidad de estas estadísticas de carácter privado será baja o al menos cuestionable, pero estos nuevos agentes estadísticos mejorarán probablemente sus productos con el paso del tiempo, suministrando los datos de una manera más inmediata que los emisores de estadísticas oficiales, por su propia naturaleza constreñidos por la oficialidad de los datos que generan. Algunos ejemplos que reflejan esta nueva realidad son ‘The Billion Prices Project’1, o algunas actividades llevadas a cabo por empresas como Google o Positium, quie-nes se han especializado en la explotación de fuentes específicas de BD basadas en

1 The Billion Prices Project es una iniciativa académica que utiliza los precios recogidos dia-riamente de cientos de comercios on-line en todo el mundo para llevar a cabo sus estudios económicos. http://bpp.mit.edu/



la geolocalización por móvil. Lejos de representar una competencia “desleal”, la proliferación de este nuevo entorno estadístico no oficial ofrecerá nuevas fuentes de contraste y generará casi con toda seguridad un circuito de mejora y aumentos en los controles de calidad de las estadísticas actualmente difundidas.

Con la creciente disponibilidad de datos de libre acceso, los marcos de trabajo de la estadística dejarán de ser un monopolio de los organismos oficiales, que-dando también a disposición de las empresas privadas. Este fenómeno representa sin duda un reto para la estadística oficial, que si llegara a ignorar esta serie de acontecimientos, podría perder relevancia en el futuro y correría el riesgo de ser marginada de la misma manera que le ocurrió a diversos institutos de geografía, desbancados por Google o TomTom.

Como se verá en este apartado, los estadísticos europeos están activamente analizando las oportunidades y riesgos que generan los BD, estando actualmente desarrollando varias investigaciones estadísticas de evaluación de oportunidad y de impacto de estas tecnologías en su producción normalizada.

Beneficios esperados del uso de BD. Algunos de los beneficios que se esperan obtener por la integración de fuentes de datos alternativas de tipo BD en la elabo-ración de las estadísticas oficiales son2:

1. Una mejor respuesta a las necesidades de los usuarios de información a través de la disponibilidad de nuevas fuentes de datos.

2. Permitir ampliar la cartera de estadísticas oficiales y asegurar su papel como centros de referencia frente a los usuarios.

3. Mejorar la eficiencia reduciendo los costes de acceso a la información pri-maria y mejorando la puntualidad.

4. Las técnicas BD respecto a las tradicionales pueden abaratar el procesa-miento de algunos datos.

5. Mejorar la calidad y ampliar la variedad de productos estadísticos.

6. Reducir la carga de trabajo de los declarantes, aumentando al mismo tiem-po la rapidez de adaptación.

Riesgos y limitaciones a superar. Para conseguir el objetivo de ofrecer estadís-ticas oficiales basadas en fuentes BD, los organismos emisores deben superar y resolver algunas cuestiones y valorar algunos riesgos, como son:

a. Obtener acceso a fuentes relevantes de BD, que en algún caso puede reque-rir el reforzamiento de alguna ley, o en otros el establecimiento de convenios de colaboración con compañías de telefonía u otras entidades privadas.

2 Algunos de estos beneficios se citan en el Business Case VIP Big Data, dentro de ‘La Visión 2020’ del SEE https://circabc.europa.eu/sd/a/9b76a440-ce61-4804-9075-9f0128d35398/BIGD%20Business%20Case%20v1.3.pdf



b. Contar con personal cualificado experto en el uso de BD (científicos de datos).

c. Saber gestionar la mala opinión pública que provoca el uso de estas fuentes alternativas en las estadísticas oficiales. Este efecto se puede mitigar me-diante la definición y la posterior comunicación al público de guías éticas para el correcto uso las fuentes BD por parte de estas instituciones que pon-gan de relieve, por ejemplo, el principio de protección de la privacidad de las personas.

d. Tener en cuenta la legislación existente relativa a la protección de datos de carácter personal, y sus modificaciones en el tiempo.

e. Cumplir con los estándares de calidad recogidos en el Código de buenas prácticas de las Estadísticas Europeas.

Con el fin de dar respuesta a estos nuevos retos y oportunidades, desde organismos oficiales se están promoviendo y desarrollando estrategias orientadas a la integra-ción de fuentes BD en la estadística oficial.

A nivel internacional, la Comisión Estadística de Naciones Unidas acordó crear el ‘Grupo de Trabajo Global sobre BD para la Estadística Oficial’ (GWG), quien compila y comparte la información relacionada con proyectos existentes basados en BD.

A nivel europeo y en línea con los trabajos que lleva a cabo el Grupo de alto nivel para la modernización de las estadísticas oficiales (HLG-MOS) de la División Estadística de la Comisión Económica para Europa de Naciones Unidas (UNECE), Eurostat adoptó en mayo del 2014 la Visión 2020, una respuesta estratégica común del Sistema Estadístico Europeo a los retos de la estadística oficial. Una de las medidas de Eurostat fue la creación de una Task Force la cual elaboró el Plan de Acción y Hoja de Ruta 1.0 del SEE y que fue aprobado por el Comité del SEE en la 22 Reunión en Riga en septiembre de 20143.

La Visión 2020 identifica cinco áreas clave de actuación4 (usuarios, calidad, nuevas fuentes de datos, eficiencia del proceso de producción y difusión). Para la consecución de los objetivos de dichas áreas, Eurostat ha puesto en marcha varios proyectos europeos entre los cuales se encuentra el ‘Proyecto Big Data’5 centrado en la ejecución de diversos proyectos piloto. En el caso español, el INE participa en el proyecto europeo de Big Data desarrollando desde enero de 2016 estos dos pilotos:

3 https://ec.europa.eu/eurostat/cros/system/files/ESSC%20doc%2022_8_2014_EN_Final%20with%20ESSC%20opinion.pdf

4 http://ec.europa.eu/eurostat/web/ess/about-us/ess-vision-2020/key-areas

5 http://ec.europa.eu/eurostat/documents/7330775/7339647/BIGD+fact+sheet/986eb556-3b64-4f57-b289-0fed2319c6f0



• La explotación de datos de telefonía móvil para la movilidad humana y el conteo de turistas y excursionistas extranjeros (en este caso el INE participa como coordinador del proyecto).

• Web scraping de precios de paquetes de viajes turísticos organizados para servir de fuente de información en la elaboración del Índice de Precios al Consumo (IPC).

Los dominios estadísticos que se pueden cubrir con Big Data

Como se ha anticipado en el epígrafe previo, diversas instituciones públicas6 que elaboran y difunden estadísticas oficiales están inmersas en proyectos donde las fuentes de datos BD tienen o podrán tener un papel relevante, siendo las áreas objeto de estudio estadístico las siguientes, entre otras:

1. Estadísticas de precios, normalmente estimados a través de la extracción de datos de determinados sitios web (web-scraping) o de escáneres de super-mercados y datos de ventas.

2. Índices de confianza del consumidor o estadísticas de la sociedad de la in-formación, alimentado por la estimación del ‘sentimiento social’ que se ex-trae de las redes sociales.

3. Estadísticas sobre evolución de las transacciones y precios en el sector in-mobiliario.

4. Estimaciones del PIB y consumo de los hogares, observando, por ejemplo, los pagos realizados con tarjetas de crédito.

5. Estadísticas del mercado monetario y de crédito.

6. Estadísticas relacionadas con el mercado laboral como por ejemplo, esti-maciones de puestos de trabajo vacantes.

7. Estimaciones de los cruces de fronteras que sirve como input de informa-ción en las estadísticas de balanza de pagos.

8. Estudios sobre falsificación en las distintas denominaciones de billetes (a través de las máquinas de tratamientos de billetes).

9. Estimaciones de los niveles de tráfico y rutas habituales de desplazamientos.

10. Estadísticas de turismo, basadas en datos de los teléfonos móviles.

6 El Comité de Estadísticas Monetarias, Financieras y de Balanza de Pagos (CMFB), con el fin de conocer el alcance, tanto actual como potencial, del uso e introducción de fuentes Big Data en la pro-ducción estadística oficial europea, elaboró una encuesta dirigida a los Bancos Centrales Nacionales y a los Institutos Nacionales de Estadística de la UE, cuyos resultados fueron expuestos en julio de 2015; este epígrafe y el anexo 1 de este documento recogen parte de la información suministrada en los resultados de la encuesta.



11. Estudios migratorios internos (dentro del estado), de cambios de residencia y estimaciones de datos censales.

12. Estadísticas de uso del suelo, agrícolas y medioambientales, mediante la información de imágenes satélite o de determinados sitios web.

13. Estadísticas de la energía.

En el ANEXO 2 se muestran y detallan las experiencias más destacables que ins-tituciones públicas están actualmente realizando o pretenden llevar a cabo en el futuro con el uso de BD.

2.2. BIG DATA Y UNIVERSIDAD

Es relevante destacar la relación que el ámbito del BD ha tenido con la esfera académica. Por un lado, los desarrollos en Inteligencia Artificial y análisis esta-dístico ya reseñados fueron una contribución del ámbito universitario al ámbito empresarial, como refleja el anterior Documento sobre este particular elaborado por la Comisión de Nuevas Tecnologías de AECA. Muchos de estos desarrollos quedaron en una fase latente hasta que la realidad empresarial y el estado de la tecnología los han hecho pertinentes. El término BD se hace entonces popular en el ámbito de las aplicaciones reales y esto retroalimenta el interés académico. En este apartado recorremos algunos de los frentes más vanguardistas en los que se trabaja desde el ámbito investigador y que seguramente van a marcar la tendencia de los desarrollos empresariales, en tres ámbitos fundamentales: (1) avances en la capacidad de almacenamiento de información, (2) desarrollos en la capacidad de proceso de datos bajo nuevas perspectivas y (3) nuevos campos de aplicación como consecuencia de lo anterior.

En lo que concierne a la capacidad de almacenamiento, existen diferentes vías de desarrollo preocupadas tanto por incrementar la capacidad de las dife-rentes unidades más allá del Terabyte para uso individual, hasta simplificar los protocolos de almacenamiento en la nube que prescindan de gran capacidad de memoria local, todo ello facilitando el acceso ágil a los datos dentro del espacio de memoria y manteniendo niveles adecuados de seguridad. En el ámbito comercial están ya disponibles desde hace años las unidades de estado sólido o SSD (acróni-mo inglés de Solid-State Drive) y se trabaja en innovaciones como las relacionadas con el material de grafeno. Las propiedades de este material, compuesto a partir de carbono, que granjearon a los científicos Andréy Gueim y Konstantín Novosiólov el Premio Nobel de Física en 2010, podría incrementar exponencialmente la ca-pacidad de almacenamiento de los dispositivos actuales [Véase Johnson (2015) ].

El procesamiento de información también está sufriendo cambios drásti-cos desde la perspectiva académica. El grafeno vuelve a surgir como protagonista desde que ya en 2014 IBM anunciara procesadores más potentes que utilizaban este material. La capacidad de procesamiento está relacionada con la famosa ley



de Gordon Moore en la que, groso modo, ésta tiende a doblarse casi cada dos años, y la miniaturización informática pronto va a desafiar a la propia física de los materiales hasta el nivel atómico. Con objeto de eludir estos límites existen desde hace tiempo desarrollos que tratan de repensar el modo en que trabajan nuestros dispositivos digitales, hoy día fundamentalmente binarios, es decir, basados en el concepto de bit (1 o 0) como unidad básica de información, sustituyéndolo por otros esquemas como el del cubit o qubit, en la que son posibles varios estados superpuestos. En suma, se trataría de aprovechar las características de la física cuántica para apurar las propiedades de los materiales que utilizamos para alma-cenar y procesar información. Este nuevo ejemplo de colaboración entre el ámbito académico (sobre todo protagonizado por la Universidad de Yale) y el ámbito de la empresa (de nuevo con IBM) da sus frutos con el anuncio de esta empresa en 2012 de que estaríamos a una década de que esta tecnología llegue a hogares y empre-sas convencionales, superando exponencialmente la capacidad de que disfrutamos ahora. En mayo del 2016 su equipo de investigación aseguraba ya que las compu-tadoras cuánticas están disponibles para interactuar a través de la red.

Estos dos campos de avance teórico van plasmándose en realidades prácticas y se vislumbran así nuevas aplicaciones, como:

• dispositivos móviles más ubicuos y potentes: gafas que exploran la web geo-gráfica, chips insertos en los tejidos de la ropa e incluso implantes en el cuer-po humano, vehículos sin conductor y todo un sinfín de sensores que dan pie al Internet de las Cosas (Internet of Things o IoT por sus siglas en inglés);

• análisis predictivo que trata de anticiparse a la conducta de personas y em-presas en función de los datos disponibles, aumentando así la experiencia y versatilidad de los sistemas expertos en medicina o en el ámbito del consumo e incluso en los mercados bursátiles;

• democratización extrema del ámbito digital, mediante aplicaciones cada vez más intuitivas, interfaces cada vez más cercanas al lenguaje natural y más ubicuas en cuanto a los dispositivos en que las ejecutamos, llevando al al-cance de cualquier usuario todas estas innovaciones que empiezan a formar parte de lo cotidiano.

En el ámbito específico de la valoración de empresas, cabe destacar el trabajo de Bounfour [véase Bounfour (2016)], en el que se plantea la necesidad de que los sistemas contables evolucionen para permitir un adecuado registro y valoración de los denominados activos digitales (datos de los que la empresa dispone y cono-cimiento que ha extraído de ellos) como paso previo a la valoración de la empresa en sí. Esto plantea retos que van más allá de las cuestiones técnicas hacia aspectos como la gobernanza empresarial, la auténtica propiedad de los datos, la frontera entre privacidad y transparencia y otros asuntos de tipo esencialmente conceptual.



2.3. USO DE BIG DATA POR PARTE DE LAS EMPRESAS

Son muy numerosas las aplicaciones que están desarrollando actualmente las em-presas en el uso de tecnologías de BD para el desarrollo de sus negocios y la bús-queda de ventajas competitivas. La Tabla 1 siguiente resume algunas de las más destacadas y recientes desarrolladas por empresas españolas y extranjeras.

Tabla 1. Ejemplos de proyectos empresariales aplicando Big Data

PROYECTOS EMPRESARIALES. EJEMPLOS APLICACIÓN DE BIG DATA

Entidad Descripción de la experiencia Link

MathWorks

Desarrollar sistemas de aprendizaje automático destinados a la producción.

MathWorks es el líder en el desarrollo de software de cálculo matemático para ingenieros.

https://es.mathworks.com/campaigns/products/ppc/google/scalable-machine-learning-system.html?s_eid=ppc_34610275438&q=machine%20learning

Arvato Financial Solutions

Ofrece servicios de rating del crédito y de detección del fraude en Europa, manejando grandes cantidades de datos.

https://customers.microsoft.com/en-us/story/financial-services-company-may-save-customers-millions

Consultora Inmobiliaria JLL

Una aplicación propia, testea cualquier zona censal del país para saber de primera mano cuáles son sus características y atributos

http://www.jll.es/spain/es-es

Sociedad Estatal para la Gestión de la Innovación y las Tecnologías Turísticas (Segittur)

Un proyecto piloto de la organización ha sido monitorizar el centro de Badajoz. “Por eso, viendo la conexión wifi del casco histórico de la ciudad, sabemos los móviles que se conectan a la red y vemos de qué nacionalidad son. Un comercio puede, por lo tanto, cambiar sus productos a tiempo real dependiendo de si delante de su escaparate va a pasar un grupo de turistas chinos o de turistas franceses”.

http://www.segittur.es/es/inicio/index.html

Equake es.Un sistema ideado por un equipo de investigadores de la Universidad Politécnica de Valencia que trata de convertir los teléfonos móviles en pequeños sismógrafos

https://www.upv.es/noticias-upv/noticia-7849-equake-es.html

Atos desarrollo de negocio en ciencias de la vida

Secuenciación del genoma humano, “que ocupa aproximadamente unos 150 gigabytes”. De esta forma, prosigue, se puede integrar el dato en el entorno o historial médico de cada paciente “y así diseñar alarmas clínicas, sugerencias de fármacos o cuáles son los tratamientos más útiles para cada persona”.

http://www.globbit.com/natalia-jimenez-atos-bioinformatica-2730/

>>>



Tabla 1. Ejemplos de proyectos empresariales aplicando Big Data (continuación)

PROYECTOS EMPRESARIALES. EJEMPLOS APLICACIÓN DE BIG DATA

Entidad Descripción de la experiencia Link

BBVA Bankinter Banca y servicios facilitados gracias al análisis BD

http://www.media-tics.com/noticia/3864/Dircom-2.0/La-Caixa-BBVA-y-Bankinter-desarrollan-servicios-big-data.html

Hosteltur Industria turísticahttp://www.hosteltur.com/160440_sector-viajes-puede-extraer-claro-provecho-big-data.html

Abertis

Smart Brain de soporte a la gestión municipal.Abertis actúa como proveedor de este servicio para el Ayuntamiento de Barcelona utilizando sensores pero también datos de las empresas de gestión de residuos y datos de las redes sociales.

http://www.europapress.es/catalunya/firadebarcelona-00630/noticia-fira-plataformas-gestion-big-data-protagonizan-smart-city-expo-world-congress-20141118165547.html

Caixabank y BBVA

Personalizar la oferta: El cruce de los datos que configuran la huella digital de un usuario (la impronta de su actividad pública online) con, por ejemplo, los datos sobre pagos con tarjeta permiten configurar una oferta comercial personalizada

http://www.expansion.com/directivos/2015/05/20/555cde3b46163fba398b45a7.html

Globalia

Dispone de un sistema con tecnología Oracle para cambiar las tarifas de los hoteles en tiempo real. El precio que se ofrece cuando entra una petición de reserva se fija de manera automática en función de una serie de variables que ya están predefinidas

http://www.expansion.com/economia-digital/companias/2016/01/20/569e5c4622601d98218b4666.html

Berlys

El fabricante navarro de pan y bollería Berlys ha implantado tecnología de software de SAP para mejorar su operativa. Por ejemplo, ha mejorado en un 10% la eficiencia de los almacenes automáticos, donde se trabaja con algoritmos para la colocación de productos.

http://www.expansion.com/economia-digital/companias/2016/01/20/569e5c4622601d98218b4666.html

Bristol-Myers Squibb

Redujo en un 98% el tiempo que se tarda en ejecutar simulaciones de ensayos clínicos mediante la implementación de un entorno de red alojado internamente en los sistemas cloud de AWS (Amazon Web Services). Además, la compañía también ha sido capaz de optimizar los niveles de dosificación de los medicamentos, hacer que éstos sean más seguros y que los ensayos clínicos requieran un menor número de muestras de sangre de los pacientes.

http://www.ticbeat.com/empresa-b2b/casos-exito-aplicacion-big-data/2/

Xerox

Análisis de talento y de los datos masivos para reducir costes, gestionar eficazmente los problemas relacionados con la contratación de personal. Logró reducir la tasa de desgaste en sus centros de llamadas en un 20%


Joint Venture: The Weather Company e IBM

Gestionar mejor el impacto del clima sobre el rendimiento de un negocio. Y es que, según afirma la empresa de meteorología, el clima tiene un impacto económico de medio billón de dólares al año sólo en los EEUU.


Fuente: elaboración propia a partir de inFormación recogida en internet



2.4. OPEN DATA. MARCO EUROPEO DE INTEROPERABILIDAD

Open Data hace referencia a la información que puede usarse de manera gratuita, modificarla y compartirla con cualquier persona y con cualquier propósito. Dicha información debe estar disponible bajo una licencia abierta y se debe facilitar en un formato conveniente y modificable de forma legible. Open Data no puede con-siderarse en sí información BD (si bien algunos manuales así lo determinan), pero en cualquier caso es innegable que el uso masivo de información y, en especial, la conexión entre fuentes de información dispersas y en principio no conectadas pueden ser el germen de investigación BD. De ahí que este documento se detenga en este apartado a exponer la importancia de este vector de información.

Información del Sector Público (PSI) es la información recopilada por el Sec-tor Público. La definición de acuerdo con el OECD es que la Información del Sec-tor Público es generada, creada, recopilada, procesada, preservada, mantenida, divulgada, o financiada por y para el Gobierno o la Administración Pública. Esta información es además dinámica, se genera continuamente y está accesible en aplicaciones comerciales.

Las definiciones de Open Data, Información del Sector Público y BD muestran un gran solapamiento/superposición. Este solapamiento puede verse en la siguien-te Figura 2. La parte donde la información del Sector Público se da también en abierto, se define comúnmente como Open Data Government.

Figura 2: Mapa de relación de Big Data e información pública

Información del Sector Público

Open Data Government

Open Data

Big Data

Fuente: carrara, w., e. Van Steenbergen, S. FiScHer y w. San cHan (2015). creating Value tHrougH open data: “Study on tHe impact oF re-uSe oF public data reSourceS”. edp cap gemini conSulting

Open Data Government es una pequeña parte de la Información del Sector Público así como del Open Data. Además, Open Data Government puede ser un subcon-junto de BD.

Los datos de meteorología y salud serían un ejemplo de una parte de las enormes bases de datos públicas de los gobiernos producto del solapamiento de la Informa-ción del Sector Público, el Open Data y el BD. Cuando Open Data y BD se solapan se



genera una oportunidad única en la que existen y se ponen a disposición de los usua-rios enormes bases de datos de investigaciones científicas o medios sociales. Donde Open Data no se solapa con la Información del Sector Público o BD, implica informes empresariales o datos empresariales (por ejemplo, reclamaciones de los Clientes).

En 2003, la Unión Europea (UE) aprobó la legislación para fomentar la reu-tilización del Open Data Gubernamental en los Estados Miembros, a través de la Directiva (PSI) de la Información del Sector Público 2003/98/EC. “El objetivo prin-cipal era garantizar un tratamiento equitativo de todos los potenciales reutilizadores, donde el organismo del sector público ha publicado información para ser reutilizada. La Directiva PSI fue posteriormente modificada en 2013 por la Directiva 2013/37/EU”. Con esta modificación, el principio general que fue introducido radica en que toda la información accesible bajo la legislación del Estado Miembro es, en prin-cipio, reutilizable. Asimismo, las tasas administrativas no deberán, en principio, superar los costes marginales de hacer esta información reutilizable, excluyendo los cargos del reutilizador por la producción de esta información.

Se han identificado numerosos beneficios del uso del Open Data y se pueden separar en directos e indirectos. Los beneficios directos son beneficios monetarios que están presentes en las transacciones del mercado en forma de ingresos y su aportación al PIB, el número de trabajos implicados en la producción de un ser-vicio o un producto y el ahorro de costes. Los beneficios económicos indirectos, así denominados porque no son directamente cuantificables económicamente son, por ejemplo, nuevos artículos y servicios, tiempo ahorrado por los usuarios de las aplicaciones utilizando Open Data, crecimiento del conocimiento económico, aumento de la eficiencia en los servicios públicos y crecimiento de los mercados relacionados. Hay diferencias importantes entre los estados miembros de la UE +28 cuando se miden los progresos logrados en términos de Open Data. El primer país que tuvo un portal Open Data fue España en el año 2009, siendo además uno de los pioneros en cuanto a su política de Open Data.

Figura 3: Tamaño de mercado de Open Data en la UE

2016

350 €

300 €

200 €

100 €

0 €

250 €

150 €

50 €

Mile

s de

mill

ones

2017 2018 2019 2020

Tamaño del Mercado Directo Tamaño del Mercado Indirecto

Fuente: european data portal


3. BIG DATA GENERADO POR / SOBRE LAS EMPRESAS

Algunas reflexiones preliminares

Big data, entendido como un conjunto de herramientas, soluciones y filosofía de gestión de información, proporciona una capacidad para tratar más datos, incor-porar los mismos a sistemas más complejos y acortar los tiempos de tratamien-to. En este capítulo se intentará realizar un pequeño estudio de las posibilidades existentes de captura de información, analizar las diferentes fuentes de datos, es-tablecer una categorización genérica de los datos disponibles finalizando con una breve reflexión sobre los problemas a los que se enfrenta una empresa a la hora de acometer un proyecto tipo BD para el tratamiento de informaciones que se en-cuentren a su alcance.

La primera cuestión que se plantea es si estamos ante unas nuevas herramien-tas que nos permiten responder de forma más eficiente a preguntas preexistentes o ante un nuevo escenario que nos posibilita obtener nuevas respuestas a nuevas preguntas. Lo que se está viendo con el paso del tiempo es que las empresas co-mienzan respondiendo a viejas preguntas con nuevos métodos para posteriormen-te comprender que las nuevas capacidades abren perspectivas diferentes que son capaces de dar respuestas a cuestiones que hasta ese momento no habían sido ni siquiera consideradas.

Las implicaciones en los negocios a partir de BD están basadas por lo tanto en que las compañías van a utilizar nuevos datos y nuevas herramientas en busca de obtener ventajas económicas. Se podrían dividir estas ventajas en tres categorías principales:

• Mejoras de la eficiencia de los procesos mediante el uso de algoritmos más sofisticados para las operaciones en cualquier ámbito de la empresa.

• Mejoras en los productos como consecuencia de innovaciones aportadas por el uso de tecnologías Big Data. Por ejemplo, el uso de ofertas personali-zadas para el cliente elaboradas en tiempo real.



• Mejoras en la gestión y dirección de la compañía como resultado de me-jores cuadros de mando, con mejores informaciones o ganancias en tiempo de obtención.

3.1. DISTINTOS TIPOS DE DATOS EMPRESARIALES QUE PUEDEN CONSIDERARSE BIG DATA

3.1.1. FORMAS DE CAPTURAR LA INFORMACIÓN DE LAS EMPRESAS

Con una visión muy particularizada para una empresa y atendiendo a una aproxi-mación histórica de hechos, podríamos definir varias etapas en el proceso de cap-tación de datos relativos a las operaciones de la compañía, todos ellos, obviamente, ligados a las posibilidades tecnológicas disponibles.

• Contabilización de los principales movimientos económicos. Desde casi los primeros tiempos de la actividad económica ligada al ser humano, se establece la necesidad de tener un control sobre las principales variables ligadas a los procesos. A medida que la civilización avanza estos sistemas de contabilización se van perfeccionando, aunque se podría generalizar todos ellos en el uso de una tecnología básica utilizada: el papel.

• La revolución industrial, la aparición de máquinas que sustituyen y ex-panden la capacidad de los recursos humanos trae como consecuencia en el plano de la información generada la aparición de conceptos ligados a la eficiencia de los procesos. Elementos relacionados con la provisión de ma-terias primas, cantidad de producto producido, gastos en suministros (com-bustibles fundamentalmente) aparecen, eso sí, siempre en soporte papel. Es importante reseñar que cada proceso de la compañía registra su actividad de forma independiente del resto salvo su impacto económico en la contabili-dad.

• Los primeros ordenadores se constituyen como máquinas capaces de sus-tituir al papel como método de registro, con lo que la tarea de convertir los datos en información se simplifica. El sueño del dato centralizado comienza a ser realidad y surgen aplicaciones que mecanizan procesos burocráticos. Es el mundo de los grandes mainframes.

• Los ordenadores son capaces de conectarse a una red. Nace Internet. La conexión en sí misma, al interconectar procesos distribuidos en diferentes emplazamientos físicos genera muchos datos nuevos. Aparecen las Bases de Datos.

• Los usuarios se conectan a Internet. Se pasa de un mundo en el que los usuarios son o bien parte “lectora” de los informes generados por los siste-mas o bien introductores de datos a partir de pantallas determinadas a inte-ractuar con los mismos a un entorno en el que participan, generan, dialogan



entre sí, evolucionan. Los procesos de las empresas comienzan a dejar de ser el foco de atención, que se deriva hacia el cliente.

• Las máquinas, que no solo los ordenadores, se conectan y comienzan a interactuar entre sí. El diálogo entre máquinas, entendiendo como tal in-tercambio de informaciones que además modifican el comportamiento de las mismas en función de la retroalimentación recibida, provoca, en sí mis-mo, no solo un incremento exponencial de la información disponible sino un cambio en el diseño de los sistemas, abriendo posibilidades impensables hace pocos años.

• El siguiente paso es que las máquinas comienzan a interactuar de forma autónoma e independiente con los seres humanos. Es el mundo de la inte-ligencia artificial. Los sistemas aprenden por sí solos y van modificando su comportamiento en función de los resultados obtenidos y esperados.

Datos creados por las empresas. Con esta visión cronológica en mente podría-mos establecer la siguiente clasificación de orígenes de datos creados por las em-presas.

• Datos Financieros. Los apuntes contables existen prácticamente desde que el ser humano existe. Se dice incluso que son el origen de la escritura jero-glífica. Es en el siglo XV con la aparición de la partida doble cuando la infor-mación financiero contable comienza a estructurarse hacia los datos que hoy conocemos.

• Datos de operaciones. Entendiendo las operaciones como las actividades que se realizan dentro de una empresa, tanto aquellas que entran en contacto directo con su cadena de valor como aquellas que conforman los procesos de apoyo, la aparición de sistemas informáticos que ayudan sobre todo a su efi-ciencia e incluso a su transformación total, conlleva el registro de las trazas de las mismas. Las operaciones no suministran datos tan solo de su propia eficiencia, interactúan con todas las áreas.

• Datos de interrelación con los clientes. Podríamos extender en esta cate-goría todos los datos derivados con interfaces externos de la compañía, tales como proveedores. Quizás la relación con los clientes, tanto existentes como potenciales constituye en sí misma una categoría con la entidad suficiente como para tener un apartado especial. De hecho, la relación con el cliente es uno de los motores del crecimiento de las técnicas de BD en todas sus face-tas, tanto en términos algorítmicos como en la aceleración de los resultados (sistemas en tiempo real).

• Datos que publica la empresa sobre sí misma. En sí mismos, los datos pertenecientes a esta categoría podrían quedar encuadrados en otros puntos de esta clasificación pues intrínsecamente son generados en otras áreas, pero



su importancia cara a la determinación de cómo va a ser vista la empresa por su entorno hace que merezcan un apartado especial. Definimos dentro de este grupo los datos que la empresa hace visible en medios públicos tales como la página web o redes sociales, elementos que son críticos para presen-tar los productos, servicios o capacidades y los datos que la empresa coloca en zonas no tan visibles pero esenciales para los motores de búsqueda. Nos referimos aquí, por ejemplo, a elementos tales como las etiquetas utilizadas para destacar en motores de búsqueda. Curiosamente, cuando una empresa no cuida este aspecto, provoca un efecto colateral, el de la ausencia de infor-mación, que es considerado en sí mismo como factor en muchos sistemas de evaluación. También podría incluirse en este apartado los datos que produce la empresa, de carácter financiero, por la aplicación de normas legales (depó-sito de cuentas, pago de impuestos, cotizaciones a la Seguridad Social); esta información en algunos casos tiene carácter secreto.

Datos no generados por las propias empresas. Las empresas dejan “huella” con sus actuaciones. Dejan registros de sus actividades en sistemas diferentes a los de la propia empresa. Evidentemente, la empresa estará siempre interesada en recuperar esas “huellas” como elemento de entrada para la mejora de sus procesos de toma de decisión. Podríamos diferenciar estos datos en dos tipos de fuentes genéricas.

• Datos generados por terceros. Dentro de esta categoría podríamos incluir tres divisiones independientes:

– Datos derivados del propio tráfico mercantil. Aquí podemos incluir fundamentalmente los derivados de las experiencias vividas por terceras empresas con la que se interrelaciona. Históricamente se ha venido man-teniendo información en el mercado sobre incumplimientos de compro-misos, como un método eficaz tanto para la detección de fraudes como para realizar presión para evitar la morosidad. Pero cada vez con mayor frecuencia, las empresas están dispuestas a compartir información de ex-periencias positivas pues de esa forma, al añadir transparencia, las opor-tunidades de negocio mejoran para todos.

– Datos generados a través de opiniones emitidas. Esta es otra de las grandes novedades que Internet trae al mundo de la información sobre empresas. La posibilidad de aportar comentarios y opiniones sobre ser-vicios recibidos ha cambiado el panorama en múltiples sectores de acti-vidad, fundamentalmente relacionados con la hostelería y restauración pero extendiéndose cada vez más a otros ámbitos. Se puede hablar ya sin ningún tipo de dudas de la relevancia de los índices de reputación social que se pueden crear a partir de estos comentarios vertidos en la red. La gestión de este tipo de inputs ha conllevado a la creación de nuevos per-files de puestos de trabajo como podrían ser los “community managers”,



herederos de los iniciales “web manager”. Datos generados en medios de prensa. Dentro de esta categoría podemos incluir las noticias en las que la empresa aparece. Típicamente aquí se encuentran informaciones sobre compras, fusiones, nombramientos, estimaciones de ventas, inversiones, proyectos futuros e incluso problemas diversos que puedan acontecer. Se podría de alguna forma unificar este tipo de informaciones con las co-mentadas en el párrafo anterior, aunque siendo la prensa, incluso digital, un medio más tradicional que el de las redes sociales, su tratamiento y gestión es diferencial.

• Datos generados por sensores. Quizás una de las revoluciones que están modificando nuestra percepción del mundo que nos rodea es el “internet de las cosas”. El origen del concepto se encuentra en dispositivos que se integran en elementos que formaban partes de procesos anteriores, cumpliendo misio-nes diversas, y que, además de realizar la tarea para la que fueron diseñados, registran datos de actividad y transmiten los mismos a dispositivos capaces de gestionar dicha información. Evidentemente estamos ante una variedad gigantesca de tipos de datos, generalmente ligados a información biométrica, geo-posicionamiento, presencia en lugares físicos o frecuencia de eventos que añaden una riqueza informativa hasta hace bien poco inimaginable.

3.1.2. DICCIONARIO DE DATOS MÁS HABITUAL

El epígrafe previo se ha detenido en describir las diferentes vías o formas por las que se generan datos de las empresas, ya sean obtenidos por estas o por agentes o instrumentos ajenos a las propias empresas. Este epígrafe focaliza el mismo análisis (datos disponibles en las empresas) desde una perspectiva interna y con mención a las variables que normalmente forman parte del modelo de datos dise-ñado por las corporaciones (esto es, el diccionario de datos que habitualmente se encuentra en los sistemas informáticos).

En los tratamientos de información tipo BD para la toma de decisiones dentro de una empresa, se tienen que diferenciar tres categorías de datos. Esta clasifi-cación vendrá dada tanto por las fuentes de información disponible como por el tratamiento que de esos datos se van a realizar. Podemos establecer por lo tanto la siguiente división:

• Datos específicos del negocio de la compañía. El diccionario de datos es, obviamente, el más complejo de describir pues aquí entran todas las in-formaciones propias derivadas de las operaciones de la empresa. Son los propios sistemas de la empresa los generadores de estos datos y de sus inte-rrelaciones tanto estructurales como temporales.

• Datos del entorno socio-económico en el que la empresa se mueve. Las ac-tividades de una compañía vienen mediatizadas por los entornos económicos y geográficos en los que se desarrollan sus operaciones. Las variables que carac-



terizan dichos entornos han de formar parte de los inputs necesarios para cual-quier proyecto en tratamiento masivo de información. Las estructuras Open Data son esenciales para este conjunto de variables, pues son generalmente las fuentes públicas de datos, institutos estadísticos y centros de estudios los que generan este tipo de informaciones en modo accesible y reutilizable.

• Datos sobre clientes y proveedores. Obviamente, conocer las entidades con las que una empresa interacciona es esencial para una correcta toma de decisiones. Tradicionalmente ésta ha sido una de las áreas de input adi-cional a los datos generados por la propia empresa. Procesos tales como la gestión del riesgo, tanto comercial con los clientes como operativo con los proveedores, o la búsqueda de nuevos clientes potenciales han sido la cla-ve para la incorporación de un diccionario de datos sobre entidades exter-nas en los sistemas de decisión propios. Las empresas infomediarias (véase apartado 3.2.3) juegan un rol relevante para el aprovisionamiento de infor-mación en este dominio.

Podríamos dividir las variables que se pueden disponer sobre una empresa en la siguiente clasificación:

• Datos de identificación. Códigos identificadores de compañía tales como el NIF, DUNS, LEI, GIIN y elementos que permiten determinar la identidad de las compañías con las que se está operando, tales como nombre actuales y antiguos, Marcas, Direcciones actuales y antiguas, Sucursales, Teléfonos, emails, Páginas web…

• Características: Antigüedad, Tamaño, Actividad (es) a la/s que se dedica, Capital Social… (Datos que permitan caracterizar una empresa con respecto a variables de clasificación comúnmente utilizadas)

• Administradores: Miembros actuales y antiguos del Consejo de Administra-ción, Directivos Funcionales

• Vinculaciones: Accionistas actuales y antiguos. Participaciones actuales y antiguas

• Experiencia Anterior: Incidencias Judiciales, Deudas con Organismos Ofi-ciales, Concursos, Afectaciones por Concursos, Experiencias (positivas y negativas) de pago con otras empresas, mora con determinadas entidades financieras

• Información Financiera: Datos económicos de las empresas expresados en los estados financieros que se depositan en los Registros Mercantiles; para empresas reguladas por CNMV datos financieros publicados en las páginas web de las compañías y en la propia CNMV.



• Datos Adicionales: Bancos, Pagos a Proveedores, Import/Export, Subven-ciones, Menciones y Opiniones

• Valoraciones. Informaciones elaboradas a partir del diccionario de datos anteriormente indicado que permiten a la empresa infomediaria realizar una evaluación de la capacidad de la empresa analizada en diversos pa-rámetros tales como solvencia, liquidez o probabilidad de continuidad de operaciones.

Se debería añadir una categoría adicional de datos que “per se” no existen en un dominio informativo definido, sino que más bien son generados a partir de un tra-tamiento analítico o estadístico. Se podrían definir como “datos de valor añadido”. La posibilidad de las herramientas de BD de construir modelos estadísticos crea-dos a partir de algoritmos complejos, que son capaces incluso de aprender sobre sí mismos, abren puertas hasta ahora inimaginables.

De hecho, la posibilidad de crear este diccionario de datos extendido es el ob-jetivo final de un proyecto BD.

3.2. FUENTES DE ACCESO PÚBLICO QUE GENERAN BIG DATA EMPRESARIAL

Conviene aclarar que, cuando nos referimos a fuentes de información, estas pue-den referirse a fuentes abiertas que están al alcance de cualquier usuario de Inter-net, gratuitamente o a través de distintos sistemas de suscripción. Sin embargo, es necesario partir de la base de que muchas de las potencialidades del BD no están al alcance del gran público, sino más bien de corporaciones que hacen uso de su in-formación transaccional para mejorar su ventaja competitiva, datos que la empre-sa no desea, por esa misma razón, hacer públicos, o que, debido a la información de carácter personal que contienen, no puede divulgar. Sobre estas otras fuentes y su posible aprovechamiento se hará referencia más adelante. Este punto concentra su análisis en las primeras, las fuentes de información de acceso público.

En este apartado se detallan algunas fuentes que forman parte del panorama informativo disponible para cualquier usuario que deseara obtener información empresarial a través de la red, atendiendo en este caso a un criterio de la forma en la que se difunde la información ya sean microdatos o datos agregados/estadísticos.

3.2.1. FUENTES DE DATOS ESTADÍSTICOS AGREGADOS

• INE: en esta web las empresas tienen acceso a información financiera rela-tiva a las cuentas nacionales del país, datos macroeconómicos, evolución de tipos de interés, índices sobre comercio exterior,...

• Banco de España: en su web (www.bde.es), además de numerosas publi-caciones e información sobre las diferentes áreas de actuación del Banco,



se incluye un compendio de las estadísticas financieras y económicas que difunde el Banco de España, así como una aplicación para facilitar la bús-queda de información estadística. En concreto BIEST7 (Sistema de búsque-da de información estadística): el Banco de España almacena en Internet la información estadística que publica en el conocido como Sistema BIEST. A través de dicho Sistema, gratuito, se permite el acceso a miles de series tem-porales de actualización periódica y representa un recurso fundamental para la búsqueda de información monetaria y financiera.

Entre los principales objetivos de BIEST se encuentran:

– integrar la información estadística publicada por el Banco de España;

– difundir información estadística proporcionando un sistema de búsqueda flexible, sencillo y válido para todo tipo de público, independientemente del conocimiento previo de la estructura de la información almacenada;

– facilitar el acceso y mejorar la visibilidad a las estadísticas del Banco de España, proporcionando diversidad de formatos de presentación de datos.

Para conseguir estos objetivos se han definido varios tipos de búsqueda y se ha organizado la información siguiendo una clasificación temática. De este modo el usuario puede elegir el método de búsqueda que más le convenga, dependiendo de la información en la que esté interesado.

Los tipos de búsqueda disponibles son: por texto con búsqueda avanzada, por temas, por publicaciones, por flujos de difusión y por nombre de series.

• Registro Mercantil, en colaboración con el Banco de España genera varia-da información sobre agregados sectoriales y sus distribuciones estadísti-cas; es el caso de la Estadística Sectorial del CPE (Centro de Procesos Esta-dísticos, del Colegio de Registradores) o de la base de datos de Referencias Sectoriales (RSE).

El Registro Mercantil online, en el ‘apartado 2 - Trámites con el Registro Mercantil’, se encuentra la Información de estadísticas del registro mercan-til, Estadística mercantil sectorial, Estadísticas Pymes societarias8, Estadísti-ca concursal, Estadísticas mercantiles, Estadísticas Banco de España (ratios RSE) o Estadísticas monografías. En concreto muestra, a partir de las cuen-tas anuales depositadas en los Registros Mercantiles españoles, información

7 Los usuarios interesados pueden acceder a este aplicativo de uso gratuito en http://app.bde.es/bie_www/faces/bie_wwwias/jsp/op/Home/pHome.jsp.

8 En el siguiente enlace se accede a un ejemplo de estadística de Pymes societarias https://www.registradores.org/estaticasm/cpe/estadisticasPymes/pymes_societarias_ejemplo.pdf



agregada del Balance, Cuenta de Pérdidas y Ganancias y datos sobre empleo, todo ello mediante ratios que ponen en relación diferentes magnitudes de la empresa: Estructura y funcionalidad del capital, Indicadores de gestión, Indicadores financieros, Rentabilidad y sus componentes, Empleo y Gastos de personal.

• Agencia Tributaria: en el enlace de los Datos disponibles - catálogo de datos de la Agencia Tributaria9, se muestran multitud de estadísticas referidas al ámbito tributario y se agrupan en conjuntos de datos abiertos de acuerdo con las condiciones generales de reutilización.

Algunas de estas estadísticas son:

– Recaudación tributaria.

– Estadísticas por impuesto.

– Ventas, Empleo y Salarios en las Grandes Empresas.

– Comercio exterior.

– Calendario de difusión de las operaciones estadísticas.

En la web de la AEAT destaca entre los diferentes datos financieros útiles la estadística basada en la declaración del Impuesto de Sociedades de las empresas, con el que se pretende dar a conocer una imagen detallada de las sociedades en su conjunto.

Entre otras existe información sobre la estructura patrimonial de las socie-dades, los resultados obtenidos en función de diferentes variables como pue-den ser la Comunidad Autónoma, el sector al que pertenecen, dimensión de la empresa según número de asalariados, ratios de rentabilidad…

Otra estadística interesante es el Informe mensual de Recaudación Tribu-taria que muestra la información de la recaudación de tributos gestionados por la Agencia Tributaria10.

3.2.2. FUENTES CON ACCESO AL MICRODATO Y DE CARÁCTER GRATUITO

• CNMV: en lo que respecta a empresas concretas de las que adquirir valores, el propio Registro, junto con la Comisión Nacional del Mercado de Valores (CNMV) ofrecen datos contables, informes de auditoría, informes de gestión,

9 Se puede acceder a la información desde este link: http://www.agenciatributaria.es/AEAT.in-ternet/Inicio/La_Agencia_Tributaria/Memorias_y_estadisticas_tributarias/Estadisticas/Estadisticas.sht-ml o a través del Catálogo de información pública de la Administración General del Estado, en la página comentada anteriormente http://datos.gob.es.

10 http://www.agenciatributaria.es/AEAT/Contenidos_Comunes/La_Agencia_Tributaria/Estadis-ticas/Publicaciones/sites/sociedades/2013/jrubik6ff54581b198e22e0454e1eaa7ab626c9ab55fcc.html.



hechos relevantes, informes de gobierno corporativo y otros documentos re-levantes de cientos de entidades con valores admitidos a cotización. Esta información se actualiza en muchos casos trimestralmente, o bien con ca-rácter extraordinario a medida que la vida de las sociedades lo requiere.

• Gobierno de España: desde la página web Datos.gob.es se accede al ca-tálogo nacional de datos abiertos, donde se presentan de manera conjunta los datos de las Administraciones Publicas en España. Como se explica en la web, entre los destinatarios de esta información, a modo de ejemplo, se encuentran:

– Usuarios, ciudadanos o profesionales que demandan la información.

– Organismos públicos que proporcionan y utilizan información pública.

– Reutilizadores que crean productos y servicios basados en los datos.

Pueden realizarse búsquedas directamente introduciendo el término a estu-diar en el rectángulo blanco de la búsqueda, por ejemplo indicadores finan-cieros y pulsar en el botón Enviar, o puede filtrarse la información a través de las opciones mostradas en la zona derecha de la pantalla, en donde se da la posibilidad de filtrar por categoría, formato de archivo, fechas o entidad.

• Otras informaciones Públicas:

Además, en la web Datos.gob.es, hay varias aplicaciones específicas y entre ellas algunas con información financiera útil para las Pymes; destaca el Li-breBORME y Economía en la UE.

– LibreBORME11, es una plataforma creada con software libre que permite de manera gratuita la consulta del Boletín Oficial del Registro Mercantil. Esta web muestra únicamente datos públicos disponibles desde el año 2009.

Con ella se pueden conocer nuevas compañías creadas, socios, ceses, di-misiones y situación concursal en la que se encuentran las empresas na-cionales.

De esta manera, cualquier usuario puede investigar y conocer acerca de sociedades y profesionales de las mismas antes de contratar sus servicios.

Los datos pueden filtrarse a través del campo de búsqueda temática o se-gún su fecha de publicación.

11 http://datos.gob.es/content/libreborme.



– Por otra parte, la aplicación denominada Economía en la UE12, permite el acceso a través de dispositivos móviles a los indicadores macroeconómi-cos más importantes de la zona del euro, la UE y sus Estados miembros. La aplicación está disponible en tres idiomas: inglés, francés y alemán. Se pueden descargar los datos más recientes de la base de datos de Eurostat.

• Web corporativas de empresas cotizadas:

Desde el auge de Internet, y confirmado por la Circular 7/2015 de CNMV, las empresas cotizadas han aumentado el contenido y la calidad de sus sitios corporativos, incorporando no sólo prácticamente toda la información que remiten a los reguladores, sino análisis extendidos, notas de prensa, webcast de las juntas de socios, vídeos explicativos y conectividad con perfiles en las redes sociales. La información suele estar en varios idiomas y en una multi-plicidad de formatos (webcast, podcasts, hojas de cálculo, PDF, presentacio-nes, etc.). Suelen actualizarse con una alta frecuencia.

La asociación AECA, desde hace más de 15 años, otorga el premio AECA a la Transparencia Empresarial, con el que se galardona a las empresas cotizadas con mayor contenido informativo en Internet. Desde esta asociación se ha podido comprobar el incesante aumento de la cantidad y variedad de infor-mación que se transmite en las web corporativas de las empresas (no solo in-formación financiera, sino también sobre temas diversos, como composición accionarial, ratings e informacion de analistas externos, recursos humanos, gobierno corporativo, medioambiente, I+D+I, otros.

• Google Finance y Yahoo Finance

Ofrecen información bursátil prácticamente en tiempo real sobre la práctica totalidad de las bolsas mundiales, permiten la descarga en formato .csv, in-corporan diversas funcionalidades de análisis técnico en línea y conectan los datos de mercado con noticias y detalles sobre las estructuras corporativas (matrices, filiales, directivos, etc.).

• Agencias de noticias

Como Reuters, que ofrece un perfil detallado para cada compañía, con noti-cias, detalles sobre la biografía de los miembros de los órganos de adminis-tración, sus salarios, capacitaciones y ocupaciones anteriores y una selec-ción de los hechos más relevantes de cada empresa.

A esta lista habría que añadir agencias de rating, opiniones de analistas que se divulgan en medios especializados y un largo etcétera.

12 http://ec.europa.eu/eurostat/en/web/products-catalogues/-/KS-04-13-120.



3.2.3. FUENTES CON ACCESO AL MICRODATO SIN CARÁCTER GRATUITO: EMPRESAS INFOMEDIARIAS

• INFORMA

Es un ejemplo muy característico de una empresa dentro de lo que se podría denominar como “sector infomediario”.

Se puede definir dicho sector como “Conjunto de empresas que generan pro-ductos y/o servicios para su comercialización a terceros, a partir de la in-formación del sector público. Esto incluye tanto a las empresas que se han creado con esta finalidad como a aquellas que pese a no tener ésta como única finalidad, poseen un área y/o departamento específico dedicado a la creación y comercialización de nuevos productos y/o servicios basados en la información del sector público”13.

En concreto la labor de empresas como INFORMA se centra en un perfil de agregador de información con orientación a la creación de una base de datos que sirva de ayuda a la toma de decisiones fundamentalmente en lo relativo al establecimiento y gestión de relaciones comerciales entre empresas, con especial énfasis en el proceso de gestión de riesgo comercial y en el de pros-pección de nuevos clientes.

Se podrían dividir las informaciones contenidas en su Base de Datos en las siguientes categorías genéricas:

– Datos identificativos: Identificadores fiscales, Nombres actuales y anti-guos, direcciones actuales y antiguas, sucursales, teléfonos, emails, direc-ciones web…

– Datos de características de las empresas: antigüedad, sectores de acti-vidad en las que opera, tamaño, capital social…

– Estructura corporativa y accionarial. Incluyendo forma jurídica, es-tructura del consejo de administración y vinculaciones de la empresa tan-to de sus accionistas como de sus participaciones en otras empresas.

– Información Financiera: contenido de los estados financieros de las compañías.

– Experiencia anterior: Incidencias Judiciales, Deudas con Organismos Oficiales, Concursos, Afectaciones por Concursos, Experiencias (positivas y negativas) de pago con otras empresas, mora con determinadas entida-des financieras.

13 Definición extraída del estudio de caracterización del Sector Infomediario. “datos.gob.es”.



– Datos adicionales: Bancos con los que opera, información de pagos a Proveedores, información sobre actividad de import/export, Subvencio-nes, Menciones y Opiniones…

Finalmente, empresas como INFORMA realizan evaluaciones analíticas so-bre las empresas de la base de datos, siendo las más utilizadas por los clien-tes aquellas relativas a la capacidad de las mismas de cumplir sus compro-misos de pago.

Dentro de los proyectos de BD acometidos por las empresas, el uso de Bases de Datos como la de INFORMA empieza a ser muy extendido, tanto por sus características de construcción (que asegura tanto completitud, como ac-tualización y trabajo sobre la veracidad de los datos) como por manejar una información histórica de gran profundidad.

• CAMERDATA

Otro ejemplo son los servicios que presta la empresa Camerdata, empresa creada por las Cámaras de Comercio y que tiene como principal actividad la comercialización de bases de datos empresariales.

Entre otros productos y servicios a los que se accede desde su web http://www.camerdata.es/index.php, destaca el servicio de clasificación financiera, que facilita al usuario el perfil del riesgo financiero de sus clientes para así tomar las decisiones adecuadas a la hora de establecer las condiciones de la relación comercial, por ejemplo en cuanto a importes, plazos de pago, con-diciones del mismo.

Con ello las empresas pueden usar la información que Camerdata elabora a partir de grandes cantidades de datos para entre otros: tratar de evitar impa-gos, conocer las empresas con mayor solvencia y que esto ayude a establecer criterios para la venta, estar al día de los riesgos financieros de sus relaciones comerciales, etc.

Como aplicación práctica, Camerdata ofrece al registrarse como usuario in-vitado la posibilidad de consultar información variada de las empresas del Fichero de Empresas españolas del que dispone y además descargar gratis hasta 83 direcciones de dicho fichero en un archivo de extensión .csv. Estos tipos de archivos son fácilmente exportables a Excel o a Google Drive hoja de cálculo, y a partir de ellas realizar análisis de los datos.

Otros productos que crean en Camerdata a partir de las fuentes de BD de las que disponen y que ofertan son:

– Listado de emails cualificados.

– Concertación de citas comerciales.



– Además de la anterior acompañar del informe en la que se explica la clasi-ficación financiera de las empresas.

– Bases de datos de empresas en otros países.

3.3. CUESTIONES RELACIONADAS CON LA PRIVACIDAD DE LA INFORMACIÓN

El BD –también conocido como “macrodatos”– puede venir referido, atendien-do a los modelos de negocio de Internet, y frecuentenmente será así, a datos de personas físicas identificables, en cuyo caso, como no puede ser de otra forma, se debería aplicar la legislación de protección de datos de carácter personal, que como es sabido responde al derecho fundamental recogido en el artículo 18.4 de la Constitución Española de 197814; y que también se consagra, con el mismo carác-ter de fundamental, en el artículo 8 de la Carta de los Derechos Fundamentales de la Unión Europea de 2006.

La legislación de protección de datos de carácter personal se encuentra actual-mente contenida en la Ley Orgánica 15/1999, de 13 de diciembre, de Protección de Datos de Carácter Personal (LOPD), y su principal instrumento de desarrollo nor-mativo, el Real Decreto 1720/2007, de 21 de diciembre (RLOPD), marco español enmarcado en el Convenio 108 del Consejo de Europea, así como en la Directiva 95/46/CE del Parlamento Europeo y del Consejo de 24 de octubre de 1995 relativa a la protección de las personas físicas en lo que respecta al tratamiento de datos personales y a la libre circulación de estos datos (DPD); y se caracteriza por una serie de principios que definen la licitud del tratamiento de los datos de carácter personal y de normas que buscan un elevado autocontrol de los citados datos por las personas a las que los mismos se refieren.

Cabe citar, también, el recientemente aprobado Reglamento (UE) 2016/679 del Parlamento Europeo y del Consejo, de 27 de abril de 2016, relativo a la protección de las personas físicas en lo que respecta al tratamiento de datos personales y a la libre circulación de estos datos y por el que se deroga la Directiva 95/46/CE (Regla-mento general de protección de datos), que ha supuesto una importante reforma

14 La STC 94/1988 señaló que nos encontramos ante un derecho fundamental a la protección de datos por el que se garantiza a la persona el control sobre sus datos, cualesquiera datos personales, y sobre su uso y destino, para evitar el tráfico ilícito de los mismos o lesivo para la dignidad y los derechos de los afectados; de esta forma, el derecho a la protección de datos se configura como una facultad del ciudadano para oponerse a que determinados datos personales sean usados para fines distintos a aquél que justificó su obtención; asimismo, una primera interpretación llevó a considerar este derecho como una especificación del derecho a la intimidad, pero el Tribunal Constitucional ha interpretado que se trata de un derecho independiente, aunque obviamente estrechamente relacionado con aquél (SSTC 254/1993, de 20 de julio y 290/2000, de 30 de noviembre). El Alto Tribunal además señaló la vinculación directa de este derecho para los poderes públicos sin necesidad de desarrollo normativo (STC 254/1993). Cfr. http://www.congreso.es/consti/constitucion/indice/sinopsis/sinopsis.jsp?art=18&tipo=2.



de la normativa, apostando por el establecimiento de reglas uniformes15, al objeto de reforzar la seguridad jurídica y práctica para las personas físicas, los operado-res económicos y las autoridades públicas (Considerando (7)).

El Reglamento (UE) 2016/679 es sensible al BD, como se desprende de su Con-siderando (6), por lo que resultará un marco especialmente relevante para estas actividades, desde el momento de su entrada en aplicación, en 2018.

Antes de proseguir es necesario decir que la condición esencial para que se aplique la normativa es que se realice un tratamiento referido a datos de carácter personal, siendo muy relevante, para el concepto legal de dato personal, que tiene la “identificabilidad”16, ya que en la medida en que un dato no se pueda vincular de ninguna forma a una persona, el mismo no será considerado como “dato personal” y, a tenor de lo que disponen el artículo 2.1 de la LOPD, el artículo 2.1 del RLOPD y el artículo 3.1 de la DPD, no se aplicará este régimen legal.

Cabe, por tanto, cuestionarse si los datos BD son o no datos de carácter per-sonal, en el sentido de la normativa anteriormente reseñada, algo que dependerá –como es lógico– de los datos tratados: fotografías o atributos de redes sociales17, mediciones de salud o de otro tipo obtenidos de apps, identificadores de red o de aplicación18, datos de consumo o de transacción, etc. serán indudablemente datos personales cuando los mismos se refieran a personas físicas, incluso aunque resul-te en algunas ocasiones complejo vincularlos a una identidad física concreta, por-que es suficiente con la posibilidad de establecer dicho vínculo, aunque requiera un importante esfuerzo en términos prácticos.

Los datos personales pueden dejar de serlo, a los efectos de la aplicación de la normativa de protección de datos, en caso de que el vínculo entre los datos y la per-sona se rompa de forma definitiva, puesto que ya no serán referidos a una persona física identificada o identificable, algo que ha venido en denominar “disociación” o “anonimización”.

En este sentido, el artículo 11.6 de la LOPD permite la comunicación de da-tos, sin consentimiento, una vez los mismos han sido disociados, y también el

15 Sin perjuicio de la posibilidad que los Estados pueden, en los casos previstos en el propio Reglamento, especificar o restringir sus normas.

16 Cfr. el Dictamen 4/2007 del Grupo de Trabajo del Artículo 29, sobre el concepto de datos personales, adoptado el 20 de junio, disponible en http://ec.europa.eu/justice/data-protection/article-29/documentation/opinion-recommendation/files/2007/wp136_es.pdf.

17 Así se ha indicado en la jurisprudencia del Tribunal de Justicia de la Unión Europea (caso C-101/01 “Lindqvist”), y se recoge en el Considerando (18) del Reglamento (UE) 2016/647, cuando se indica que “el presente Reglamento se aplica a los responsables o encargados del tratamiento que pro-porcionen los medios para tratar datos personales relacionados con tales actividades personales o do-mésticas”.

18 Cfr. el Considerando (30) del Reglamento (UE) 2016/647, que se refiere explícitamente “a identificadores en línea facilitados por sus dispositivos, aplicaciones, herramientas y protocolos, como direcciones de los protocolos de internet, identificadores de sesión en forma de «cookies» u otros iden-tificadores, como etiquetas de identificación por radiofrecuencia”, algo que “puede dejar huellas que, en particular, al ser combinadas con identificadores únicos y otros datos recibidos por los servidores, pueden ser utilizadas para elaborar perfiles de las personas físicas e identificarlas”.



Reglamento (UE) 2016/647 considera que “los principios de la protección de datos deben aplicarse a toda la información relativa a una persona física identificada o identificable”, especificando que “los datos personales seudonimizados, que cabría atribuir a una persona física mediante la utilización de información adicional, deben considerarse información sobre una persona física identificable”. Por ello, prosigue el Reglamento, “para determinar si una persona física es identificable, deben tenerse en cuenta todos los medios, como la singularización, que razonable-mente pueda utilizar el responsable del tratamiento o cualquier otra persona para identificar directa o indirectamente a la persona física”, estableciendo un criterio aceptable en relación co el “esfuerzo” de disociación.

El Grupo de Trabajo del Artículo 29 de la DPD ha analizado extensamente, en su Dictamen 5/2014, sobre técnicas de anonimización, adoptado el 10 de abril de 201419, la disociación o deidentificación de las personas, a partir de cuatro carac-terísticas esenciales; a saber, que la anonimización puede ser el resultado de un tratamiento de datos personales realizado para impedir de forma irreversible la identificación del interesado; que pueden considerarse varias técnicas de anoni-mización, sin que la legislación europea contenga ninguna norma prescriptiva; que hay que dar importancia a los elementos contextuales: debe considerarse «el conjunto de los medios que puedan ser razonablemente utilizados» para la identi-ficación por parte del responsable del tratamiento o de un tercero, prestando espe-cial atención a lo que se entiende, en el estado actual de la técnica, como «medios que puedan ser razonablemente utilizados» (dado el incremento de la potencia de los ordenadores y de las herramientas disponibles); y que la anonimización lleva implícito un factor de riesgo que ha de tenerse en cuenta al evaluar la validez de las técnicas de anonimización, incluidos los posibles usos de los datos «anonimiza-dos» mediante estas, además de considerarse asimismo la gravedad y probabilidad del riesgo.

Para el Grupo de Trabajo, se deben evaluar cualquiera técnicas de anonimi-zación –en general basadas en la aleatorización y en la generalización, a la luz de los riesgos clave de singularización, vinculabilidad e inferencia, para elegir las que impidan la futura reidentificación.

Partiendo de la base de la aplicación de la normativa de protección de datos, para el Supervisor Europeo de Protección de Datos20 (SEPD), las aplicaciones de BD ofrecen beneficios significativos para los individuos y para la sociedad, pero también plantean algunas dudas importantes acerca de su impacto potencial sobre la dignidad y los derechos y libertades de los individuos, incluyendo su derecho a la protección de datos de carácter personal, preocupación que ya había sido

19 Disponible en http://ec.europa.eu/justice/data-protection/article-29/documentation/opinion-recommendation/files/2014/wp216_en.pdf.

20 European Data Protection Supervisor (2015): Opinion 7/2015. Meeting the challenges of big data. A call for transparency, user control, data protection by design and accountability, de 19 de noviem-bre de 2015 (disponible en https://secure.edps.europa.eu/EDPSWEB/edps/Consultation/big_data).



mostrada anteriormente por el Grupo de Trabajo del Artículo 29 de la DPD en su Declaración de 16 de septiembre de 2014, sobre el impacto del desarrollo de BD en la protección de los individuos con respecto al tratamiento de sus datos personales en la Unión Europea.

A partir de su análisis de riesgos, el SEPD propone un ecosistema de protec-ción de los BD consistente en organizaciones más transparentes respecto a la ges-tión de datos personales que realizan; individuos que se beneficien de un mayor grado de control sobre el uso de sus datos; el diseño de la protección de datos personales en los productos y los servicios; incremento de la rendición de cuentas de los responsables de los tratamientos de macrodatos personales.

Como se puede ver, en el ámbito del BD o macrodatos, se requiere una detalla-da y seria reflexión acerca de las prácticas a adoptar en relación con la protección de los datos personales, incluyendo muy especialmente aquellas de deidentifica-ción – que excluirán los datos de la aplicación posterior de la normativa, siempre que las técnicas empleadas impidan la reidentificación –, y en caso contrario, apa-lancarse en la normativa, entendiendo que una mejor práxis, con un alto compo-nente ético, es realmente un elemento de generación de confianza y valor, antes que un riesgo legal.

En este sentido, mejores prácticas en la información previa y en la obtención del consentimiento, y una mayor transparencia en los usos secundarios, así como un régimen de autoexclusión incondicionado, devienen elementos esenciales para una relación equilibrada con las personas cuyos datos tratan las empresas infome-diarias: en definitiva, si los datos de sus clientes, en especial los que se generan de forma colateral en su relación de negocio con ellos, son un activo más, claramente deben gestionarse sin menoscabo de los derechos y libertades fundamentales, con plena rendición de cuentas y en una relación mutuamente beneficiosa para las fuentes y los potenciales usuarios.

3.4. CONSTRUCCIÓN DE PROYECTOS BIG DATA

Todas las fuentes de información y el diccionario de datos que se ha comentado en el capítulo 3.1 constituyen la materia prima necesaria para el tratamiento y conse-cución de los resultados esperados. Técnicamente se dice que todos estos insumos constituyen el Data Lake, del que saldrá posteriormente un “producto destilado”, para lo que habrá que, entre otras cosas, evitar duplicidades, jerarquizar fuentes (quien da el dato más correcto ante fuentes simultáneas) y gestionar adecuada-mente las informaciones históricas.

Principales dificultades en la construcción de proyectos

BD es casi siempre en sus comienzos un “Big Trouble” para las compañías. Los organismos ejecutivos de las empresas tienen claro que “hay que estar ahí”, pero



las nuevas tecnologías traen fundamentalmente cuatro problemas genéricos, di-ficultades que será necesario resolver para la consecución de los fines buscados:

• Dificultad para manejar datos de forma masiva. Inevitablemente la aper-tura de la posibilidad de incorporar fuentes dispersas de datos al Data Lake genera serios problemas. Determinar si los sistemas actuales de gestión es-tán preparados para ser fuentes a su vez del Data Lake o si bien es necesario crear interfaces que generen bases espejo, asegurar los sistemas de alimen-tación en el momento adecuado, respetar las capacidades de proceso para no alterar tiempos de respuesta necesario para las operaciones habituales, preparar la infraestructura tanto de almacenamiento como de comunica-ciones… La logística del dato ha sido tradicionalmente un quebradero de cabeza en todo sistema, algo que se multiplica exponencialmente cuando las fuentes así lo hacen también.

• Gestionar el caos que se produce con las nuevas fuentes de informa-ción. Una vez asegurada la logística del dato, surgen inevitablemente pro-blemas ligados a la veracidad del mismo, lo que en términos sajones se de-nomina “data cleansing”. Tradicionalmente las dificultades vendrán por la confluencia de diversas fuentes de información que proporcionan datos si-milares, con lo que será necesario determinar una gestión correcta de prio-ridades, eliminación de duplicidades, determinación de si el nuevo dato es una evolución histórica del anterior o una modificación, tratamientos de normalización y estructuración, etcétera. Tradicionalmente se afirma que “es posible tomar una mala decisión con un buen dato, pero es imposible tomar una buena con datos malos”. Esta aseveración adquiere especial relevancia en un proyecto BD.

• Saber si alguien “importante” se queda fuera. La creación de un catálogo de fuentes de información es siempre un tema espinoso. Siempre quedará la duda de si se han considerado todos los datos relevantes, si el acopio de fuentes de información cubre todos los aspectos y si los algoritmos que se construyen tienen todos los elementos necesarios para ser eficientes.

• La batalla por la respuesta o quien hace la pregunta. Si consideramos un Data Lake como un sistema al que podemos hacer preguntas y que nos dará respuestas, por supuesto una vez programado convenientemente, la batalla entre los diferentes departamentos de la compañía para hacer las preguntas se establecerá de forma casi inmediata. Evidentemente los Data Lakes pue-den construirse con un propósito general, pero serán más eficientes si son construidos a partir de unas premisas determinadas en cuanto a la orien-tación de los resultados que han de proporcionar. Dicho de otro modo; es bueno saber de antemano qué tipos de preguntas se van a realizar antes de comenzar a preparar la materia prima necesaria.



La solución a estos problemas solo puede venir desde una actuación coordina-da desde diversas áreas de la compañía, con un claro compromiso desde el Comité ejecutivo, que ha de realizar la labor básica de esponsorización y gestión de las di-ferentes sensibilidades, con la creación de un soporte tecnológico suficientemente preparado y en el que se ha de depositar la confianza en que las soluciones técnicas serán las necesarias para las expectativas generadas y finalmente, pero no menos importante, la formación para todos los implicados en el proyecto21. Evidentemen-te un adecuado soporte financiero para todo el proyecto será necesario.

Si se cumplen estas premisas y las dificultades son gestionadas, la empresa en-trará en un mundo diferente, en el que se abrirán nuevas posibilidades y se podrán acometer proyectos hasta ese momento impensables.

La cuestión es que tal y como avanza el mundo, quizás no estemos ante una alternativa sino ante una necesidad. Si no se está ahí, quizás no haya otra opción.

21 Cabe poner como ejemplo la creación del data lake realizada por el Banco de Francia, que desde 2014 comenzó la creación de su “data pool”, mediante la coordinación de 5 direcciones generales, y el empuje recibido desde su consejo de gobierno.


4 NUEVAS OPORTUNIDADES

QUE OFRECE BIG DATA PARA LAS EMPRESAS Y LOS PROFESIONALES

4.1. INFORMACIÓN NO FINANCIERA A PARTIR DE BIG DATA Y SU INTEGRACIÓN EN EL ANÁLISIS EMPRESARIAL

Desde el día a día de las operaciones empresariales hasta su valoración completa, la presencia de datos de tipo económico y financiero resulta ya hoy día obvia. La tendencia emergente consiste en combinar estos datos con la llamada información no financiera. Aunque es cierto que no toda la información no financiera tiene que ser BD, interesa desarrollar en este documento un apartado sobre algunas de las informaciones no financieras que, por su carácter cualitativo, deberían conside-rarse conjuntamente con la información BD en la toma de decisiones empresarial.

La Comisión de Nuevas Tecnologías mantiene un continuo diálogo con la Co-misión de Responsabilidad Social Corporativa (RSC) de la Asociación, en la que colaboran la universidad, entidades públicas (Comisión Europea, Banco de Es-paña, CNMV, ICAC, Registro Mercantil) y diversas empresas cotizadas, primero con las empresas del IBEX35, en el futuro quizás ampliando este perímetro [véase is.aeca.es]. En esencia, la Comisión RSC está desarrollando una plataforma abier-ta y colaborativa en la que se combinan información financiera y no financiera.

Varios son los indicadores de información no financiera que pueden ser de interés en el desarrollo de un proyecto de BD, mezclando información masiva de carácter cuantitativo con otra no financiera. Un ejemplo de esta combinación de datos es el indicador de sostenibilidad complejo formulado como cociente entre ventas y emisiones contaminantes. Este indicador combina un dato procedente de la CNMV y expresado en euros, con otro elaborado conforme a las directrices del Carbon Disclosure Project (CDP) y que se expresaría en Toneladas equivalentes de



CO2 o cualquier otra unidad física admitida. Además, el dato para una corpora-ción puede monitorizarse en el tiempo; con ello se podría analizar si la empresa es capaz de desvincular su éxito financiero de su impacto ambiental, manteniendo o ampliando el primero sin que aumente o incluso disminuya el segundo, o también podría utilizarse para compararse con otras empresas del sector.

Existe un importante actor en el ámbito de la información no financiera que es la Global Reporting Initiative (GRI) que dispone de una base de datos de casi diez mil corporaciones con más de 35.000 informes sobre sostenibilidad empresarial (http://database.globalreporting.org/). Ambas entidades están explorando el papel del estándar digital XBRL (eXtensible Business Reporting Language) como puente para tratar de estructurar ambas bases de datos y hacer posible una mayor conec-tividad entre las mismas. Sobre el estándar XBRL también trabajó esta Comisión intensamente desde sus primeros desarrollos, como consta en el Documento nº 2 de mayo de 2003.

Con todo, el reto actual consiste, además de contar con expertos en el trata-miento de datos masivos y la utilización de herramientas de BD, en el propio acce-so a datos, tanto cualitativos como cuantitativos. La posibilidad de acceder a Open Data o Datos abiertos desde diferentes fuentes como puede ser el Estado y CCAA, Unión Europea, datos de otros países, puede ser de gran utilidad a las empresas a la hora de realizar estudios de mercado. Análogamente podemos decir respecto a datos sociales y demográficos disponible en la web del INE.

A continuación se citan algunos ejemplos de información no financiera en donde las empresas hacen uso de información masiva en un entorno de BD.

En primer lugar, las empresas pueden tomar sus propios datos de ventas y con ellos determinar qué productos se compran más y cuáles son las caracterís-ticas de los consumidores que los demandan, utilizando para ellos elementos de información de carácter cualitativo, como por ejemplo de geo-posicionamiento de sus clientes. O hacer uso de los datos para saber qué vendedores realizan las ventas mayores en función de la zona geográfica, o analizar los patrones de los usuarios de su página web. La mezcla de este tipo de datos permitiría obtener información eficiente a la hora de tomar decisiones, como por ejemplo ofertar un producto en concreto a un segmento de sus compradores, tomar decisiones de abandonar o reforzar sus esfuerzos en determinadas regiones, realizar publicidad enfocada a los comportamientos de los internautas…. Precisamente, el anexo 3 de este docu-mento facilita la experiencia de una gran empresa española, Inditex, en este tipo de utilización de los datos BD.

Otro ejemplo sería la utilización de BD por una empresa de enseñanza que estando implantada en la capital de provincia, quiera abrir dos centros en otras dos poblaciones de la provincia. Mediante el uso de la información disponible en la web del INE, podría realizar la búsqueda de datos de tipo demográfico de las poblaciones más cercanas y de mayor tamaño, intentando además mezclar esta



información con datos cualitativos relativos al grupo de edad al que van dirigidos sus servicios, y situación económica de los habitantes del municipio, mediante técnicas de web-scraping obteniendo información de los precios aplicados en los comercios de la zona, por ejemplo. Por último, el análisis podría completarse con un estudio de la competencia existente en la zona, lo que ayudará a la toma de decisiones con datos reales, abiertos y disponibles en un plazo de tiempo práctica-mente instantáneo.

Siguiendo con diferentes ejemplos, encontramos en el sector de los seguros a un colectivo gran usuario de BD, las empresas aseguradoras que tienen acceso a los datos de las personas físicas o jurídicas con posibilidad de analizar y cruzar informaciones para poder elegir mejor los productos para sus clientes. Tener posi-bilidad de acceder a estos datos relevantes permite realizar informes transversales y es posible tener en cuenta múltiples variables que aporten información sobre la salud, la siniestralidad e incluso la morosidad entre distintos clientes.

Otra información no financiera a partir de BD se da en el área de marketing y, en concreto, en el marketing en internet, mediante el uso de SEO22. Igualmente, las métricas de redes sociales y similares también proporcionan grandes cantidades de datos interés para las empresas. Son varias las acciones a llevar a cabo (todas ellas extrapolables a muchas otras actividades) en el ámbito del sector turístico, bien hoteles, restauración, empresas de actividades turísticas… Para empezar te-ner una base de datos de los clientes ayudará a conocerles mejor y poder ofertarles servicios personalizados.

Para finalizar con el siguiente ejemplo en relación a las quejas y sugerencias que las empresas pueden recibir. De las mismas se puede aprender mucho para atender mejor las preferencias de los clientes. Así la toma de datos a través de un cuestionario de satisfacción y tras ello seguir una metodología de análisis y toma de decisiones al respecto, lleva a un conocimiento sobre el comportamiento de los clientes con el que se puede identificar qué es lo que valoran más de su estancia y qué áreas de mejora son prioritarias. Y relacionado con ello, puede ser interesante realizar programas de fidelización para ofrecer a los clientes más valiosos ofertas personalizadas, o crear una aplicación informática con los recursos que ofrece la empresa. Por ejemplo un hotel puede unir al catálogo de sus servicios algunas visitas recomendadas en los alrededores, todo con el objetivo de facilitar la expe-riencia de la estancia al usuario. La aplicación podría medir a la vez el alcance de las nuevas acciones diseñadas por la empresa a través del análisis de las visitas a la aplicación, así como colaborar mediante análisis de BD a mejorar la gestión de gastos, para conseguir ahorros en costes, analizando la información de los gastos de la empresa asociados a los servicios ofrecidos y el retorno de las acciones dise-ñadas por la empresa.

22 Search Engine Optimization, en español, Optimización para los Motores de Búsqueda: es el conjunto de técnicas que se utilizan para mejorar el posicionamiento en buscadores de una página web



Google Analytics, una herramienta a disposición de las empresas

Dada la importancia creciente que la información disponible en la red tiene para la elaboración de estudios BD, resulta interesante conocer alguna de las herramien-tas a disposición de las empresas que deseen acceder a datos sobre el uso de la red, sin necesidad de desarrollar aplicaciones BD específicas para la empresa. Con esa finalidad se ha accedido a información comercial disponible sobre una de ellas, Google Analytics, para resumir en qué consiste.

La herramienta gratuita de Google llamada Google Analytics, sirve para rea-lizar mediciones de páginas webs acerca del tráfico que llega a las mismas, pala-bras clave, adquisición por diferentes tipos de canales entre otros. Esta tecnología permite procesar e interpretar gran cantidad de información que puede ayudar a conocer mejor la empresa, poder analizar a la competencia, detectar tendencias, identificar desde qué canales se visitan,…, para con todo ello tomar decisiones dirigidas a un público bien segmentado y poder ofrecerles justamente lo que están demandando. Toda la información de Google Analytics se puede exportar a Excel y realizar el análisis de los datos. No solo se ha de visitar de vez en cuando GA para ver las visitas que se reciben, fácilmente se pueden personalizar los informes e ir extrayendo conclusiones y a continuación posibles acciones dirigidas a potenciar la actividad de la empresa. Por ejemplo, conociendo la edad de los clientes la em-presa podría tratar de ofrecerles productos o servicios más adecuados. Otro ejem-plo, si se localizan las palabras claves por las que se reciben visitas, es disponer de información acerca de los productos demandados; igualmente si se analiza y deter-mina desde qué red social se recibe mayor tráfico, se podrán dirigir los esfuerzos promocionales en la misma.

4.2. BIG DATA COMO SALIDA PROFESIONAL (CIENTÍFICO DE DATOS): NUEVOS PERFILES PROFESIONALES QUE REQUERIRÁN LAS EMPRESAS

Uno de los retos que afrontan actualmente las empresas ante el vasto territorio de la nueva información masiva que está a su disposición es conseguir dotarse del talento humano que le permita adentrarse en el conocimiento de las técnicas requeridas para su explotación. Existen por tanto nuevas salidas profesionales que surgen en relación a las necesidades que tienen las empresas para la explotación del BD del que disponen y quieren aprovechar. Varias son las denominaciones de los puestos de trabajo relacionados con el BD: Analista de negocio, Analista de datos, Ingeniero de datos, Científico de datos.

El tipo de compañía que busca estos perfiles en la actualidad se corresponde con empresas de consultoría tecnológica, con un tamaño medio de empresa, reali-zando proyectos nacionales y en alguna medida también internacionales.

Una revisión de los anuncios recogidos en páginas especializadas en la bús-queda de empleo informa de que los sectores en los que hay necesidad de estos



nuevos talentos están concentrados en mayor medida en las siguientes actividades productivas y sectores: marketing, financiero, sanitario, turismo, telecomunica-ciones, industria y administración pública y seguros. Las características de estos puestos de trabajo y de las demandas de profesionales cualificados se concentran en profesionales con una experiencia de 3 a 5 años, con elevadas competencias técnicas en diversas áreas no excluyentes como: experto en aplicaciones BD, ex-periencia en Business Intelligence, conocimientos en programación de BBDD con SQL, Cloudera, y herramientas OLAP; experiencia en el manejo de herramientas variadas tales como BI de Ms SQL Server (cubos, tabulares y reporting), Micros-trategy vers.9x y 10x, API SDK interna de Microstrategy y Enterprise Manager, directorios Activos, MSAD, LDAP, SSO y OIM, herramientas de ETL: SSIS y ETL'S con código SQL, Microsoft BI, IBM Cognos v.10 (Report Studio, Framework Ma-nager y Transformer) y DWH (Data Warehouse).

Entre las titulaciones demandadas con más frecuencia para cubrir este tipo de trabajos como científico de datos, existen las siguientes: Ingenieros Superiores o Técnicos preferentemente en Informática o Telecomunicaciones, Titulados en Matemáticas, Físicas o similar. También en Administracion y dirección de empre-sas, titulados en Sociología, Investigación de mercados.

Una revisión de la oferta educativa relacionada con BD en el curso 2016/2017 indica que las Universidades donde se ofrecen estas titulaciones y enseñanzas23 son:

• Universidad Carlos III: Master in Big Data Analytics (presencial/ 1 año) http://www.uc3m.es/ss/Satellite/Postgrado/en/Detalle/Estudio_C/1371210340413/ 1371219633369/Master_in_Big_Data_Analytics.

• Universidad Autónoma de Madrid: Máster en Big Data y Data Science: Cien-cia e Ingeniería de Datos (presencial/ 1 año).

• Universidad Complutense de Madrid (UCM): Máster en Minería de Datos e Inteligencia de Negocio (presencial/ 1 año).

• Universitat Politécnica de Catalunya: Máster en Big Data Management & Analytics (presencial / 5 meses).

• Universidad de Valladolid: Doble Titulación: Grado en Ingeniería Informá-tica + Grado en Estadística Consta de 336 créditos organizados en 5 años. https://www.inf.uva.es/wp-content/uploads/2014/02/131217_memoria_Do-ble_Grado_v1.pdf.

• Universidad Pontificia de Salamanca. Experto en Big Data. https://www.upsa.es/estudiar/estudios/titulacion/posgrado/plan-de-estudios.php?idTit=7C.

23 Fuente: El País y elaboración propia.



• Universitat Pompeu Fabra: Master of Science in Management (especializa-ción en Business Analytics) (presencial/ 1 año).

• Universidad Internacional de La Rioja (UNIR): Máster en Visual Analytics y Big Data (100% online / 1 año).

• Universidad Camilo José Cela con U-TAD: Programa Experto en Big Data y Programa Experto en Data Science (presencial / 7 meses).

• Universidad Europea: Máster en Big Data Analytics (presencial / 10 meses).


EPILOGO DE REFLEXIONES

Por primera vez en la historia el ser humano está en disposición de recopilar, es-tructurar y sistematizar con fines analíticos el ingente volumen de información que su actividad diaria genera. Si los siglos XVII y XVIII trajeron el sueño ilus-trado, de que el conocimiento humano podría luchar y vencer los males de la ig-norancia, la superstición y la tiranía, sentando los pilares sobre los que se podría construir un mundo mejor, su influjo en el mundo empresarial, que se plasmó en las sucesivas revoluciones (la industrial primero, la tecnológica, informática y de las comunicaciones después), nos sitúa actualmente en lo que se ha dado en llamar cuarta revolución industrial (4.0), en la que la digitalización y la robótica coloca a la humanidad frente al vértigo de un nuevo paradigma de difícil aprehensión y casi imposible gestión controlada.

Si entre el optimismo de la Ilustración y su aparente culminación con el sueño de la socialdemocracia –asentada esta en el crecimiento económico de la segunda parte del siglo XX- pasaron poco más de dos siglos, han bastado unas décadas para alcanzar esta sensación de futilidad del hombre frente a la aceleración de su en-torno y de la incapacidad para gestionar el inmenso volumen de información que pasa por sus manos (o sus extensiones, en modo de smartphones y tablets). Pare-ciera que un péndulo nos moviera del analfabetismo rural del medievo, al acceso generalizado a la cultura, y de ahí al exceso de información actual, con un resulta-do igualmente inoperante. Y, sin embargo, algo acaba de cambiar, en los últimos 5 años: Big Data ofrece una oportunidad para domeñar el ingente volumen de datos, estén o no estructurados, transformando la información en conocimiento. Proba-blemente la suma de BD e Inteligencia Artificial pasa a ser además de la solución al problema del análisis de datos masivos, un auténtico desafío para redefinir el papel de nuestra especie en la nueva era industrial 4.0.

Este documento que facilita una primera aproximación al BD, su significado, contenido y potencialidad, manifiesta siquiera someramente las oportunidades y los riesgos que representan las nuevas tecnologías de la información, y los Big Data, para el mundo empresarial. Es pronto para vislumbrar el alcance de unas y



otros; al menos se va haciendo evidente la necesidad de que las empresas, la ad-ministración y los ciudadanos pongan en su punto de mira, de forma permanente, todo lo relacionado con Big Data, última frontera a la que no pueden abstraerse las empresas, en su condición de generadoras y usuarias de este tipo de información. Probablemente la Comisión de Nuevas Tecnologías deberá revisitar en pocos años los cambios que se operan en este nuevo escenario.


ANEXO 1 ALGUNAS APLICACIONES DE BIG DATA

PARA PYMES

El apartado 1.2 del documento facilita algunas referencias sobre las tecnologías BD que pueden ser utilizadas por los investigadores universitarios y las grandes empresas. Este anexo también informa de la existencia de aplicaciones BD que pueden utilizarse por las Pymes. La lectura de la publicidad de alguna de estas aplicaciones informa sobre su adecuación para el uso por Pymes. Este anexo faci-lita algunas referencias sobre tres de ellas:

• Watson Analytics24, perteneciente a la empresa IBM, que ayuda a usar y analizar los datos de manera avanzada con cierta sencillez, es un servicio de detección inteligente de datos. Útil en la exploración de datos, automatiza el análisis predictivo, ayuda a la creación de informes y preparación de pane-les de control. Permite lograr respuestas y nuevos puntos de vista para con ello tomar decisiones fiables con cierta rapidez y sin tener que contar con la supervisión de un experto de datos.

A partir de la información facilitada como inputs detecta asociaciones entre diferentes variables y tendencias de futuro. La propaganda de esta herra-mienta indica que con ella se puede responder a preguntas como ¿cuáles son los factores que favorecen las ventas del producto?, o ¿con qué clientes se está más cerca de lograr una venta?. La interfaz del producto permite mostrar los resultados de forma sencilla (incluyendo diferentes análisis so-bre ellos, como posibles patrones o predicciones), ampliando posteriormen-te las preguntas que se pueden hacer sobre los primeros resultados, con el lenguaje natural aportado por este producto.

24 http://www-03.ibm.com/software/products/es/watson-analytics.



Existe una versión gratuita del producto previo registro, con algunas fun-cionalidades limitadas.

• Cortana Intelligence25 se define por sus creadores en Microsoft como un conjunto de aplicaciones de análisis avanzado de BD, que permite transfor-mar los datos en acciones inteligentes.

Con esta herramienta se pueden realizar previsiones de la demanda y opti-mizar los recursos. También facilita el análisis de los datos de los clientes para ofrecerles productos y soluciones a medida. El uso de esta herramienta de BD permite conocer cómo, cuándo y dónde funciona mejor el negocio, hacer una previsión de la demanda, tener el almacén en unos niveles correc-tos y optimizar la disponibilidad de los recursos.

• Wolfram Alpha26, obtiene respuestas haciendo un análisis que le permite dividir el problema para hacer consultas en diversas bases de datos, sinteti-zar conocimiento y presentarlo todo como la respuesta a la pregunta.

Permite resolver las preguntas más variadas desde datos financieros, hasta logotipos de empresas pasando por climatología, notas musicales, trigono-metría, fotografía,… Si bien está en inglés, su uso es sencillo e intuitivo. Es gratis para la mayoría de las opciones, si bien también tiene contenidos Premium de pago.

Las Pymes interesadas en hacer una prueba de uso deben saber que en la web de Wolfram Alpha, se pueden obtener respuestas a preguntas poco o nada estructuradas. Por ejemplo, si se escribe en su página Web “American Airlines vs Iberia”, tras pulsar Intro, aparece información en dos pestañas, una con el logo de la empresa y otra con gran cantidad de información financiera actualizada de la compañía. Otro ejemplo es la búsqueda de res-puestas para realizar comparativas por categorías, como sería “Wolfram Alpha por áreas”. Un último ejemplo de uso sería conocer en el momento los países y cifras de producción de vino27.

25 https://www.microsoft.com/es-es/server-cloud/cortana-intelligence-suite/industry-solutions.aspx#Fragment_Scenario1.

26 Luis Castro, guía de About.com sobre Internet.

27 https://www.wolframalpha.com/input/?i=wine+countries.


AN

EX

O 2

R

EL

AC

IÓN

DE

EX

PE

RIE

NC

IAS

CO

N B

IG D

AT

A

EN

EL

CA

MP

O D

E L

A E

ST

AD

ÍST

ICA

OF

ICIA

L

RELA

CIÓN

DE

EXPE

RIEN

CIAS

CON

BIG

DAT

A EN

EL

CAM

PO D

E LA

EST

ADÍS

TICA

País

/ Ins

tituc

ión

Caso

/ Exp

erie

ncia

Es p

roye

cto/

en

uso

Tipo

fuen

te B

ig D

ata

Link

de

deta

lle

BAL

ANZA

DE

PAGO

S Y

TURI

SMO

INE

Espa

ñaEs

timac

iones

de t

urism

o ba

sada

s en

dato

s de t

elefo

nía

móv

il y tr

ansa

ccion

es b

anca

rias p

or T

PVEn

uso

Info

rmac

ión d

e las

cosa

s (te

lefon

ía m

óvil)

No

BCN

Fran

cia

Iden

tifica

r los

mov

imien

tos d

e los

turis

tas y

mejo

rar l

as

estim

acion

es d

e los

dato

s de t

urism

o pa

ra su

integ

ració

n en

la b

alanz

a de p

agos

(med

iante

locali

zació

n po

r tel

efonía

móv

il)

En p

roye

ctoIn

form

ación

de l

as co

sas

(telef

onía

móv

il)No

BCN

Esto

nia

Estim

ación

men

sual

de es

tadíst

icas s

obre

el cr

uce d

e fro

nter

as, p

ara q

ue si

rva c

omo

varia

ble d

e cálc

ulo d

e la

balan

za d

e pag

os, u

tiliza

ndo

dato

s de p

osici

onam

iento

/ro

aming

de l

os te

léfon

os m

óvile

s

En u

soIn

form

ación

de l

as co

sas

(telef

onía

móv

il)ht

tp://

statis

tika.e

estip

ank.e

e/?lng

=en#

tre

eMen

u/M

AKSE

BIL_

JA_I

NVPO

S/14

10

ÍNDI

CES

DE C

ONFI

ANZA

Y D

E OP

INIÓ

N

BCN

Italia

Desa

rrolla

n un

pro

yecto

pilo

to p

ara e

l aná

lisis

de

sent

imien

to/o

pinión

a tra

vés d

e los

texto

s con

tenido

s en

Twitt

er, Fa

cebo

ok y

otro

s.En

pro

yecto

Info

rmac

ión d

e las

pe

rson

as (r

edes

socia

les)

No

INE

País

es B

ajos

Han

desa

rrolla

do u

n ind

icado

r de s

entim

iento

/opin

ión

públi

ca b

asad

o en

dato

s de r

edes

socia

les, y

pue

sto

en si

nton

ía co

n el

ya ex

isten

te índ

ice d

e con

fianz

a del

cons

umido

r

En u

soIn

form

ación

de l

as

pers

onas

(red

es so

ciales

)

http

s://w

ww.cb

s.nl/e

n-gb

/bac

kgro

und

/201

6/07

/socia

l-med

ia-as

-a-d

ata-

sour

ce-fo

r-offi

cial-s

tatist

ics-th

e-du

tch-

cons

umer-

confi

denc

e-ind

ex

INE

Rein

o Un

ido

Inter

preta

ción

posit

iva o

neg

ativa

de l

os co

men

tarios

en

Twitt

er, p

ara e

l aná

lisis

del s

entim

iento

En u

soIn

form

ación

de l

as

pers

onas

(red

es so

ciales

)No

BCN

País

es B

ajos

Obten

ción

de in

dicad

ores

de o

pinión

púb

lica a

cerc

a de

artíc

ulos p

ublic

ados

en la

web

del

Banc

o y d

e las

ap

arici

ones

en p

úblic

o de

sus m

iembr

os d

e gob

ierno

, a

travé

s del

análi

sis d

e las

rede

s soc

iales

En u

soIn

form

ación

de l

as

pers

onas

(red

es so

ciales

)No

>>

>



RELA

CIÓN

DE

EXPE

RIEN

CIAS

CON

BIG

DAT

A EN

EL

CAM

PO D

E LA

EST

ADÍS

TICA

(con

tinua

ción

)

País

/ Ins

tituc

ión

Caso

/ Exp

erie

ncia

Es p

roye

cto/

en

uso

Tipo

fuen

te B

ig D

ata

Link

de

deta

lle

TRÁF

ICO

Y DE

SPLA

ZAM

IENT

OS

INE

Espa

ñaCo

nstru

cción

de m

atrice

s de m

ovilid

ad o

rigen

-des

tino

a tra

vés d

e dato

s de t

elefo

nía m

óvil.

En p

roye

ctoIn

form

ación

de l

as co

sas

(telef

onía

móv

il)No

INE

Finl

andi

aEs

timac

iones

de l

os tie

mpo

s de d

espla

zam

iento

s por

la

red

nacio

nal d

e car

reter

as, p

or m

edio

de lo

s dato

s su

mini

strad

os p

or se

nsor

es d

e trá

fico.

En

uso

Info

rmac

ión d

e las

cosa

s (s

enso

res)

No

INE

País

es B

ajos

Índic

es d

e int

ensid

ad d

e trá

fico

(con

sens

ores

de

carre

tera)

, índic

es d

e pob

lación

y tu

rism

o (s

egún

nive

l de

activ

idad

de lo

s telé

fono

s móv

iles y

roam

ing)

En u

soIn

form

ación

de l

as co

sas

(sen

sore

s y te

lefon

ía m

óvil)

No

INE

País

es B

ajos

Explo

tar d

atos g

ener

ados

por

el u

so d

e tar

jetas

de

trans

porte

púb

lico

En p

roye

ctoIn

form

ación

de l

as co

sas

(tarje

tas)

No

INE

Rein

o Un

ido

Explo

tar d

atos g

ener

ados

por

el u

so d

e tar

jetas

de

trans

porte

púb

lico

(Oys

ter C

ard)

. Tam

bién

con

fines

ce

nsale

s.En

uso

Info

rmac

ión d

e las

cosa

s (ta

rjetas

)

http

s://w

ww.o

ns.g

ov.u

k/abo

utus

/wh

atwed

o/pr

ogra

mm

esan

dpro

jects/

theo

nsbig

datap

rojec

t

ESTA

DÍST

ICAS

DEM

OGRÁ

FICA

S Y

CENS

ALES

INE

Rein

o Un

ido

Infer

encia

de m

ovim

iento

s migr

atorio

s int

erno

s y

lugar

es h

abitu

ales d

e tra

bajo

y res

idenc

ia a t

ravé

s de l

a ge

oloca

lizac

ión d

e los

usu

arios

de T

witte

r (en

pro

yecto

, an

aliza

r los

dato

s de l

os tu

its p

ara i

nfer

ir ca

racte

rístic

as

de lo

s ind

ividu

os/u

suar

ios).

En u

soIn

form

ación

de l

as

pers

onas

(red

es so

ciales

)

http

s://w

ww.o

ns.g

ov.u

k/abo

utus

/wh

atwed

o/pr

ogra

mm

esan

dpro

jects/

theo

nsbig

datap

rojec

t

INE

Rein

o Un

ido

Infer

encia

de o

cupa

ción

de vi

viend

as p

or m

edio

de lo

s da

tos s

umini

strad

os p

or co

ntad

ores

intel

igent

es d

e luz

.En

uso

Info

rmac

ión d

e las

cosa

s (s

enso

res)

http

s://w

ww.o

ns.g

ov.u

k/abo

utus

/wh

atwed

o/pr

ogra

mm

esan

dpro

jects/

theo

nsbig

datap

rojec

t

INE

Rein

o Un

ido

Utiliz

ación

de i

mág

enes

de s

atélite

con

fin d

e apli

carla

s en

oper

acion

es ce

nsale

sEn

pro

yecto

Info

rmac

ión d

e las

cosa

s (s

atélite

s)No

>>

>



RELA

CIÓN

DE

EXPE

RIEN

CIAS

CON

BIG

DAT

A EN

EL

CAM

PO D

E LA

EST

ADÍS

TICA

(con

tinua

ción

)

País

/ Ins

tituc

ión

Caso

/ Exp

erie

ncia

Es p

roye

cto/

en

uso

Tipo

fuen

te B

ig D

ata

Link

de

deta

lle

MER

CADO

DE

TRAB

AJO

BCN

Hung

ríaUs

an d

atos o

n-lin

e de p

uesto

s de t

raba

jo pa

ra es

timar

índ

ices d

e des

emple

oEn

uso

Info

rmac

ión d

e las

em

pres

asNo

INE

Eslo

veni

aEs

tadíst

icas s

obre

pue

stos v

acan

tes, a

trav

és d

el ra

streo

de

pág

inas w

eb re

lacion

adas

En u

soIn

form

ación

de l

as

empr

esas

No

MER

CADO

DEL

CRÉ

DITO

BCN

País

es B

ajos

Estu

dios d

e esta

bilida

d fin

ancie

ra u

tiliza

ndo

infor

mac

ión

sum

inistr

ada p

or el

secto

r ban

cario

hola

ndés

de

prés

tamos

hipo

tecar

ios d

e los

hog

ares

, pré

stam

o a

prés

tamo.

En

el fu

turo

, Ana

cred

it.

En u

so(*

) Inf

orm

ación

de l

as

empr

esas

No

BCN

Fran

cia

Análi

sis d

el m

erca

do m

oneta

rio y

del c

rédit

o a s

ocied

ades

no

fina

ncier

as y

hoga

res,

por m

edio

de in

form

ación

tra

nsac

ción

a tra

nsac

ción

que p

rovie

ne d

e las

entid

ades

fin

ancie

ras.

Proy

ecto

P3S

(Poo

ling

and

Shar

ing th

e St

atisti

cal S

eries

).

En p

roye

cto(*

) Inf

orm

ación

de l

as

empr

esas

http

s://w

ww.ec

b.eu

ropa

.eu/ev

ents/

pdf/

conf

eren

ces/1

4101

5/pr

esen

tation

s/ To

ward

_the

_ban

king_

union

-Le_

Lorie

r_

pres

entat

ion.p

df?b

2827

8de8

fdd7

a040

83

1974

7791

f0fb

c

ÍNDI

CES

DE P

RECI

OS A

L CO

NSUM

O

INE

Espa

ñaW

eb sc

rapin

g de

pre

cios d

e paq

uetes

de v

iajes

turís

ticos

or

ganiz

ados

par

a ser

vir d

e fue

nte d

e inf

orm

ación

en la

ela

bora

ción

del Ín

dice d

e Pre

cios a

l Con

sum

o (IP

C)En

pro

yecto

Info

rmac

ión d

e las

em

pres

as (w

eb)

No

BCN

Hung

ríaUs

an d

atos o

n-lin

e de p

recio

s par

a esti

mar

índic

es d

e pr

ecios

de c

onsu

mo

En u

soIn

form

ación

de l

as

empr

esas

(web

)No

INE

País

es B

ajos

Estad

ística

s de p

recio

s med

iante

barri

do d

e las

pág

inas

web,

otra

info

rmac

ión es

cane

ada y

otra

s fue

ntes

ad

mini

strati

vas c

omo

el Ca

tastro

. En

uso

Info

rmac

ión d

e las

em

pres

as (w

eb)

http

://re

sear

ch.cb

s.nl/P

rojec

ts/ind

ex.

htm

l (he

rram

ienta

para

la ex

tracc

ión d

e pr

ecios

de l

os si

tios w

eb)

INE

Eslo

veni

aEs

tadíst

icas d

e pre

cios a

trav

és d

e la e

xtrac

ción

de d

atos

de si

tios w

eb y

de lo

s dato

s de p

recio

s esc

anea

dos d

e los

su

perm

erca

dos

En u

soIn

form

ación

de l

as

empr

esas

(web

)No

Se

ind

ica

con

(*)

aqu

ella

s ex

per

ien

cias

qu

e d

esd

e el

pu

nto

de

vist

a d

el a

uto

r la

fu

ente

es

con

sid

erad

a co

mo

de

tip

o B

D, s

ien

do

du

dos

a ta

l cal

ifica

ción

ate

nd

ien

do

a la

s ca

ract

erís

tica

s p

rop

ias

de

un

a fu

ente

de

tal n

atu

rale

za (

vari

edad

, vel

ocid

ad, v

olu

men

, ver

acid

ad, v

alor

y

visu

aliz

ació

n).

>>

>



RELA

CIÓN

DE

EXPE

RIEN

CIAS

CON

BIG

DAT

A EN

EL

CAM

PO D

E LA

EST

ADÍS

TICA

(con

tinua

ción

)

País

/ Ins

tituc

ión

Caso

/ Exp

erie

ncia

Es p

roye

cto/

en

uso

Tipo

fuen

te B

ig D

ata

Link

de

deta

lle

INDI

CES

DE P

RECI

OS A

L CO

NSUM

O

INE

Suec

iaEs

tadíst

icas d

e pre

cios a

trav

és d

e inf

orm

ación

de l

as

cajas

regis

trado

ras o

de l

as ta

rjetas

de c

rédit

oEn

uso

Info

rmac

ión d

e las

cosa

s (ta

rjetas

)

http

://ww

w.sc

b.se

/Gru

pp/P

rodu

kter_

Tjans

ter/K

urse

r/_Do

kum

ent/J

OS-2

015/

pdf-j

os-b

ig-da

ta-jap

ec-k

reut

er.pd

f

INE

Rein

o Un

ido

Extra

cción

de p

recio

s de p

ágina

s web

de s

uper

mer

cado

s (a

limen

tación

) par

a esti

mar

índic

es d

e pre

cios.

Tam

bién

a tra

vés d

e la a

dquis

ición

de u

na b

ase d

e dato

s priv

ada

prod

ucida

por

una

empr

esa c

ompa

rado

ra d

e pre

cios e

n la

web

(My S

uper

mar

ket)

En u

soIn

form

ación

de l

as

empr

esas

(web

)

http

s://w

ww.o

ns.g

ov.u

k/abo

utus

/wh

atwed

o/pr

ogra

mm

esan

dpro

jects/

theo

nsbig

datap

rojec

t

INE

Noru

ega

Dato

s pro

cede

ntes

del

esca

neo

de có

digos

de a

rtícu

los

de la

s cad

enas

de d

istrib

ución

más

impo

rtant

es. T

ambié

n ut

ilizan

web

scra

ping.

En u

soIn

form

ación

de l

as

empr

esas

(web

)

http

s://ec

.euro

pa.eu

/euro

stat/c

ros/

cont

ent/u

se-s

cann

er-da

ta-no

rweg

ian-

cpi_e

n

OTRO

S AN

ÁLIS

IS M

ACRO

ECON

ÓMIC

OS

BCN

Espa

ña

(BdE

)

Estim

ación

del

cons

umo

priva

do a

travé

s de d

atos s

obre

tra

nsac

cione

s con

tarje

tas d

e cré

dito

e inf

orm

ación

de

Goog

le Tr

ends

En p

roye

ctoIn

form

ación

de

las em

pres

as

(tran

sacc

iones

) No

BCN

País

es B

ajos

Explo

ració

n de u

na ba

se de

dato

s rec

ientem

ente

adqu

irida

a u

na em

pres

a priv

ada e

spec

ializa

da, q

ue co

ntien

e inf

orm

ación

de c

alific

ación

cred

iticia

de la

s em

pres

as

holan

desa

s más

impo

rtant

es n

o fin

ancie

ras,

para

su u

so

en an

álisis

mac

roec

onóm

icos.

En p

roye

ctoIn

form

ación

de

las em

pres

as

(tran

sacc

iones

)No

BCE

Estim

ación

del

PIB

utiliz

ando

los d

atos d

e tra

nsac

cione

s re

aliza

das c

on ta

rjetas

de c

rédit

oEn

uso

Info

rmac

ión d

e las

empr

esas

(tr

ansa

ccion

es)

http

s://w

ww.ec

b.eu

ropa

.eu/p

ub/p

df/

scps

ps/ec

bsp1

0.en

.pdf

BCE

Estim

ación

de a

lguna

s var

iables

mac

roec

onóm

icas

basa

das e

n da

tos s

obre

las b

úsqu

edas

reali

zada

s en

Goo

gle (p

or ej

emplo

, inve

rsión

en el

mer

cado

de

accio

nes)

.

En u

soIn

form

ación

de l

as

empr

esas

(web

)

http

://ww

w.ec

b.eu

ropa

.eu/p

ub/p

df/

scps

ps/ec

bsp9

.en.p

df?1

7700

0b82

9d

4450

b007

f3d3

a612

cab1

8

>>

>



RELA

CIÓN

DE

EXPE

RIEN

CIAS

CON

BIG

DAT

A EN

EL

CAM

PO D

E LA

EST

ADÍS

TICA

(con

tinua

ción

)

País

/ Ins

tituc

ión

Caso

/ Exp

erie

ncia

Es p

roye

cto/

en

uso

Tipo

fuen

te B

ig D

ata

Link

de

deta

lle

OTRO

S AN

ÁLIS

IS M

ACRO

ECON

ÓMIC

OS

BCN

Fran

cia

Mejo

rar l

a hab

ilidad

pre

dictiv

a de a

lguno

s mod

elos

mac

roec

onóm

icos (

tende

ncias

en G

oogle

) y m

edir

el im

pacto

sobr

e el p

úblic

o de

las p

ublic

acion

es es

tadíst

icas

del B

anco

(Twi

tter)

En p

roye

ctoIn

form

ación

de l

as

pers

onas

(red

es so

ciales

)No

BCN

Hung

ríaUs

o de

bas

es d

e dato

s de b

úsqu

edas

en G

oogle

par

a m

edir

el im

pacto

sobr

e cier

tas va

riable

s eco

nóm

icas

En u

soIn

form

ación

de l

as

empr

esas

(web

)No

OTRO

S ÁM

BITO

S DE

APL

ICAC

IÓN

BCN

Fran

cia

Estim

ación

de l

a evo

lución

de t

rans

accio

nes y

pre

cios e

n el

mer

cado

inm

obilia

rio an

aliza

ndo

fóru

ms e

n las

web

s y

la pu

blicid

ad w

eb d

e em

pres

as d

el se

ctor

En u

so

Info

rmac

ión d

e las

pe

rson

as (r

edes

so

ciales

).In

form

ación

de l

as

empr

esas

(web

).

No

BCN

País

es B

ajos

Info

rmac

ión en

tiem

po re

al ac

erca

de l

os b

illetes

que

so

n pr

oces

ados

en la

s máq

uinas

de t

ratam

iento

(p.ej

. fal

sifica

cione

s por

den

omina

cione

s)En

uso

Info

rmac

ión d

e las

em

pres

asNo

BCN

País

es B

ajos

Inve

stiga

ción

explo

rato

ria d

e dato

s tra

nsac

ciona

les

de TA

RGET

-2, q

ue af

ecte

a la p

arte

holan

desa

, cuy

os

resu

ltado

s se v

isuali

zan

de m

aner

a diná

mica

En u

soIn

form

ación

de

las em

pres

as

(tran

sacc

iones

)

http

://ww

w.dn

b.nl/

publi

catie

/pub

licati

es-

dnb/

dnb-

work

ing-p

aper

s-re

eks/d

nb-

work

ingpa

pers

/wor

king-

pape

rs-2

014/

dnb3

0580

1.jsp

INE

Rein

o Un

ido

Inve

stiga

ción

en el

uso

de l

as b

úsqu

edas

en G

oogle

par

a pr

edec

ir las

vent

as al

por

men

or, y

obs

erva

ción

de la

s co

rrelac

iones

entre

esos

resu

ltado

s y la

s cifr

as o

ficial

es

por s

ecto

res

En u

soIn

form

ación

de l

as

pers

onas

(bús

qued

as

web)

No

Fu

en

te:

cm

Fb

(c

om

ité d

e e

Sta

díS

tic

aS F

ina

nc

ier

aS y

de b

al

an

za d

e p

ag

oS)

Su

rV

ey o

n b

ig d

ata

, 20

15 y

el

ab

or

ac

ión

pr

op

ia a

pa

rt

ir d

e

la

S p

ág

ina

S w

eb d

e l

oS d

iFe

re

nt

eS o

rg

an

iSm

oS


ANEXO 3 CASOS DE USO EN EL ÁMBITO EMPRESARIAL

CASO 1 INDITEX Y LA EVOLUCIÓN EN LA GESTIÓN DE LA INFORMACIÓN

La velocidad de los cambios registrados en la segunda mitad del siglo XX y el ini-cio del XXI en las funciones de producción de las empresas puede comprobarse de maneras muy diversas, entre ellas, en la adaptación de los sistemas estadísticos que recopilan y agregan su información. En concreto, resulta relevante verificar cómo han evolucionado los sistemas de clasificación de las actividades económi-cas28 más recientes. Así, por ejemplo, la CNAE 1993 dio pautas para aclarar cómo clasificar en una actividad económica principal a las unidades de producción con integración vertical de sus actividades, ofreciendo protocolos sobre cómo debía considerarse la subcontratación industrial y reglas de delineación entre las activi-dades comerciales e industriales (esto es, cuando una empresa comercializa artí-culos cuya producción es encargada por esta a otras empresas, el sistema ofrece pautas para saber si debe clasificarse en el comercio, o bien en la industria). Por su parte, la CNAE 2009, solo 16 años después, hubo de afrontar mayores retos para que la lista oficial de actividades reflejara los cambios introducidos por la revolución tecnológica y de las telecomunicaciones en el mundo empresarial. Por poner solo algunos ejemplos, la pérdida de valor generado por el sector primario en nuestras economías, llevó a su agregación en un único epígrafe actividades que en su día estuvieron separadas (agricultura, ganadería, silvicultura y pesca); la sección “Información y comunicaciones”, creada en el 2009, ha integrado bajo un mismo epígrafe, la edición, la cinematografía, grabación de sonido, emisión y programación de radio y televisión, las telecomunicaciones, las tecnologías de la información y sus servicios relacionados, poniendo en un mismo agregado activi-dades previamente desperdigadas por la clasificación de 1993: estas actividades se

28 La última actualmente en uso en España es la CNAE 2009 (Clasificación Nacional de Activi-dades Económicas), que deriva de la NACE Rev.2 2008 Eurostat (Nomenclature statistique des activités économiques de la UE) y esta a su vez de la CIIU Rev 4 2008 Naciones Unidas (Clasificación Internacional Industrial Uniforme).



encuadraban en ramas tan variopintas como la industria manufacturera, el trans-porte y comunicaciones, otras actividades sociales, actividades inmobiliarias y de alquiler, etc..., lo que reflejó el cambio sustancial en sus funciones de producción. Por último, algunas actividades debieron incorporarse, pues no existían cuando se elaboró la anterior clasificación (telefonía móvil, por ejemplo).

En resumen, los estadísticos y analistas de empresas se ven en la necesidad de adaptar su mirada a los cambios, en ocasiones vertiginosos, de las unidades ana-lizadas. Estas, las empresas, y de entre ellas las que consiguen crecer y expandirse aprovechando las oportunidades de la tecnología, las comunicaciones y la globali-zación, están incorporando las mejoras productivas que ofrecen las tecnologías de la información, entre otras, el Big Data. El equipo de redacción de este documento ha podido contar con la experiencia de una empresa española, Inditex, que es re-ferencia en su sector en el contexto internacional, compartiendo la historia de su proceso de adaptación e integración de actividades, en el que ha optimizado sus cadenas de valor mediante el uso eficiente de la información, antes de que el Big Data apareciera. Este anexo facilita alguna de las claves de ese proceso29.

Inditex, una empresa con un objetivo definido

Inditex opera en el mercado ofreciendo las últimas tendencias de moda, a precios atractivos, en el momento adecuado y con unos elevados estándares de calidad. Para conseguirlo ha desarrollado un modelo de negocio adaptado a su oferta y posicionamiento comercial, cuya principal característica es que fue diseñado para dar respuesta a las demandas del cliente. La optimización de sus procesos ha lleva-do a poder suministrar nuevos productos dos veces por semana en cada una de sus tiendas, mediante un modelo de distribución que tiene como objetivo la reducción del riesgo operativo al disminuir la fluctuación del margen por líneas de producto y temporadas, minimizando al mismo tiempo las pérdidas de stock al utilizar efi-cazmente la información que permite reducir al máximo la tasa de devolución de las tiendas, dotando así de estabilidad al margen empresarial.

Para conseguirlo, la compañía, desde sus inicios, ha buscado el feedback de sus tiendas sobre lo que buscan los clientes (primero por teléfono, luego con sis-temas de información automatizados, hasta llegar a la información plenamente online), y lo ha utilizado para reaccionar rápidamente, produciendo los artículos en ciclos muy cortos y poniéndolos en el patio de venta en el menor tiempo posible. Para ello ha creado un modelo de empresa en el que se alienta la innovación y la involucración de los empleados en la propuesta de ideas, eliminando el temor al error y manteniendo, al mismo tiempo, la flexibilidad y la agilidad en la toma de decisiones, mediante una organización poco jerarquizada en la que la función de distribución está en el núcleo del negocio. Para ello, para poder adaptar los pro-ductos a los diferentes mercados internacionales en un corto espacio de tiempo, la

29 El coordinador del documento agradece al equipo del grupo Inditex, que le recibió en Arteixo el 22 de febrero de 2017. El contenido de este anexo es en cualquier caso responsabilidad exclusiva de su autor, Manuel Ortega.



empresa ha optado por centralizar todo el inventario en España, desde donde se redistribuye a las tiendas en cada uno de los países en los que opera.

Expansión y globalización mediante el uso eficiente de la informaciónUna característica diferenciadora respecto de otros competidores es que el creci-miento de las ventas, del número de artículos de la oferta comercial o de los mer-cados en los que opera, no ha cambiado el modelo Inditex. El espíritu permanece inalterable y para que así ocurra en los 93 países en los que opera y en sus casi 7.200 tiendas, la gestión automatizada de la información y de los datos intenta evitar los problemas inherentes al tamaño, haciendo que todo funcione con mayor rapidez, flexibilidad y eficacia.

Todos los elementos del modelo comercial e industrial, las tiendas, fábricas, la logística, la distribución,… proporcionan constantemente información. La incor-poración progresiva del análisis de estos datos permite avanzar en la optimización de procesos. El uso de nuevas herramientas estadísticas e informáticas que ayudan mediante modelos predictivos a la toma de decisiones sobre qué se produce, en qué momento y para qué mercado, no obstante se relega respecto de la opinión del gerente de tienda que es quien tiene la última palabra en la propuesta de pedido; ambas experiencias (la de la información masiva, y la del humano experto) gene-ran un feedback cualitativo. Así, la “Data Science” se desarrolla en la empresa al servicio del negocio, evitando en lo posible la existencia de cajas negras, de las que puedan fluir decisiones que no sean comprensibles. Y ello, sin renunciar al uso de la inteligencia artificial y el Big Data, así como otras nuevas tecnologías que ayu-den a automatizar los procesos más tediosos o a extraer conocimiento de su rela-ción con los proveedores y con los clientes por medio de su plataforma en Internet.

La innovación tecnológica y la información al servicio del negocio: el caso del RFIDUn ejemplo de cómo la generación y el tratamiento de los datos se han incorpora-do al modelo de negocio en Inditex, es el uso de la RFID, Radio Frecuencia ID (ID de identificador). En la actualidad, Inditex utiliza la tecnología de radiofrecuencia (RFID) en sus tiendas y almacenes a través de un chip incorporado en la alarma que lleva cada una de las prendas. El chip permite conocer la ubicación de la pren-da en cada momento, desde su recepción en almacén hasta su venta.

El RFID, en primer lugar, ha facilitado mejorar el servicio al cliente y la ope-rativa comercial, con un claro enfoque hacia la venta. Una prenda demandada por el cliente puede localizarse a través del sistema en la propia tienda, en otra tienda cercana, en el almacén u online, sin necesidad de esperas ni del tradicional con-tacto telefónico.

En segundo lugar, ha permitido obtener mejoras en la operativa de tienda. Así, hoy cada establecimiento comercial de Inditex escanea en segundos todas las cajas del pedido sin necesidad de abrirlas y conoce con bastante precisión qué artículos y tallas hay en el patio de venta en cada momento. La propuesta de reposición de tallas y artículos en la tienda, se genera automáticamente por los sistemas.



El uso masivo de datos y su integración: la flexibilidad y el crecimiento estructuradoPero el RFID, además de las ventajas operativas y de servicio, ha supuesto, sobre todo, la posibilidad de obtener un gran volumen de información, que cuenta ade-más con un mayor nivel de precisión. Esto, permite implementar procesos de aná-lisis de muy distinta naturaleza. Datos como rotaciones instantáneas, ubicaciones del artículo en tiempo real en tienda, mapas de calor que facilitan información so-bre artículos más demandados, mobiliario de mayor venta, controles de inventario permanente, informes de tracking de envíos y mermas, ubicaciones posibles de un artículo en tienda, almacén en tienda, probador o almacén externo (de apoyo al de la propia tienda), y múltiples variables más.

El Grupo INDITEX puso en el mercado cerca de 1.200 millones de prendas en el ejercicio 2015. Los datos y la información que nacen del RFID se han integrado con los informes de ventas, rotaciones, historiales del artículo, tráfico en tiendas, productividades, historiales de navegación web, tasas de conversión (porcentaje de visitas que terminan en compra del artículo), click through rates (porcentaje de clicks que se hacen sobre un anuncio mostrado), etc…, para construir algoritmos que ayudan al equipo comercial. Toda esta información es procesada en Inditex de forma continua buscando optimizar el proceso de distribución, maximizar capa-cidades de envío y gestionar mejor las productividades, al tiempo que se pretende minimizar los niveles de almacenamiento en tienda.

De esta forma, pueden iterarse cálculos que permiten optimizar los dos o tres envíos semanales y se pueden planificar los horarios y la distribución de la planti-lla de cada una de las más de 7.200 tiendas físicas y 43 mercados online de los 93 países en los que Inditex está presente.

En resumen, el modelo de negocio de Inditex mantiene su esencia, escuchando las demandas del cliente, pero a medida que incorpora nuevos datos, tecnologías y analíticas a los distintos procesos, la forma en la que lo desarrollan continúa evolucionando.

CASO 2 TABLEROS TRADEMA. BIG DATA + MACHINE LEARNING: UN EJEMPLO DE LA INDUSTRIA 4.030

La especialización en el trabajo y el éxodo del mundo rural a las ciudades lleva paulatinamente a la mayor parte de la sociedad a un extrañamiento de lo que en

30 El término Industria 4.0, aparecido al inicio de esta década, hace referencia a la potencial existencia de una cuarta revolución industrial. La primera revolución estuvo vinculada al desarrollo de la máquina de vapor y la sustitución de mano de obra por maquinaria. La segunda, a los desarrollos tecnológicos derivados de la electrificación de las factorías y la incorporación de las cadenas de montaje. La tercera y más reciente derivó de la mayor automatización con la incorporación de la informática y las comunicaciones a los procesos industriales. El último paso, hacia una Industria 4.0, digitalizada y con mayor grado de automatización, conlleva la conexión de la información de forma continua entre todas las máquinas y procesos de la empresa con los sistemas informáticos internos y de los agentes externos (demandas de los clientes y encargos a los proveedores), sentando las bases de las industrias inteligentes.



un pasado no tan lejano le era común. Así, los colegios actualmente establecen entre sus salidas anuales de formación la visita a una granja escuela, en la que re-descubrir lo que antes era conocido por el contacto directo con los animales. Pero ese distanciamiento también se produce entre los objetos y las personas, siendo ex-tensible a buena parte de los productos industriales que ocupan nuestros hogares. Por poner un ejemplo, pocos pueden imaginar el intricado proceso industrial que dista entre la madera del árbol creciendo en el bosque y los tableros que forman la tapa y contratapa de esa mesa de Ikea que adorna nuestros hogares. Para llegar a esta última, se hubo de talar el árbol, descortezar, hacer astillas, hervirlas para que exuden las resinas, secarlas, triturarlas hasta obtener la fibra de madera (algo pare-cido a un algodón, limpio y seco), inyectar con aire caliente resinas y otros produc-tos endurecedores, formar una superficie de 30 centímetros de altura, preprensar hasta los 5 centímetros, controlar con rayos X la homogeneidad del producto y la ausencia de impurezas y prensar mediante banda de acero hasta los 5 milímetros finales del tablero que, una vez enfriado, será parte del mobiliario del hogar. Este trasiego, desde el bosque hasta la salida de la línea de prensa de más de 20 metros de largo, en su día se realizaría mediante procedimientos artesanales. Hoy, sin em-bargo, cada una de las máquinas que participan en el proceso industrial, plagadas de sensores, generan hasta 20.000 señales por segundo, analógicas y digitales, que permiten pasar de una industria maderera tradicional a otra industria 4.0, en la que los modelos de optimización japoneses se han llevado hasta sus últimas con-secuencias (las llamadas 5 “s” del “lean manufacturing”)31.

Tableros Tradema Valladolid, perteneciente al grupo empresarial luso-chileno Sonae Arauco, es pionera en la Industria 4.0 aplicando el uso masivo de informa-ción generada por los procesos industriales y del Big Data en su proceso producti-vo. La empresa se dedica a la fabricación de paneles de fibras de madera de forma industrial desde hace 70 años. En 2016 fue premiada en los Data Science Awards, como la mejor iniciativa empresarial de Big Data de España por la aplicación de la Ciencia de Datos a la Industria 4.0. Estos premios son organizados por Synergic Partners y patrocinados por Telefónica y en la categoría mencionada se ha querido premiar y reconocer la labor de la empresa por su grado de innovación y por lograr un mejor balance entre el uso de la tecnología y la generación del valor de negocio.

Proceso productivo de Tableros Tradema

Nada de lo que uno percibe cuando visita la fábrica que Tableros Tradema tiene en Valladolid indicaría que estamos ante una industria 4.0, sino que esta ofrece la imagen tradicional de una industria maderera. Desde la enorme extensión de

31 El equipo de redacción del documento desea agradecer a D. Ángel García Bombín el tiempo que les dedicó en su visita a la planta de producción de Tableros Tradema en Valladolid, el día 24 de mar-zo de 2017, y su inmensa paciencia para explicar hasta los más obvios detalles industriales, ajenos por otra parte a este grupo de simples “oficinistas” redactores. En particular, por su lección del modelo de las 5 “s”, según la inicial de las palabras japonesas en las que se basa este sistema de organización industrial (que es aplicable, por otra parte, a cualquier servicio): Clasificar, Ordenar, Limpieza, Estandarización y, por último, Mantener la disciplina.



terreno en el que se acumulan pequeñas montañas de madera y astillas, hasta las chimeneas y naves metálicas en las que se percibe el incesante ruido de la activi-dad industrial, todo indica que se trata de una tradicional actividad industrial. Tal como se ha referido en la introducción, para la fabricación de los tableros de fibra de madera, Tableros Tradema somete a los troncos y astillas de madera de pino y chopo que diariamente reciben en sus instalaciones de Valladolid a varios procesos de transformación. Los troncos, tras su descortezamiento (corteza que es utilizada en la planta de biomasa existente en la factoría para ser autónomos en el consumo de energía), son reducidos a astillas, las cuales pasan a una gran piscina en la que se decantan los trozos de metal y piedras que podrían dañar el resto del proceso. Posteriormente, un digestor o gran caldera, mediante altas presiones y tempera-turas, hace exudar las resinas naturales y aceites esenciales de la madera. Una vez secas, de ahí, las astillas se desfibran mediante la utilización de unas muelas metá-licas de gran tamaño, hasta tomar en ese momento la forma y textura de fibra (algo parecido a un suave algodón), que es finalmente la materia prima del proceso.

Esta fibra se mezcla nuevamente mediante inyección de aire caliente, resinas y otros químicos, formando un producto homogéneo, ligeramente húmedo, que se deposita sobre una cinta formando una especie de manta, que se va desplazando y pasando por otra serie de procesos de secado y prensado, hasta adquirir el espe-sor y densidad perseguidos. En su proceso final, una máquina cortadora secciona secuencialmente el tablero, depositándose estos en una noria de enfriado antes de su embalaje final.

El aspecto industrial de la fábrica, con las columnas de aparente humo eva-cuado por sus enormes chimeneas, es compatible con una empresa que declara en sus informes el respeto por el medio ambiente; este se concreta tanto en un uso integral de la energía y los recursos empleados: optimización del uso de los troncos para la producción de biomasa, ciclo cerrado de gases (el humo no es realmente tal, sino el vapor de agua evacuado en el proceso productivo) consiguiendo la cero emisión de gases contaminantes a la atmósfera, y uso optimizado de los troncos y astillas en la fabricación de los tableros, sin generación de residuos.

La producción de los tableros se realiza de un proceso continuo de 24 horas x 7 días, donde no se genera ningún tipo de stock intermedio, por lo que cualquier problema en un punto de la línea provoca la parada de todo el proceso. Este hecho explica lo determinante que resulta la predicción adecuada de las paradas preven-tivas de mantenimiento.

Una industria 4.0

La empresa, impulsora de la implantación de la Industria 4.0 en esta fábrica de Valladolid, tiene, entre unas de sus principales motivaciones, la obtención en tiem-po real de indicadores y parámetros de lo que está ocurriendo en la línea de pro-ducción que permita anticiparse a averías o defectos en la fabricación. Cada una de las máquinas que participan en el proceso industrial genera señales analógicas



y digitales sobre los diferentes parámetros que definen el proceso, entre otros, la velocidad de la línea que a su vez está correlacionada con la densidad del producto final (a mayor velocidad, menor densidad posible y mayor altura del tablero), la humedad de las sucesivas etapas de producción, el nivel de extractos incluidos en el producto, el porcentaje de hinchamiento aceptable para el producto final (que determina el nivel de dureza o calidad). Todos estos datos son volcados a la nube que conecta con el sistema ERP (SAP) de la empresa, para poder hacer un segui-miento de la línea de producción para cada uno de los pedidos (cada orden del cliente es controlada en tiempo real). Todo el proceso de producción es monitori-zado y controlado desde una sala de la fábrica. En esta sala se encuentran varias pantallas donde se visualizan todos los parámetros de fabricación en tiempo real (los ya referidos de humedad, presión o temperatura, entre otros).

La novedad impulsada por esta empresa ha consistido en dar un paso más, para no solo identificar los parámetros de la producción que cuando se separan del estándar hacen activar las alarmas y rectificar las anomalías en tiempo real, sino también en volcar y conectar los datos y el proceso productivo, en lo que se ha denominado el ‘Gemelo digital’: con él se ha logrado una base de datos con la que se puede analizar a posteriori todos los datos, y adaptar el proceso de producción a los resultados obtenidos con técnicas avanzadas de análisis de datos de los pará-metros de fabricación, mediante procedimientos prospectivos. Los desarrollos se realizan a partir de aplicaciones que se han ido implementando para los módulos de producción, calidad, mantenimiento y logística, mediante el desarrollo propio de tecnologías de Machine Learning combinadas con Big Data obtenidos (entre otros) a través de sensores en la línea de fabricación. Los algoritmos necesarios se han desarrollado por la empresa que ha contratado a Startups principalmente españolas que han sido las encargadas de desarrollar parte del hardware y soft-ware específico, así como de instalar los sensores en la línea de producción que permite obtener los datos necesarios para el sistema de mantenimiento predictivo. Técnicas de Big Data permiten conectar la existencia de determinados valores en los parámetros de control con aumentos en la probabilidad de un fallo en alguna de las maquinas empleadas, anticipando las labores de mantenimiento a que se produzca el evento de fallo. Con el transcurso del tiempo el sistema mejora, dado que las redes neuronales empleadas cuando acceden a más datos y feedback se adaptan logrando aumentar su eficacia.

La empresa lo resume en una frase: “Poner en valor la ingente cantidad de datos en la línea de producción de la empresa para lograr técnicas productivas de mayor eficiencia”. El proceso de mejora hasta conseguir disponer de una indus-tria 4.0 requiere del paso por tres escalones: el primero de Transparencia, que significa poner a disposición de todo el personal de la organización el total de la in-formación generada; el segundo escalón es la Interacción, que conecta la informa-ción generada por los sensores con las decisiones de los operarios que optimizan los procesos industriales. Por último, el tercer escalón reside en la Inteligencia de



los datos, o hacer que la acumulación de información y el uso de tecnología de Machine Learning y Big Data faciliten la autogeneración de conocimiento desde los propios datos.

Algún ejemplo de este proceso estaría en el módulo de calidad de la fábrica, con el que se logra conocer las propiedades del producto sin esperar al ensayo del laboratorio, simplemente utilizando los valores de los parámetros significativos; otro ejemplo, ya referido, estaría en el área de mantenimiento, en el que el siste-ma avisa de que puede estar cerca de estropearse una maquinaria antes de que suceda y con esta información programar la parada técnica con antelación y así tener la línea más tiempo disponible. Otro ejemplo de adaptación tecnológica para optimizar los procesos es el uso de smartphones y relojes inteligentes conectados por parte de los encargados de fábrica, que generan alarmas cuando se produce alguna desviación de los parámetros (humedad, densidad, temperatura, porcenta-je de avance de los pedidos, etc.) y les permite controlar exactamente los tiempos invertidos en las acciones correctoras. A más alto nivel, la empresa ha desarrolla-do una aplicación donde se visualizan de forma más amplia y detallada todos los indicadores antes citados que están disponibles para los directivos de la empresa.

Todo ello lleva a un importante control de costes y a una mayor calidad y efi-ciencia lo que redunda en una mayor satisfacción y fidelidad de los clientes. Y cuyo payback estaría en 7 u 8 meses.

La fábrica de Valladolid es la precursora en el desarrollo del sistema, en el mo-mento actual se está dirigiendo varios ejercicios piloto en otras fábricas europeas, en Portugal y Alemania, proceso de transferencia de conocimiento liderado desde la fábrica española.

Algunas líneas futuras de desarrollo

No se acaba aquí el proyecto, dado que la extensión del sistema del “Gemelo Di-gital” a otras factorías del grupo generará más información que podrán nutrir a los sistemas de Inteligencia Artificial desarrollados por la empresa utilizando para ello, entre otras herramientas, Cortana Intelligence suite, tecnología de Microsoft en Inteligencia Artificial, con el objetivo de mediante dispositivos móviles, usando pantalla táctil y también con comandos de voz, mejorar los procesos de control de calidad y optimización de los procesos industriales.


BIBLIOGRAFÍA

AECA (2006). Documento Nº 5. Inteligencia Artificial y Contabilidad. Asociación Española de Contabilidad y Administración de Empresas. Madrid, Enero de 2006.

ARCHIVES, I. B. M. (1956). IBM 350 disk storage unit. Product Release Date–Sep, 4, 61-62.

ASEDIE (2016). “Business Economical-Financial Sector, worldwide”. Call for Impact.

BEYER, M. (2011). Gartner Says Solving'Big Data'Challenge Involves More Than Just Ma-naging Volumes of Data. Gartner. Archived from the original on, 10.

BONSÓN, E., & Flores, F. (2011). Social media and corporate dialogue: the response of glo-bal financial institutions. Online Information Review, 35(1), 34-49.

BONSÓN, E., Cortijo, V., & Flores, F. (2009). Análisis de estados financieros. Pearson Edu-cación.

BOUNFOUR, A. (2016). From Data to Digital Assets. In Digital Futures, Digital Transforma-tion (pp. 103-106). Springer International Publishing.

BUCHHOLTZ S., A. SNIEGOCKI y M. BUKOWSKI (2014). “Big & Open Data in Europe. A growth engine or a missed opportunity?” Demos Europa and Warsaw Institute for Economic Studies.

CARRARA, W., D. TINHDT, E. VAN STEENBERGEN, F. OUDKERK , S. FISCHER y W. SAN CHAN (2015). Analytical Report 1: “Digital Transformation and Open Data. European Data Portal”.

CARRARA, W., E. VAN STEENBERGEN, S. FISCHER y W. SAN CHAN (2015). Creating value through Open Data: “Study on the impact of Re-use of Public Data Resources”. EDP Cap Gemini Consulting.

CATANEO, G., A. WOODWARD, D. OSIMO y G. MICHELETTI (2016). “Data Ownership and Access to Data – Key Emerging Issues”. IDC.

CMFB (2015). “CMFB Questionnaire on Big Data and Statistics – result of the survey”. 50th Meeting of the Committee on Monetary, Financial and Balance of Payments statistics, Luxemburg, 2-3 July.

CONWAY, D. (2010). The data science venn diagram. Drew Conway, 10.

DAVENPORT, T. (2014). Big data at work: dispelling the myths, uncovering the opportuni-ties. Harvard Business Review Press.



DEMCHENKO, Y., De Laat, C., & Membrey, P. (2014, May). Defining architecture compo-nents of the Big Data Ecosystem. In Collaboration Technologies and Systems (CTS), 2014 International Conference on (pp. 104-112). IEEE.

DIARIO OFICIAL DE LA UNIÓN EUROPEA (2014). Directrices sobre las licencias norma-lizadas recomendadas, los conjuntos de datos y el cobro por reutilización de los docu-mentos”.

EUROSTAT (2014). “22nd Meeting of the European Statistical System Committee. ESS Big Data Action Plan and Roadmap 1.0”, September, Riga (Latvia).

EUROSTAT (2015). “Business Case VIP Big Data”, ESS Vision 2020, April.

EUROSTAT (2016). “European Examples of the Use of Big Data for Producing Statistics”, Rome, February.

EVANS, D. (2011). The internet of things. How the Next Evolution of the Internet is Chan-ging Everything, Whitepaper, Cisco Internet Business Solutions Group (IBSG), 1, 1-12.

FREED, L., & Ishida, S. (1995). History of computers. Ziff-Davis Publishing Co.

GALISON, P., & Hevly, B. W. (1992). Big science: The growth of large-scale research. Stan-ford University Press.

HOOGTEIJLING, E. (2016). “Modernisation of Price Collection at Statistics Netherlands”, ESS Modernisation Workshop, Bucharest, March.

IBM. (2016). Uso del grafeno en sus computadores. Noticia completa (4/5/2016). http://ibm.co/2igcYvB.

INE (2015). “Big Data en la estadística oficial: algunas cuestiones básicas”, Grupo de Trabajo sobre Big Data, 2015.

JOHNSON, D. (2015). Magnetized Graphene Could Lead to a Million-Fold Increase in Data Storage Capacity. IEEE Spectrum. http://bit.ly/2jHtmp8

MINISTERIOS DE INDUSTRIA, ENERGIA Y TURISMO, Y HACIENDA Y ADMINISTRA-CIONES PÚBLICAS (a través de la ONTSI y con la colaboración de ACAP) (2014). Estu-dio de caracterización del Sector Infomediario (Parte I y Parte II).

MISRA, P., SIMMHAN, Y., & WARRIOR, J. (2015). Towards a Practical Architecture for the Next Generation Internet of Things. arXiv preprint arXiv:1502.00797.

SALGADO, D. (2016). “Big Data y la estadística oficial: retos”, Dpto. Metodología y Desarro-llo de la Producción Estadística del INE, Julio.

WALLER, M. A., & FAWCETT, S. E. (2013). Data science, predictive analytics, and big data: a revolution that will transform supply chain design and management. Journal of Busi-ness Logistics, 34(2), 77-84.

Tecnologías de la Información en el Sector HospitalarioSerie: Documentos

COMISIÓN DE NUEVAS TECNOLOGÍAS Y CONTABILIDAD

Ponentes: Bernabé Escobar, Tomás Escobar y Pedro Monge

Durante los últimos años se está enfatizando la necesidad de que el sector hospitalario español gestione los recursos que se le proporcionan con eficacia, manteniendo la calidad de los servicios prestados. En este marco, los hospitales han incorporado nuevas tecnologías y aplicaciones orientadas a la mejora tanto de la prestación de los servicios sanitarios como a una gestión sani-taria más eficiente. Dentro de esta segunda línea de actuación, se está produciendo en los hospita-les un proceso de integración, no sólo en lo que a procesos hace referencia, sino también de la información, tanto clínica como económico-fi nanciera, contando con distintas experiencias puestas en marcha por varias Comunidades Au-tónomas. Estos sistemas permiten acceder a in-formación fi ¡able, precisa y oportuna, compartir esta información, eliminar los datos y procesos innecesarios y reducir tiempos y costes de pro-cesos asistenciales y administrativos. El objeto de este Documento es poner de manifiesto cómo el uso de las nuevas tecnologías puede ayudar a mejorar la gestión de los centros hospitalarios, apoyándonos en las experiencias que se están llevando a cabo en varios de ellos, que han im-plantado las mencionadas tecnologías.

La difusión de información financiera pública en internetSerie: Documentos

COMISIÓN DE NUEVAS TECNOLOGÍAS Y CONTABILIDAD

COMISIÓN DE CONTABILIDAD Y ADMINISTRACIÓN DEL SECTOR PÚBLICO

Ponente: Manuel Pedro Rodríguez, Sonia Royo, Laura Alcaide y María del Carmen Caba

En los últimos años, las administraciones pú-blicas están utilizando las nuevas tecnologías de la información para mejorar sus sistemas de gestión, los servicios prestados y responder a las crecientes demandas de mayor transpa-rencia y participación ciudadana en la toma de decisiones públicas. Este Documento, partiendo del análisis teórico que explica la demanda de información financiera pública y de trabajos empíricos sobre necesidades de información de los principales usuarios, analiza la divulgación online de información financiera pública en las principales entidades gubernamentales, tanto a nivel nacional como internacional, así como la súltimas tenden-cias tecnológicas en relación a la divulgación de esta información. El análisis pone de ma-nifiesto que, en general, las administraciones públicas se están incorporando paulatinamen-te a la utilización de internet para fomentar la transparencia de la información financiera, si bien todavía queda mucho por avanzar en la utilización de herramientas de la Web 2.0 y redes sociales, datos abiertos y utilización de formatos que faciliten la reutilización de la in-formación suministrada.

Editorial AECA

http://aeca.es/old/pub/documentos/nt12.htm

http://aeca.es/old/pub/documentos/nt11_ps8.htm

Más información sobre normas de presentación y remisión de originales, así como suscripciones en www.aeca.es, [email protected]

o en los teléfonos 91 547 37 56 - 91 547 44 65

Revistas AECA

Revista Española de Financiación y ContabilidadSpanish Journal of Finance and AccountingIndexed and abstracted in the Social Sciences Citation Index (SSCI)Creada en 1972. TrimestralISSN: 0210-2412

www.aeca.es/pub/refc/refc.htm

Revista Iberoamericana de Contabilidad de GestiónCoeditada con la Asociación Interamericana de Contabilidad (AIC)2 números al año. DigitalISSN: 1696-294X

www.observatorio-iberoamericano.org

‘De Computis’ - Revista Española de Historia de la Contabilidad Spanish Journal of Accounting History2 números al año. DigitalISSN: 1886-1881

www.decomputis.org

Educade. Revista de Educación en Contabilidad, Finanzas y Administración de Empresas1 volumen al año. DigitalISSN: 2173-478X

www.educade.es

Revista AECA

4 números al año

Creada en 1983. TrimestralISSN: 1577-2403

www.aeca.es/revistaeca/revistaeca.htm

The International Journal of Digital Accounting ResearchCoeditada con la Universidad de Huelva y Rutgers University1 volumen al año. Digital.Open Access JournalISSN: 1577-8517

www.uhu.es/ijdar

Revista Internacional de la Pequeña y Mediana EmpresaRevista electrónicaISSN: 1989-1725

www.revistainternacionalpyme.org

Revista Gestión JovenAgrupación Joven Iberoamericana de Contabilidad y Administración de Empresas (Ajoica) 2 números al año. DigitalISSN 1988-9011

www.ajoica.org · www.gestionjoven.org

Más información sobre normas de presentación y remisión de originales, así como suscripciones en www.aeca.es, [email protected]

o en los teléfonos 91 547 37 56 - 91 547 44 65

http://www.aeca.es/pub/refc/refc.htm









http://www.observatorio-iberoamericano.org








http://www.decomputis.org







http://www.educade.es






http://www.aeca.es/revistaeca/revistaeca.htm




http://www.uhu.es/ijdar








http://www.revistainternacionalpyme.org




http://www.gestionjoven.org















JUNTA DIRECTIVA DE LA ASOCIACIÓN ESPAÑOLA DE CONTABILIDAD

Y ADMINISTRACIÓN DE EMPRESAS

Presidente: Leandro CAÑIBANO CALVO

Vicepresidente 1º: Eduardo BUENO CAMPOS

Vicepresidente 2º: Pedro RIVERO TORRE

Secretario General: Jesús LIZCANO ÁLVAREZ

Vicesecretaria Gral.: Lourdes TORRES PRADAS

Tesorero: Enrique CAMPOS PEDRAJA

Contador: Jesús PEREGRINA BARRANQUERO

Bibliotecaria: Mª Begoña PRIETO MORENO

Vocales: Enrique ASLA GARCÍA Manuel BACHILLER BAEZA Germán DE LA FUENTE ESCAMILLA Domingo GARCÍA PÉREZ DE LEMA Begoña GINER INCHAUSTI Isaac Jonás GONZÁLEZ DÍEZ José Antonio GONZALO ANGULO Felipe HERRANZ MARTÍN Joaquina LAFFARGA BRIONES José Luis LÓPEZ COMBARROS Rafael LÓPEZ MERA Miguel MARTÍN FERNÁNDEZ Isabel MARTÍNEZ CONESA Horacio MOLINA SÁNCHEZ Stefan MUNDORF Enrique ORTEGA CARBALLO Alfonso OSORIO ITURMENDI Fernanda PEDROSA ALBERTO Enric RIBAS MIRÁNGELS José María VALDECANTOS BENGOECHEA

http://aeca.es/que-es-aeca/junta-directiva/

http://aeca.es/que-es-aeca/junta-directiva/

UNA AMPLIA OFERTA AL SERVICIO DEL PROFESIONAL Y LA EMPRESA- Estudios e investigación.- Reuniones y Congresos.- Formación. - Libros y revistas.- Web y portales en internet.- Newsletter electrónicos.- Premios y ayudas a la

investigación.- Acreditaciones profesionales.- Convenios de colaboración

institucionales.

Investigación de vanguardia en gestión empresarial

AECA es la única institución profesional española emisora de Principios y Normas de Contabilidad generalmente aceptados, que elabora estudios y pronunciamientos sobre buenas prácticas de gestión en la empresa, el sector público y la economía social.

Se funda en 1979 para contribuir al desarrollo de la investigación en ciencias empresariales y para mejorar las técnicas de gestión y la información en la empresa española.

Los socios de AECA representan al amplio conjunto profesional, empresarial, académico e investigador del ámbito contable y de administración de empresas en España, así como a la práctica totalidad de instituciones, asociaciones, corporaciones profesionales y a un gran número de empresas industriales, comerciales y de servicios, especialmente financieros, de auditoría y consultoría.

Más información e inscripciones en w w w. a e c a . e s

Congresos, Jornadasy Reuniones

profesionales y académicas

Experto Contable Acreditado

a la InvestigaciónAyudas

Revista

Gestión Joven

Premio AECA para

Artículos Cortos

Web deInformación Integrada y

XBRL

Informes

RSC-XBRL

para Estudiantes Universitarios

Becas

al Mejor Expediente Académico de EquipoGalardón

Cátedra AECA Carlos Cubillode Contabilidad y Auditoría

Instrumentos Financieros

Foro

- Lista de Correo- Actualidad Contable- Serviaeca

Newsletters electrónicos

Información, consultas y enlaces en Internet

Página Web 1.0 y 2.0

Infoaecaen Internet

Bases de datos y noticiarios

emitidos por las Comisiones de Estudio

Documentos AECA

ECA

Revista Españolade Financiación y Contabilidad

The International Journal of Digital Accounting Research

Revista

de Historia de la Contabilidad

Premio Enrique Fernández Peña

Transparencia EmpresarialPremio a la

Revista Española de Historia de la Contabilidad

De ComputisÁREAS DE ESTUDIO- Principios y Normativa

Contables.- Valoración de Empresas.- Organización y Sistemas.- Contabilidad de Gestión.- Historia de la Contabilidad.- Nuevas Tecnologías

y Contabilidad.- Sector Público.- Responsabilidad Social

Corporativa.- Entidades sin Fines de Lucro.- Contabilidad de Cooperativas.- Turismo.

Actividades y Servicios de Aeca

Actualidad contableNewsletter

portales en internetAJOICA·IS·FAIF

de

FormaciónAula

Revista Iberoamericana de Contabilidad de Gestión

Asociación Española de Contabilidad y Administración de Empresas

Rafael Bergamín, 16-B28043 MadridTels: 91 547 44 65/37 56Fax: 91 541 34 [email protected]

w w w . a e c a . e sDECLARADA DE UTILIDAD PÚBLICA

Más información e inscripciones:

VISÍTANOS EN:

• Mesa-Debate• Diálogos AECA• Hablamos con…• Vídeo News

AudiovisualesEspacios

http://www.aeca.es

documentos aecadocumentos aecaNuevas Tecnologías y Contabilidad13

'Big Data' e información empresarialPor primera vez en la historia el ser humano está en disposición de recopilar, estructurar y sistematizar con fines analíticos el ingente volumen de información que su actividad diaria genera. Big Data (término parcialmente indeterminado, referido a varias “Vs”, en un escenario caracterizado por un elevado Volumen de información, muy Variado, que se genera a gran Velocidad, con una desigual Veracidad, potencialmente generador de Valor, en la medida que sea Visible) ofrece una oportunidad para gestionar estos datos, estén o no estructurados, transformando la información en conocimiento.

El documento facilita una primera aproximación al Big Data, su significado, contenido y potencialidad, introduciendo las oportunidades y riesgos que representan las nuevas tecnologías de la información y los Big Data para el mundo empresarial. En él se identifican algunas de las experiencias mundiales y españolas en la generación y uso de Big Data, en el ámbito de la estadística, de la universidad y de las empresas.

'Big Data' and business informationFor the first time ever, man is in a position to compile, organise and analyse the huge volume of information that daily human activity generates. Big Data (a somewhat indeterminate term encompassing several “Vs” in a scenario characterised by a high Volume of greatly Varied data, generated with Velocity, with mixed Veracity, and potentially creating Value insofar as it is Visible) offers a great opportunity for managing this information, whether structured or not, and transforming it into knowledge.

The document provides an initial approach to Big Data, and its meaning, content and potential. It sets out the opportunities and risks derived from the new information technologies and Big Data to the world of business. It also identifies several worldwide and Spanish experiences in the generation and use of Big Data, in the areas of statistics, academia and business.

978

8416

2863

24

ISB

N 9

78

-84

-16

28

6-3

2-4

Asociación Española de Contabilidad y Administración de EmpresasDECLARADA DE UTILIDAD PÚBLICA

aeca

http://aeca.es/publicaciones2/documentos/


http://aeca.es

big data' e información empresarial · y administración de empresas aeca documentos aeca 13...

Documents