Introducción a Big Data

Introducción a Big Data
www.consultec.es Quiénes somos?
Gorka Armen+a Developer [email protected] @joruus www.consultec.es Iñaki Elcoro Developer [email protected] @iceoverflow Índice
1.  Introducción
2.  ¿Qué no es Big Data?
3.  ¿Qué es Big Data?
4.  Utilidades
5.  Ejemplo real: Walmart
6.  Características Técnicas
7.  Markets de Datos
8.  Hadoop
9.  Microsoft HDInsight
10. Demo
Introducción
“Big Data” es desde hacer un par de años una de las grandes
tendencias dentro del mundo de la tecnología y del marketing, uno
de esos “buzzwords” que en un momento dado empiezan a
propagarse y aparecer por todo internet, las grandes empresas se
interesan por ello, se crea una industria alrededor y, de repente, todo
el mundo sabe lo que es Big Data. O no …
BIG DATA
www.consultec.es ¿Qué no es Big Data?
Antes de empezar, lo primero es desengañarnos.
•  Big Data no es una base de datos enorme
•  Big Data no es un data warehouse enorme
•  Big Data no es una nueva forma de Business Intelligence
•  Big Data no es llevar las base de datos a la nube
www.consultec.es ¿Qué es Big Data? - Situación actual
Información generada por apps móviles eMails Bases de Datos Relacionales GPS Redes Sociales Archivos (XML, Logs, …) RFID Información generada por máquinas Big Data Bases de Datos Analí+cas (Data Warehouse) ERP/CRM APIs Sensores Base de Datos NoSQL www.consultec.es Internet de las Cosas Y mucho más. Y lo que está por venir … ¿Qué es Big Data? - Definiciones
Definiciones encontradas en internet
•  Información que tiene un orden de magnitud más grande de lo que
estamos acostumbrados.
•  Información que es muy grande y no se ajusta a las estructuras de las
bases de datos actuales.
•  Es un conjunto de datos cuyo tamaño está más allá de la capacidad de la
mayoría de los software utilizados para capturar, gestionar y procesar la
información dentro de un lapso tolerable de tiempo.
www.consultec.es ¿Qué es Big Data? - Las 3 Vs
Volume: grandes volúmenes de información
•  Se está pasando de hablar en Gigabytes o Terabytes a tamaños de datos de
Petabytes, Exabytes o Zettabytes. Volúmenes que se nos escapan.
www.consultec.es ¿Qué es Big Data? - Las 3 Vs
Variety: información de tipos muy diversos
•  Ya no solo tenemos información estructurada en Bases de Datos o Archivos.
Ahora empezamos a tener información con tipos diferentes y totalmente
desestructurada.
www.consultec.es ¿Qué es Big Data? - Las 3 Vs
Velocity: velocidad con la que se genera la información
•  La velocidad a la que se genera esta información hace imposible gestionarla
con sistemas de base de datos convencionales. Las empresas y las personas
ya no quieren estar al día, quieren “estar al segundo”.
www.consultec.es ¿Qué es Big Data? – Retos actuales
•  Dar sentido al gran volumen de datos
• 
Necesitamos las herramientas adecuadas para dar sentido de la abrumadora
cantidad de datos generados por la disminución de los costos de hardware y de las
fuentes de datos “complejas”.
•  La comprensión de una variedad cada vez mayor de datos
• 
Debemos poder analizar datos tanto relacionales como no relacionales. Más del 85%
de los datos capturados son desestructurados.
•  Habilitación de análisis en tiempo real de los datos
• 
Los nuevos grandes generadores de datos (Twitter, Facebook, …) están produciendo
volúmenes de datos sin precedentes y en tiempo real, lo que no se puede analizar
eficazmente mediante procesos por lotes normales.
www.consultec.es ¿Qué es Big Data? - Entendimiento: de los datos a la
sabiduría
Sabiduría Conocimiento Información Datos www.consultec.es Experiencia Contexto Utilidades
Toma de decisiones
El valor del Big Data no es la información, sino la nueva forma de toma de
decisiones basada en evidencias y datos empíricos.
Tomar decisiones en base a datos empíricos y tendencias
Tomar decisiones en base a corazonadas, instinto o
experiencias pasadas
www.consultec.es Utilidades
Transparencia
Compartir y hacer accesible grandes volúmenes de datos a las partes interesadas
y de manera oportuna puede crear un enorme valor y aumentar la eficiencia.
www.consultec.es Utilidades
Experimentación
Una vez recopilados los datos que nos
interesan, la experimentación y la
exploración de los mismos puede
mostrarnos información que a primera vista
nunca hubiésemos encontrado o que nunca
se nos hubiese ocurrido buscar.
www.consultec.es Utilidades
Innovación
Permite crear nuevos productos y servicios, mejorar los existentes e, incluso, crear
nuevos modelos de negocio.
www.consultec.es Ejemplo real: Walmart
•  Walmart es una multinacional
de grandes almacenes
•  Es la segunda mayor empresa
del mundo por ingresos
www.consultec.es Ejemplo real: Walmart
•  Algunos datos:
• 
200 millones de clientes a la semana
• 
10700 tiendas
• 
27 países
• 
2 millones de trabajadores
• 
1,5 millones de transacciones por hora
• 
Varios Terabytes de información generada en tiempo real
• 
Base de datos de 3 Petabytes
www.consultec.es Ejemplo real: Walmart
Guardando todas las compras de todos los clientes se dieron cuenta que
en época de huracanes los Walmart de las zonas afectadas vendían más
cajas de Pop-Tarts que en otras épocas.
Se indicó a los gerentes de las tiendas que en esas épocas pusiesen los
Pop-Tarts en la entrada de las tiendas.
Resultado: Aumento extraordinario de las ventas
¿A quién se le hubiese ocurrido cruzar los
datos de ventas con los datos meteorológicos
o con los calendarios de huracanes?
www.consultec.es Ejemplo real: Walmart
Hanna twitea:
“I love Salt!”.
En unos segundos el Tweet llega a los sistemas de Walmart, se analiza y
unos minutos más tarde le llega a una amiga suya el siguiente email:
“Buenos días!
Nos pediste que te avisásemos cuando fuese el cumpleaños
de Hanna. Pues ya está aquí y acaba de tweetear algo
bueno sobre la película “Salt” de Angelina Jolie.
¿Quieres regalarle algo relacionado con ello?
Tenemos algunas sugerencias que hacerte …”
www.consultec.es Ejemplo real: Walmart
Social Genome
Base de conocimiento que captura entidades y relaciones del mundo
social.
Obtiene entidades de su base
de datos, de otros datos tanto
públicos como privados y de
redes sociales.
www.consultec.es Ejemplo real: Walmart
Social Genome
Se identifican las entidades “interesantes” y las relacionan entre sí,
consiguiendo toda la información de la que son capaces.
Es un sistema vivo, en constante evolución.
• 
Una persona interesada en un tema
• 
Una persona que asiste a un evento
• 
Un evento sobre un tema
• 
Una asociación entre empresa y producto
www.consultec.es Ejemplo real: Walmart
Resumiendo
www.consultec.es Características Técnicas
Arquitectura
•  Alta escalabilidad
•  Procesamiento paralelo
•  Baja latencia
•  Datos no estructurados y estructurados
•  NoSQL
•  By-pass de datos
www.consultec.es Características Técnicas
Key-Value Pair
•  La forma más sencilla de almacenamiento de datos en un entorno de
Big Data y NoSQL
•  Los datos no están controlados por el sistema, por lo tanto los
desarrolladores deberán pensar muy bien donde y como almacenan
los datos
www.consultec.es Markets de Datos
Además de las fuentes de datos que tengamos en nuestra
organización: bases de datos, emails, logs, documentos, etc …
Podemos acceder a grandes volúmenes de datos (Data Sets) en los
markets.
Hay gratuitos y de pago.
www.consultec.es Hadoop
Es una plataforma diseñada para almacenar y analizar grandes
volúmenes de datos de diferentes tipos. Basada en Google Map/
Reduce y Google Filesystem.
•  Map/Reduce:
• 
Map: trabajos desarrollados por nosotros. Se
distribuyen las tareas en diferentes nodos y se ejecutan
en paralelo. Esto genera una información intermedia.
• 
Reduce: fusiona la información intermedia y se la
ofrece al usuario.
•  HDFS (Hadoop Distributed File System):
• 
Sistema de archivos distribuidos, con replicación
automática y optimizado para lectura. Cada fichero se
partición y se distribuye en todos los servidores.
www.consultec.es Hadoop
Otros proyectos alrededor de Hadoop
•  Hive: Data Warehouse sobre Hadoop con lenguaje HiveQL (“SQL”).
•  Pig: Lenguaje de script para consulta y análisis de la información.
Desarrollado por Yahoo!.
•  Sqoop: Framework para la integración de bases de datos relacionales.
•  Flume: Servicio para recolectar, agregar y mover grandes volúmenes de
datos de eventos/logs.
•  …
www.consultec.es Microsoft HDInsight
•  Servicio basado en Hadoop.
•  Dos versiones:
• 
• 
Windows Azure HDInsight (on-demand)
HDInsight Server (on-premise)
www.consultec.es Microsoft HDInsight
•  Acceso a todo tipo de usuarios, incluidos desarrolladores y
profesionales IT. Fácil instalación, administración y configuración.
•  Integración con herramientas conocidas como Excel, PowerPivot,
PowerView, SQL Server Analysis Services o Reporting Services.
•  .NET SDK para Hadoop (a través e NuGet):
• 
Map/Reduce
• 
• 
LINQ to Hive
WebHDFS Client
www.consultec.es DEMO
www.consultec.es Gracias!
www.consultec.es ¿Dudas?
Gorka Armen+a Developer [email protected] @joruus www.consultec.es Iñaki Elcoro Developer [email protected] @iceoverflow