MENU
Canal 26
Buscar Noticias
OSA Argentina
27.09.2023

El dilema de los datos: del Data Lake al Data Warehouse

En un mundo dominado por los datos, ¿cómo balancear entre pocos datos y estar inundado por ellos? Diego Lis, CTO de Seenka Media Data, analiza soluciones a este dilema, partiendo de un Data Lake y llegando a un Data Warehouse, listo para ofrecer información valiosa y oportuna.

Por Diego Lis, CTO de Seenka Media Data

En un mundo dominado por los datos, enfrentamos un desafío: ¿Cómo balancear entre tener pocos datos y estar inundado por ellos? ¿De qué sirve tener muchos datos si no se usan? ¿Cómo diferenciar la paja del trigo?
Kantar IBOPE Media
Orillando el problema

Digamos que quieres conocer la presencia de tu marca en los medios. Tal vez necesitas entender cómo impacta esta presencia en tus ventas, optimizar tu inversión o comparar tu estrategia con la de tu competencia. En cualquier caso, vas a necesitar datos.

Contactas algunas agencias y proveedores y compras un CSV con datos del último trimestre. Luego de algunas semanas de análisis, compruebas que en ese trimestre has perdido decenas de oportunidades. Tomas nota de algunos aprendizajes, pero sabes que esas oportunidades no volverán a aparecer. Comprendes que la información la necesitas en tiempo real.

En busca de más

Por suerte, hay un mundo enorme de datos ahí afuera, esperando ser capturados y analizados. Mediante el método de scraping, capturas noticias de portales, contenido de redes sociales, e incluso te aventuras en el mundo de las señales audiovisuales como YouTube, televisión y radio.

Luego de un año de trabajo, ya tienes funcionando todos los crawlers que trabajarán día y noche. Decides almacenar la información en una base de datos no relacional que permite escalar en volumen y tener flexibilidad en el esquema de datos como Elastic Search o MongoDB.

Además, utilizas un Bucket de Google Storage o S3 para guardar la información audiovisual de manera fiable y performante. Creas así un Data Lake, es decir, un repositorio centralizado de datos en bruto.

Al poco tiempo tu Data Lake tiene millones de datos esperando que los uses. Sin embargo, la información que proviene de los medios es completamente heterogénea. Contiene textos, imágenes, audios, videos, cortos y largos, bien y mal escritos, etc. Necesitas, en efecto, transformar estos datos para normalizarlos y poder consumirlos de manera más homogénea.

Dando sentido a tus datos

La normalización de un dataset es particularmente importante en el caso de los medios. ¿De qué me sirve obtener diariamente el texto de miles de noticias si no sé a quién se menciona y de qué temática se habla? ¿Para qué saber que se han emitido cierta cantidad de publicidades si no puedo identificar cuál es la marca, el mensaje central de la misma, su audiencia e impacto?

Afortunadamente, viene a tu rescate el Machine Learning. En los últimos años, viene creciendo de manera exponencial el interés por este campo en el ámbito académico y en la industria. En este gráfico, podemos ver la cantidad de papers de inteligencia artificial que se han publicado en el sitio arXiv en los últimos 30 años.

Decides entonces contratar un equipo especializado de ingenieros de machine learning. Luego de dos años de trabajo aplicando decenas de técnicas, logras convertir tus datos "no estructurados" en datos "estructurados". Es decir, le das sentido a tus datos.

Y así decides utilizar un motor de base de datos relacional, como PostgreSQL o MySQL, donde vas guardando la información estructurada, normalizada y homogénea, para facilitar su análisis posterior. Estás por cantar victoria cuando descubres algo inquietante: la cantidad de datos que has acumulado, que ya llega a los centenares de millones, es tan grande que resulta demasiado lento hacer cualquier consulta medianamente compleja.

La etapa final: El Data Warehouse

Por fin, logras implementar una última etapa en tu pipeline: utilizas un base de datos orientada a columnas, como BigQuery o ClickHouse, para crear un Data Warehouse, es decir, una base de datos optimizada para el análisis y generación de informes.

En esta nota:

Otras noticias del día

Empresarias

Espacio Iberia finalizó su paso por Buenos Aires con récord de participación

Espacio Iberia en Buenos Aires contó con eventos de los cantantes Julieta Venegas y Coti Sorokin, un show culinario a cargo del reconocido chef Hugo Muñoz y Dolli Irigoyen, activaciones de LA LIGA y encuentros con influencers, entre otras citas. Ver más

Agencias

Nuevo liderazgo en ágora Colombia: Camila Gómez Pardo asume como Country Manager

Especialista en comunicación estratégica, asuntos públicos y gestión de crisis, Gómez Pardo trabajará en conjunto con Guillermo de la Torre para potenciar la integración de las operaciones en Colombia y acompañar a los clientes con soluciones creativas y transformadoras, alineadas con los desafíos actuales del ecosistema empresarial. Ver más

Entrevistas

Guillermo García: “Hoy el oyente tiene mucho más para decir y es muy importante”

Splendid AM 990 relanzó su programación. Al respecto, el Director de Programación de la AM Guillermo García detalló los cambios, el nuevo equipo y el rol clave del oyente. Además, destacó la presencia de la emisora en la Feria del Libro. Ver más

multimedia / campañas publicitarias

Thirsty For More

Agencia: Springtime Marca: Pepsi Soporte: Tv - digital

Pepsi MAX está de vuelta con una nueva versión de su plataforma 'Thirsty For More', liderada nada menos que por David Beckham. Esta nueva campaña tiene que ver con un simple mensaje universal: "Si lo amas, nunca es un desperdicio". Ver comercial en la nota.

Tu banco del mañana, hoy. “Pymes”

Agencia: Zurda agency

Marca: Bbva argentina

Soporte: Tv - digital

"Viva Vivir"

Agencia: Ogilvy

Marca: Dgt

Soporte: Tv - digital

"La vida es perfecta, hasta que no lo es"

Agencia: Bombay

Marca: Metlife méxico

Soporte: Tv - digital

Saber tiene su recompensa - Imperial

Agencia: Lado c

Marca: Imperial

Soporte: Tv - digital

Ver todos