Desde la invención de las computadoras, la gente ha utilizado el término datos para referirse a la información de la computadora, y esta información fue transmitida o almacenada. Pero esa no es su única definición; también existen otros tipos. Entonces, ¿cómo se pueden definir? Pueden ser textos o números escritos en papeles, o pueden ser bytes y bits dentro de la memoria de dispositivos electrónicos, o pueden ser hechos que se almacenan dentro de la mente de una persona.

Ahora bien, si hablamos de datos principalmente en el campo de la ciencia, entonces la respuesta será que son diferentes tipos de información que generalmente se formatea de una manera particular. Todo el software se divide en dos categorías principales, y esos son programas y datos. Los programas son la colección de instrucciones que se utilizan para manipular datos.

Tipos y usos

El crecimiento en el campo de la tecnología, específicamente en los teléfonos inteligentes, ha llevado a que el texto, el video y el audio se incluyan en los datos más los registros de actividad web y de registro. La mayoría de los mismos no están estructurados.

El término Big Data se utiliza en la definición de datos para describir los datos que se encuentran en el rango de petabytes o superior. Big Data también se describe como 5V: variedad, volumen, valor, veracidad y velocidad. Hoy en día, el comercio electrónico basado en la web se ha extendido enormemente, los modelos de negocio basados ​​en Big Data han evolucionado y tratan los datos como un activo en sí mismo. Y también hay muchos beneficios de Big Data, como costos reducidos, eficiencia mejorada, ventas mejoradas, etc.

Su significado se expande más allá del procesamiento de datos en aplicaciones informáticas. Las finanzas, la demografía, la salud y el marketing también tienen diferentes significados, que en última instancia conforman diferentes respuestas para lo que significan los datos.

Categorías de Datos

Los datos cualitativos son todo lo que se refiere a la calidad de algo: una descripción de los colores, la textura y la sensación de un objeto, una descripción de experiencias y una entrevista son todos datos cualitativos.

Los cuantitativos se refieren a un número. P.ej. la cantidad de pelotas de golf, el tamaño, el precio, la puntuación en una prueba, etc.

Sin embargo, también hay otras categorías que probablemente encontrarás:

Los categóricos colocan el elemento que está describiendo en una categoría: en nuestro ejemplo, la condición "usado" sería categórica (con categorías como "nuevo", "usado", "roto", etc.)

Los discretos son información numérica que tienen lagunas: p. Ej. el recuento de pelotas de golf. Solo puede haber números enteros de pelotas de golf (no existen 0,3 pelotas de golf). Otros ejemplos son las puntuaciones en las pruebas (en las que recibe, por ejemplo, 7/10) o las tallas de zapatos.

Los datos continuos son información numérica con un rango continuo: p. Ej. El tamaño de las pelotas de golf puede ser cualquier valor (eq 10,53 mm o 10,54 mm pero también 10,536 mm), o el tamaño de su pie (a diferencia del tamaño de su zapato, que es discreto): en datos continuos, todos los valores son posibles sin huecos en el medio.

¿Cómo analizarlos?

Análisis en investigación cualitativa

El análisis y la investigación en información subjetiva funcionan algo mejor que la información numérica, ya que la información de calidad se compone de palabras, representaciones, imágenes, objetos y, a veces, imágenes. Obtener conocimiento de estos datos enredados es un procedimiento confuso; por lo tanto, se utiliza generalmente para investigación exploratoria y análisis.

Encontrar patrones en los datos cualitativos

De manera destacada, el proceso de análisis en la investigación cualitativa es manual. Aquí los especialistas, por regla general, leen la información accesible y encuentran palabras monótonas o de uso frecuente.

Análisis en la investigación cuantitativa

La etapa principal en la investigación y el análisis es hacerlo para el examen con el objetivo de que la información nominal se pueda convertir en algo importante. La preparación de datos comprende: Validación, Edición y Codificación.

Para la investigación estadística cuantitativa, la utilización del análisis descriptivo proporciona regularmente números supremos. Sin embargo, el análisis nunca es adecuado para mostrar la justificación detrás de esas cifras. Aún así, es importante pensar en la mejor técnica que se utilizará para la investigación y el análisis que se ajusten a su encuesta de revisión y qué historias deben contar los especialistas.

En consecuencia, las empresas que están preparadas para hacer lo necesario en el mundo hipercompetitivo deben tener una capacidad notable para investigar información de investigación compleja, inferir conocimientos notables y adaptarse a las nuevas necesidades del mercado.

Datos no estructurados y estructurados

Datos para humanos

Una frase sencilla - "tenemos 5 pelotas de golf blancas usadas con un diámetro de 43 mm a 50 centavos cada una" - puede ser fácil de entender para un humano, pero para una computadora esto es difícil de entender. La oración anterior es lo que llamamos datos no estructurados. El que sea no estructurado significa no tiene una estructura subyacente fija: la oración podría cambiarse fácilmente y no está claro qué palabra se refiere a qué exactamente.

Datos para computadoras

Las computadoras son inherentemente diferentes a los humanos. Puede ser excepcionalmente difícil hacer que las computadoras extraigan información de ciertas fuentes. Algunas tareas que los humanos encuentran fáciles siguen siendo difíciles de automatizar con computadoras. Por ejemplo, interpretar un texto que se presenta como una imagen sigue siendo un desafío para una computadora. Si desea que su computadora procese y analice sus datos, debe poder leer y procesarlos. Esto significa que debe estar estructurado y en una forma legible por máquina.

Por qué su visualización es importante para cualquier carrera

Es difícil pensar en una industria profesional que no se beneficie de hacer que la data sea más comprensibles. Todos los campos se benefician de su comprensión, al igual que los campos de gobierno, finanzas, marketing, historia, bienes de consumo, industrias de servicios, educación, deportes, etc.

Es cada vez más valioso para los profesionales poder usar datos para tomar decisiones y usar imágenes para contar historias de cuándo los datos informan quién, qué, cuándo, dónde y cómo. Si bien la educación tradicional suele trazar una línea clara entre la narración creativa y el análisis técnico, el mundo profesional moderno también valora a aquellos que pueden cruzar entre los dos: su visualización se encuentra justo en el medio del análisis y la narración visual.

Etica en el manejo de la data

La ética de la data se construye sobre la base proporcionada por la informática y la ética de la información pero, al mismo tiempo, refina el enfoque respaldado hasta ahora en este campo de investigación, al cambiar el nivel de abstracción de las investigaciones éticas, de estar centradas en la información a ser datos. céntrico.

Destaca la necesidad de que los análisis éticos se concentren en el contenido y la naturaleza de las operaciones computacionales (las interacciones entre hardware, software y datos) en lugar de en la variedad de tecnologías digitales que las habilitan. Y enfatiza la complejidad de los desafíos éticos que plantea la ciencia de datos.

Debido a tal complejidad, la ética debe desarrollarse desde el principio como una macroética, es decir, como un marco general que evita enfoques específicos y limitados y aborda el impacto ético y sus implicaciones y sus aplicaciones dentro de un marco coherente, holístico y marco inclusivo.

Referencias Bibliográficas

IBM (2012), Bringing Big Data to the Enterprise, Unpublished Report, Armonk, NY: IBM Watson Foundation.

Godika, S. (2015), “Big Data: 9 Steps to Extract Insight from Unstructured Data,” www.datamation.com/applications/big-data-9-steps-to-extract-insight-from-unstructured-data.html, retrieved on June 7, 2015

Reissman, C. K. (2008), Narrative Methods for the Human Sciences, Thousand Oaks, CA: Sage Publications, Inc.

Smith, J. (2013), “Six Types of Analyses Every Data Scientist Should Know,” Data Scientist Insights, http://datascientistinsights.com/2013/01/29/six-types-of-analyses-every-data-scientist-should-know/, retrieved on June 5, 2015.

Qué son los datos

Qué son los datos

 

Abrir chat
1
Bienvenida(o) a Online-Tesis
Nuestros expertos estarán encantados de ayudarte con tu investigación ¡Contáctanos!.