Big data y Redes Sociales

Uso de Big data y
gestión de redes
sociales
Facilitadores:
Andrea De Santis, Edisson Quintuña, Santiago Castro.
UNIVERSIDAD POLITÉCNICA SALESIANA DEL ECUADOR
Video:
La gran familia de los
Social Networks

Aldea Global (Marshall Mc Luhan)
“Con la llegada de la tecnología eléctrica, el hombre ha
extendido, o puesto fuera de sí mismo, un modelo de su
propio sistema nervioso central”.

¿Qué es Big Data?
 Procesos por los cuales se recopilan y
analizan grandes cantidades de datos, de
forma estructurada y no estructurada,
procedentes de diversas fuentes, entre
ellas, las redes sociales.
 El objetivo es conseguir información
relevante para las estrategias de cualquier
organización o empresa.

¿Cuáles son sus ámbitos de aplicación?
 Empresas
(marketing, servicio al
cliente, producción)
 Instituciones publicas
(urbanismo, políticas sociales,
campañas)
 Partidos y
movimientos
políticos
(campaña y
elecciones)
 Organizaciones
sociales
(educación/salud)
 Universidades y
centros de
investigación
(investigación, captación de
fondos, marketing)

¿Cuáles datos obtenemos?
 Características demográficas (edad, sexo, nivel de
estudio, etc.)
 Intereses y gustos
 Ubicación
 Niveles de ingreso
 Rutinas
 Relaciones con personas, organizaciones,
plataformas, etc..
 Poder de influencia sobre otros
La creación de perfiles y grupos de individuos: segmentación

¿Qué podemos hacer
con toda esta información?

Big Data
Santiago castro
@santywin

¿Por qué y para qué usar Big
Data?
Ha emergido como el
principal ingrediente para
el éxito de muchos
negocios
1
Esta empezando a ser
usado por científicos,
ingenieros, todo tipo de
profesionales y por todos
los entes
gubernamentales.
2
Se puede capturar y
analizar cualquier tipo de
dato, sin requerirse una
estructura especifica.
3
Es posible extraer de
dentro de estos datos,
patrones valiosos e
información previamente
escondida, que no ha sido
usada debido a la gran
cantidad de trabajo
requerido para su
extracción.
4
Permite análisis oportunos
y rentables de datos y
creación de nuevos
productos.
5

McDonald’s
 Con más de 34.000 restaurantes locales
atendiendo a 69 millones de clientes en 118
países, 62 millones de clientes al día, vendiendo
75 hamburguesas cada segundo, $ 27 mil
millones de ingresos anuales. McDonald's está
usando un gran análisis de datos para obtener
más información para mejorar las operaciones en
sus diferentes tiendas. mejorar la experiencia del
cliente. El sistema de análisis de McDonald's
analiza datos sobre diversos factores tales como
tiempos de espera, información sobre el menú, el
tamaño de los pedidos, los patrones de pedidos
de los clientes para optimizar las operaciones de
sus restaurantes en lugares específicos

Netflix
Netflix es la plataforma más grande del mundo de series y películas
online. La compañía supo detectar el gran poder del Big Data para
conocer los gustos de sus usuarios y su éxito se debe, entre otros
factores, a las recomendaciones que hace a sus consumidores en base a
los patrones de consumo de contenido.
¿La evidencia de su éxito? la serie House of Cards. Una producción
propia que Netflix creó en base a los gustos de los usuarios. A partir de
los patrones de consumo obtenidos de más de 40 millones de
consumidores, detectó que lo que más atraía eran contenidos que
incluyeran drama, política, sensualidad y poder y, en base a ello, crearon
la serie.

T-Mobile
 Esta empresa de telecomunicaciones consiguió reducir el número de
portabilidades hasta un 50% gracias a la aplicación del Big Data. Lo hizo
analizando los datos de las quejas y conversaciones que los clientes
dejaban en redes sociales, lo que les permitió conocer a cada cliente. De
esta manera, se enviaron ofertas especiales a cada uno de ellos para
ofrecerles lo que necesitaran específicamente, y así evitar que se fueran
de la compañía.

Amazon
 Amazon es otro de los grandes casos de éxito en el uso del Big Data. Esta gran
empresa sabe perfectamente qué le gusta leer a los consumidores. Antes de que
encuentres ese libros que tanto quieres, Amazon ya te lo habrá ofrecido antes.
 Para conocer los gustos de los clientes, la compañía se basa, no sólo en los datos
del usuario, sino también en las tendencias que es capaz de generar a partir de los
amplios catálogos de datos que recopila. Uno de los elementos con los que
Amazon ha logrado su éxito es con las recomendaciones que ofrece con cada
producto, basadas en las pautas de comportamiento de otros compradores
similares al propio usuario.

Target
 La cadena de distribución Target fue capaz de predecir cuándo sus clientes
esperaban un bebé. ¿Y cómo lo han hecho? asignando un ID único a cada
cliente, asociado a su tarjeta de crédito para analizar el historial de compra y
después generar cupones de descuento.
 La compañía se dio cuenta de que las mujeres en su primer trimestre de
embarazo repetían ciertos movimientos (como comprar suplementos de
magnesio o bolsas grandes como para guardar pañales), lo que les llevó a
poder construir un algoritmo capaz de predecir el comportamiento de
compra de mujeres embarazadas y, de esta manera, enviarles ofertas específicas
para ellas.

Real Madrid
 El Real Madrid, gracias al acuerdo firmado con Microsoft, es uno de los primeros
clubes que ha dado el paso de incorporar los más modernos sistemas de análisis
para monitorizar el estado de la primera plantilla. A través de distintos sensores
que los jugadores llevan durante los entrenamientos, se recogen datos de sus
movimientos, velocidad, esfuerzo realizado, fatiga acumulada, etcétera. Estos
datos son analizados y puestos al servicio del cuerpo técnico para que puedan
decidir qué jugadores están en el momento óptimo de forma. Eso sí, la decisión
final de quién juega la tendrá siempre el entrenador, el único capaz de medir
variables que la tecnología no observa. Porque, recurriendo de nuevo a Shankly,
el secreto del fútbol es jugar “como si nunca pudieses cometer un error”, pero no
sorprenderte “cuando lo hagas”.

La reelección de Obama
 Tras su primer mandato, el presidente de los EEUU, Barack Obama, decidió
utilizar Big Data para su reelección en 2012. Un centenar de personas
trabajaron en el departamento de analítica de la campaña 20 estaban única y
exclusivamente centrados en la interpretación de los datos recibidos. Tras un
primer análisis, los esfuerzos de la campaña se enfocaron en tres
aspectos: registro (recoger datos de los votantes convencidos),
persuasión (dirigirse a los dudosos de una forma eficaz) y voto del
electorado (asegurarse de que los partidarios fueran a ejercer el voto sí
o sí). Entre las acciones más efectivas que permitía esta plataforma
estaban: recoger datos a pie de campo y realizar un feedback muy rápido vía
notificaciones email por parte del equipo online (se mejoraba en tiempo y
eficiencia); o detectar los nichos en los que funcionaría mejor la publicidad en
TV cruzando datos de los votantes con otros demográficos, audiencias,
precios de publicidad, programas... (se mejoró en impacto y segmentación).
Con su analítica, el equipo de Obama optimizó la comunicación y mejoró
la respuesta del electorado afín, permitiendo no malgastar recursos,
tiempo y dinero en los votantes que no eran partidarios de su partido.

 ¿Se imaginan que la policía pueda saber cuándo y
dónde se va a cometer un determinado crimen con
varias horas de antelación? ¿Pueden la tecnología y el
análisis de datos acabar con la delincuencia en nuestras
ciudades? Si tu respuesta ha sido no, es que todavía no
conoces lo que el Big data es capaz de ofrecernos hoy en
día.
https://www.crimemapping.com/
Delincuencia en Big Data

Big Data para la solidaridad y el bien común
 Bomberos luchando contra las llamas, científicos tratando de evitar la
propagación de un virus o médicos socorriendo a las víctimas del enésimo
bombardeo en el infierno sirio…Estas terribles escenas regularmente invaden los
medios de comunicación y redes sociales y pueden afrontarse también a través
de la tecnología y, en concreto, de las técnicas relacionadas con el Big Data.

3000 VIDEOS DE LA GUERRA DE SIRIA
 La American Carter Center Foundation junto con Palantir, una empresa de
Silicon Valley especializada en procesamiento de datos y análisis, comenzó a
revisar más de 3000 videos en YouTube junto con informes del gobierno
para mapear los bombardeos que se habían llevado a cabo Siria.
 Con ello detectaron que los ataques podrían predecirse. Por ejemplo, los
“ataques de bomba del barril”, bombas no guiadas lanzadas desde helicópteros. De
esta manera, los servicios de emergencia podían ser movilizados rápidamente en la
mayoría zonas vulnerables. La teoría entonces fue puesta en práctica: la ONG
americana Mercy Corps decidió utilizar el modelo creado por la American Carter
Center Foundation y Palantir para desplegar sus equipos en Siria.

Una imagen vale mas que mil palabras. Una
interfaz vale más que mil imágenes.
Ben Shneiderman

El Big data ayuda a preservar el último lugar
salvaje del planeta
 Esta fabulosa base de datos se comparte a través de la web Into the Okavango, donde también se
pudo seguir en directo una expedición de 18 días y 345 kilómetros, en la que científicos y
exploradores auspiciados por el National Geographic publicaron imágenes y audios, recogieron
información de los movimientos de los animales y midieron variables como la temperatura del lugar,
el caudal o los niveles de PH del agua. Todos los datos están puestos, además, a disposición de
cualquiera que desee estudiar el Okavango y sacar conclusiones de la información aportada por los
expedicionarios.
 Steve Boyes da una mirada humanista, que busca mejorar el planeta en que vivimos a través del
respeto al medio ambiente y el aprendizaje mutuo que se propicia gracias al contacto con otros
seres humanos: “la gente que vive allí es la más hermosa que jamás me he encontrado. Viven en un
entorno salvaje, sin vacunas ni cuidados médicos. Así que tienen que decidir cómo sobrevivir y la
forma que tienen de hacerlo es la de ser pacíficos, trabajar en comunidad y amar a sus vecinos.
Saben que si mi cosecha fracasa, no hay supermercados, entonces es mi vecino quien tiene que
cuidar de mí. Por eso tenemos que ser los mejores amigos. Y eso fue lo que nos transmitieron.
Cuando llegamos allí se abrieron, nunca pidieron nada, sólo tenían cosas que ofrecer porque
querían que fuéramos amigos. No se trata de temor, se trata de amor”.
 Steve Boyes
 Biólogo de National Geographic

DESASTRES NATURALES Y SANITARIOS
Como en el caso de las situaciones bélicas, los desastres naturales y sanitarios
también plantean considerables desafíos para la logística y la organización de ayuda
en emergencias. Tomemos como ejemplo la proliferación del virus del Ébola en África
occidental: es crucial ubicar a los que están enfermos durante una epidemia.
Sin embargo, el mapeo de las regiones afectadas no siempre es suficientemente
preciso, lo que llevó a Médicos Sin Fronteras y Cruz Roja a trabajar con
Openstreetmap, un servicio de mapeo participativo, y unos 240 voluntarios científicos
de datos para representar las regiones y grandes ciudades potencialmente afectados,
basándose en imágenes de satélite y datos de acceso abierto.

Flowminder
 Flowminder es fundada y dirigida por investigadores que se dieron cuenta del potencial
de combinar nuevos tipos de datos con métodos estadísticamente rigurosos para
apoyar a las personas más vulnerables en los países de ingresos bajos y medianos. A
partir de proyectos de investigación académica aplicados, Flowminder tiene hoy un
impacto en cientos de millones de personas. Tres grandes proyectos de investigación
aplicada formaron el punto de partida de Flowminder. El primer proyecto se realizó para
el Gobierno de Tanzanía y la OMS en 2008 para evaluar la viabilidad de eliminar la
malaria de Zanzíbar . Un componente clave de este proyecto fue la idea del profesor
Andy Tatem de la Universidad de Southampton de utilizar datos de operadores móviles
anónimos en colaboración con Zantel Tanzania para estimar los movimientos de las
personas infectadas por el paludismo desde Tanzania hasta Zanzíbar. Esta fue la primera
vez que los datos de los operadores móviles fueron utilizados para el bien público en
un país de bajos ingresos..

INCENDIOS Y
DEFORESTACIÓN
 Y es que parece que no hay ámbito en el que no
se puedan aplicar técnicas de Big Data para la
solidaridad o para responder a cuestiones
relacionadas con la sostenibilidad del planeta y
sus habitantes. Por ejemplo, la plataforma Global
Watch Forest se basa en los datos de organismos
públicos (NASA, USAID, etc.), entidades privadas
(Esri, Google, etc.) y universidades para anticipar
incendios y la deforestación. El mapeo y
modelado es actualizado casi en tiempo real. En
el año 2015, Global Forest Watch participó en el
seguimiento de incendios deliberados en
Indonesia.Por su parte, las multinacionales cada
vez utilizan más esta plataforma para auditar sus
cadenas de suministro y respetar así sus
compromisos en términos de preservación de
áreas forestales.

NACIONES
UNIDAS
 El caso es que, por estos y otros muchos
ejemplos, Naciones Unidas lo ha visto claro y desde
hace unos años, a través de su división Global Pulse,
impulsa el uso de Big Data para iniciativas de
desarrollo. Aquí se enmarca, por ejemplo, un nuevo
proyecto de investigación en el que ha colaborado
con BBVA Data & Analytics, el centro de excelencia en
el análisis de datos financieros del Banco Bilbao
Vizcaya Argentaria (BBVA).Los impulsores recuerdan
que, a medida que suben las temperaturas y los
océanos se calientan, algunas regiones afrontarán
fuertes cambios y se verán cada vez más afectadas por
catástrofes naturales. Por ello, han centrado sus
esfuerzos en un proyecto que utiliza los datos de las
operaciones financieras para entender cómo se
comportan las personas antes y después de catástrofes
naturales, ya que el análisis de estos datos pueden
ofrecer información crítica para entender la solidez
económica de las personas que se ven afectadas por
catástrofes naturales.“Estamos rodeados de datos de
operaciones financieras y utilizarlos para proteger los
medios de subsistencia de las personas debería ser
una parte integral de la contribución de las empresas a
la sociedad”, explica Elena Alfaro, CEO de BBVA Data &
Analytics

NACIONES UNIDAS
 La vista está que hay múltiples
retos humanitarios a los que se
puede dar respuesta mediante
técnicas de Big Data, técnicas que
precisan de datos, así como
herramientas para el análisis y
recursos para la formación de
expertos. Por ello, pensando en el
bien común, debemos impulsar la
colaboración entre
administraciones públicas y las
compañías privadas que permita
hacer un uso de la tecnología de
Big Data que contribuya a un
futuro mejor para todos.

ALERTAR SOBRE LA DESAPARICIÓN DE
OSOS POLARES
 'State of the polar bear' es un
proyecto desarrollado por
científicos de Canadá,
Dinamarca, Noruega, Estados
Unidos y Rusia que proporciona
información sobre 19
poblaciones distintas de osos
polares de una forma visual y
accesible para conocer mejor la
evolución de su hábitat y el
deshielo del Ártico.

4. PRESERVAR LA BIODIVERSIDAD DEL
PLANETA
 Conservation International
monitoriza los bosques
tropicales para conocer su
estado y mejorar su
preservación. Sus cámaras
acumulan miles de fotografías
cada año en 16 puntos distintos
del planeta. HP decidió
ayudarles a organizar su
información creando Earth
Insights, una plataforma que
presenta esos datos de forma
sencilla y permite analizar la
evolución de la biodiversidad.

LUCHAR CONTRA LA MALARIA EN
ÁFRICA
 Google ha apoyado
económicamente a la ONG
'Malaria No More' para desarrollar
junto con una 'startup' un
novedoso proyecto en Nigeria:
que los usuarios puedan verificar la
autenticidad de sus medicamentos
a través de su teléfono móvil, de
forma gratuita, para luchar de esta
forma contra el mercado de
medicamentos falsificados. Estos
datos pueden servir también a la
ONG para saber dónde están los
focos de malaria y cómo están
siendo tratados.

10 claves para que las organizaciones
humanitarias aprovechen el ‘Big data’
 1. Identificar los verdaderos problemas
 El análisis de Big data no es una solución, sino una herramienta para resolver un
problema existente. Analizar los datos simplemente porque tenemos acceso a
ellos puede no tener valor para tu organización. Por eso, definir primero el
problema de manera muy precisa es imprescindible para no desviarnos del
objetivo perdiéndonos en datos que no nos ayudan. Si eres un responsable de
un programa probablemente tendrás que realizar varias iteraciones para definir
el proyecto y refinar el enunciado de tu problema. Muchas veces no sabemos lo
que no sabemos. La fase de diseño de un proyecto tarda tanto tiempo como la
de implementación. Buscar inspiración en otros ejemplos es clave.

 2. Los datos por sí mismos no te dan conocimiento
 El acceso a la fuente de datos es solo el principio del camino. Para destilar
información necesitas metodologías claras, la existencia de estudios previos y un
buen equipo. Y también aliados y socios con quienes colaborar. No hay magia, y
probablemente el discurso en los medios simplifica demasiado lo que es posible
hacer y lo que no con el Big data.

 3. Encontrar terapeutas y traductores de datos
 Normalmente, las personas que trabajan con datos y las que lo hacen en un
contexto humanitario no hablan el mismo idioma: no comparten vocabulario ni
son capaces de alinear sus objetivos. Las organizaciones necesitan perfiles
híbridos: por ejemplo traductores capaces de interpretar ambas partes de la
discusión. Muchas veces, lo que creemos que es un problema de big data no lo
es y además ya tiene una solución probada y sencilla. Todo lo que necesitas es
algunas sesiones de terapia de datos con alguien que te aconseje y te guie en
los primeros pasos.

 4. Validar los sistemas que utilizan Big data con datos tradicionales
 Tienes que entender cuál es la relación entre las fuentes de Big data y el mundo
real. Uno de los pasos fundamentales para asegurarnos de la validez de las
innovaciones es hacer un estudio retrospectivo que compara los resultados
obtenidos mediante fuentes de datos tradicionales con los obtenidos con las
fuentes de big data. Además, es importante señalar que el procesado de
grandes cantidades de información consta típicamente de dos etapas: la
preparación de los datos y el análisis. Aunque limpiar y preparar los números se
puede considerar un arte, es una ciencia, y como tal requiere de metodologías
robustas y probadas. No es necesario reinventar la rueda en cada proyecto.

 5. Hacer ingeniería inversa de la representatividad de las fuentes
 Esperar que las fuentes de Big data hagan un muestreo perfecto de toda la
sociedad no es realista. Lo interesante es que muchas veces, en lugar de tener
datos de un 0,1% de la población estadísticamente representativo, tenemos una
fuente de datos que cubre al 30% de la población, pero con unas características
demográficas particulares. Hay que asumirlo y aprovecharse de ello.

 6. La caja negra no tiene corazón (todavía)
 Cualquier proyecto que tenga que ver con datos tiene que respetar unos principios
de privacidad. Antes de empezar es necesario realizar una evaluación para ser
conscientes de los riesgos que puede representar para individuos y grupos de
personas acceder o usar ciertos datos. Los riesgos no solo están relacionados con el
acceso a información, sino también con los métodos de análisis y procesado. Algunos
algoritmos que funcionan como cajas negras, porque están programados por
inteligencia artificial, pueden tener comportamientos discriminatorios. Por ejemplo, un
algoritmo de selección de personal para un puesto de trabajo podría
resultar machista si la máquina ha aprendido a puntuar mejor a los candidatos de
sexo masculino porque ha inferido que en esa empresa suelen llegan a posiciones
más altas. En un futuro muy cercano tendremos que decidir cómo incluir los principios
de los derechos humanos en sistemas de inteligencia artificial.

 7. La desigualdad es creciente
 Las compañías privadas más poderosas están creando estructuras que les
permiten tomar decisiones basadas en datos para sus negocios. Este campo de
trabajo está aún dando sus primeros pasos, así que la barrera de entrada es
relativamente baja. Sin embargo, el crecimiento es exponencial, por lo que si el
sector público y las organizaciones humanitarias esperan demasiado para
establecer sus unidades de especialistas de datos, puede que sea demasiado
tarde y caro. Hay muchas estructuras posibles que una organización puede usar:
desde un equipo pequeño de traductores de datos y servicios externalizados,
hasta un equipo de ciencia de datos centralizado que sirva a toda la
organización, o múltiples unidades pequeñas de expertos distribuidas en los
diversos departamentos.

 8. Encontrar el momento adecuado para introducir innovaciones durante las
emergencias
 Antes de probar una innovación basada en datos en una emergencia, debes de
haber realizado una prueba de concepto o prototipo basado en un análisis
retrospectivo o en una simulación. A partir de ahí, la clave será encontrar ese
delicado equilibrio que permite introducir nuevos métodos en los protocolos de
actuación existentes sin perturbarlos, respetando las características y presiones a
las que se ven sometidos los trabajadores humanitarios durante las emergencias.
La co-creación de prototipos con el usuario final en el terreno es fundamental
para la que las nuevas herramientas sean de verdad útiles.

 9. Los datos no siempre dicen lo que quieres escuchar
 Muchas veces, el ruido es mayor que la señal y los datos no muestran nada
relevante. Otras veces, pueden decir demasiado: algo inesperado o información
muy detallada que puede perjudicar a la gente que estás intentando ayudar, tus
socios o incluso tu propio equipo. La confianza en las innovaciones no se gana
de un día para otro

 10. Todavía no se ha medido de manera sistemática el impacto de las
innovaciones con Big data en el sector humanitario. Entonces, ¿qué?
 La cuestión clave es: ¿qué tipo de decisiones se pueden tomar basadas en los
nuevos tipos de datos? Medir el impacto de esas decisiones ayudará a crear el
modelo de negocio para la adopción de más innovaciones en el campo del
desarrollo sostenible y la acción humanitaria. Una vez que los trabajadores
relacionados con el desarrollo entiendan el retorno de la inversión en Big data
basado en el impacto, entonces podremos dar un giro a la conversación y
empezar a medir los costes (financieros y humanos) de no usar nuevos tipos de
información, promoviendo el escalado de estas nuevas ideas.

De Bases de
Datos a Big Data
13 de Septiembre del 2017

De Bases de Datos a Big Data
Una definición simple de Big Data
Big Data son conjuntos de datos que son demasiado
grandes y complejos para ser manipulados o consultados
con métodos o herramientas estándares.
53

Estructurado vs No Estructurado
54

Prefijo 10n Símbolo Ejemplo
Giga 109 G Bases de Datos pequeñas
Tera 1012 T Bases de Datos normales
Peta 1015 P Datos de usuario creados en un
sitio en línea en unas horas
Exa 1018 E Datos creados en Internet todos los
días
Zetta 1021 Z
Unidades de medida usadas en Big Data
55

De donde vienen los datos de Big Data
• Transacciones de Base de Datos
• DataWarehouses
• Fuentes Estructuradas, Semi
Estructuradas y No Estructuradas.
57

Predicción con Big Data
¿Big Data puede predecir el futuro?
Big Data NO significa que podamos predecir el futuro de
nuestra organización.
Es muy sencillo caer en la malinterpretación de los datos.
Lo que se puede realizar son modelos predictivos acerca de
comportamientos, es más adecuado descubrir que está
pasando
61

Google Flu (Big data hubris)
"... podemos estimar con precisión el nivel actual de la actividad
semanal de la influenza en cada región de los Estados Unidos, con un
retraso en el reporte de aproximadamente un día".
Científcos de Google, Revista Nature, 2009
62

Google Flu (Big data hubris)
”Big data hubris" es la suposición, a menudo implícita, de que los
grandes conjuntos de datos son un sustituto, más que un
complemento, de la recolección y análisis de datos tradicionales.
64

Seguridad en Big Data
Seguridad Básica
Se debe manejar los mismos esquemas
que en seguridad que se maneja en la
Infraestructura Tecnológica Convencional:
- Firewalls,
- Sistemas de Detección de Intrusos
- Sistemas de Análisis de
Vulnerabilidades
- Sistema de Protecciòn a la Integridad
de la Información
- Sistemas de Protección a la privacidad
de la Información*
Se puede considerar que el precio por
estar conectados es nuestra privacidad.
Los usuarios pueden verse afectados por
un fenómeno llamado Seguimiento de
Comportamiento.
Sus datos pueden ser vendidos como
parte de un conjunto más grande.
Pérdida parcial o completa de
anonimidad.
Privacidad
65

Cuál es nuestro problema con la Privacidad
66

Ética en Big Data
Principios sugeridos para regular Big Data
• Privacidad como componente obligatorio
• La información privada compartida debe permanecer
confidencial
• Transparencia
• Big Data no debe comprometer la identidad
67

Enlaces de Interés
https://suite.socialbakers.com
https://tweepsmap.com/Account/LoggedOff?ReturnUrl=%2fes%2fdash%2f
https://www.trendsmap.com/
http://onemilliontweetmap.com/
https://klout.com/home
https://hootsuite.com/
https://es.audiense.com/
https://nexalogy.com/
http://www.internetlivestats.com/
http://tendenciasdigitales.com
http://www.internetworldstats.com/stats15.htm

Enlaces de Interés Visualización Datos
http://www.oecdbetterlifeindex.org/es/#/11111111111
http://www.healthmap.org/es/
http://www.globalforestwatch.org/
https://intotheokavango.org/map
http://bl.ocks.org/syntagmatic/raw/3150059/
https://www.theguardian.com/world/ng-interactive/2014/aviation-100-years
http://www.gapminder.org/tools/#_locale_id=en;&state_marker_select@_geo=ecu&trailStartTi
me=2015;;&opacitySelectDim=0.62;;&chart-type=bubbles

Enlaces de Interés Open Data
https://data.unicef.org/
http://www.who.int/gho/en/
http://data.un.org/Default.aspx

Big data y Redes Sociales

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

Similar to Big data y Redes Sociales

Similar to Big data y Redes Sociales (20)

Recently uploaded

Recently uploaded (20)

Big data y Redes Sociales

Editor's Notes