Cuando se trata de datos, la calidad importa

Es muy común que se hable del Big Data como la inteligencia y análisis de datos de gran magnitud , un sistema contribuye a que las compañías puedan tomar decisiones de forma más rápida, eficiente y sin complicaciones, debido al procesamiento rápido y masivo de los datos generados en las operaciones de los negocios, pero este concepto está entrando cada vez más en debate, pues cuando se trata de datos, en la mayoría de las veces, la cantidad no es igual a calidad, por lo que el término Small Data (hermano pequeño del Big Data) está cobrando cada vez más relevancia dentro de las organizaciones para obtener un conjunto de datos accesibles, informativos y procesables, que se pueden entender sin el uso de grandes sistemas o máquinas complejas para su análisis, una apuesta más sencilla y precisa.: 

#SmallData es la estrategia que se enfoca en la calidad de las informaciones recopiladas, no en el volumen. El objetivo es procesar y analizar solo la información relevante, aquella que realmente influya en las estrategias, acciones y campañas de la empresa y que estén encaminadas al cumplimiento de los objetivos. Es muy importante tener una visión más amplia de los datos de mercado por lo que esta es la herramienta idónea para filtrar estos datos con precisión, debido a que en el mercado existen muchas otras que son capaces de manejar grandes volúmenes de datos, recopilarlos, almacenarlos o interpretarlos, pero la probabilidad de que la mayoría de estos datos no sean útiles para la toma de decisiones es de las más altas. 

Las principales diferencias entre small data y big data son:

• Los Small Data se pueden aprovechar de manera efectiva para afectar la toma de decisiones importantes. El análisis de datos, incluso cuando está relacionado con el desarrollo de Inteligencia Artificial, debe basarse en datos obtenidos recientemente y en cantidades más pequeñas. Además, la recopilación de datos a gran escala (Big Data) que incluye la recopilación de grandes cantidades de datos con fines analíticos suele ser un gran desafío para muchas organizaciones. 
• Costos, tiempo y energía: para Big Data es importante considerar que estos tres factores representan un desafío debido a la necesidad de implementación del aprendizaje automático supervisado. 
• Los datos recopilados a través de Big Data provienen de fuentes muy amplias, ya sean externas o internas, mientras que Small Data proviene de fuentes dentro de la propia empresa. Los datos pequeños generalmente se incluyen en los sistemas de procesamiento de transacciones y se recopilan con más cuidado antes de agregarlos a la base de datos o la capa de caché. Si se necesitan consultas analíticas inmediatas, las bases de datos tendrán réplicas de lectura. 
• Escalabilidad: Los sistemas de Small Data funcionan verticalmente, con una escala que aumenta la capacidad del sistema al agregar más recursos a la misma máquina. El escalado vertical es más simple de administrar. 
• Ciencia de los datos: Los algoritmos de aprendizaje automático necesitan datos de entrada estructurados y correctamente codificados, especialmente cuando se trata de aquellos que provienen de sistemas transaccionales como lo es un almacén de datos. Debido a que la etapa de preparación de estos datos es limitada, los algoritmos de aprendizaje automático que usan Small Data serán más sencillos de implementar. 
• Información en tiempo real: Small Data está siempre a mano lo que permite una toma de decisiones rápida o incluso en tiempo real.  

¿Y tú qué prefieres implementar en tu organización, Big Data o Small Data?