La ciencia de datos está evolucionando como una rama académica separada y está ganando una gran tracción, principalmente debido a los nuevos avances tecnológicos en el campo del almacenamiento, procesamiento e interpretación de datos.
** La ciencia de datos es diferente de la inteligencia empresarial. El diferenciador está en sus aplicaciones **.
Las soluciones de Business Intelligence son aplicadas principalmente por grandes organizaciones que han crecido significativamente, hasta el punto de que no es posible mantener el control de su negocio sin administrar sus datos de manera efectiva. Por lo general, construyen grandes almacenes de datos empresariales para garantizar que sus datos estén bien integrados y sean confiables. Esto implica el trabajo complejo de consolidar datos de varios sistemas de TI que se crearon para facilitar los negocios, incluidos muchos sistemas heredados antiguos que se crearon en tiempo extra para almacenar y procesar datos.
- ¿En qué consiste la minería de datos?
- ¿El puesto de gerente de operaciones y logística en Uber es un buen trabajo para un aspirante a científico de datos?
- Cómo medir la calidad de un proyecto de ciencia de datos
- ¿Cuál es el significado de los derivados de datos en el contexto de big data?
- ¿Existe alguna correspondencia (en línea / visitas cortas al campus) del curso de Ciencia de Datos que ofrecen las Universidades en Europa para los Profesionales que trabajan en India?
Las aplicaciones de las tecnologías de la ciencia de datos pueden ser muy diferentes. Por ejemplo, identificar un correo electrónico no deseado es una aplicación de ciencia de datos y no tiene nada que ver con la inteligencia empresarial. Un automóvil autónomo utiliza tecnologías de ciencia de datos para procesar grandes cantidades de datos y algoritmos de aprendizaje automático, pero no tiene nada que ver con la inteligencia empresarial.
Un área de ligera superposición es en torno a la minería de datos, donde los casos de uso son algo similares. Aquí, las tecnologías de la ciencia de datos se usan generalmente para identificar casos de uso relacionados con datos en un entorno de ‘laboratorios de datos’, y luego se entregan a los equipos de inteligencia de negocios para construir soluciones de ingeniería adecuadas para monitorearlos de manera continua.