U.T. 1. Introducción a Big Data¶
Una empresa puede empezar con un servidor y una base de datos relacional. Cuando los clientes, los sensores o los logs crecen, ese servidor deja de bastar: no cabe el volumen, no llega a tiempo la velocidad y los datos ya no caben en tablas uniformes.
Big Data no es “muchos Excel”. Es un conjunto de métodos y tecnologías para capturar, almacenar, procesar y presentar datos que un sistema monomáquina tradicional no puede tratar con garantías de tiempo, coste o variedad.
Esta unidad cubre el RA1 del módulo: gestionar soluciones a problemas propuestos con sistemas de almacenamiento y herramientas del centro de datos.
Lee cada apartado en orden. En todos hay un caso (hotel, caja, sensores) y una pregunta del estilo “¿qué elegirías y por qué?”. Las siglas (ACID, OLTP, ETL…) se introducen después del ejemplo, no se dan por sabidas. Si puedes explicárselo a un compañero sin mirar la tabla, el apartado está asimilado. La tarea de clase aplica eso a 500 GB con un portátil; la autoevaluación comprueba vocabulario. Ninguna sustituye a Moodle.
Qué vas a trabajar¶
| Apartado | Criterio | Qué te llevas |
|---|---|---|
| 1.1 Por qué Big Data y las 5 Vs | a) | Reconocer cuándo un problema es (o no) Big Data |
| 1.2 Clústeres | a) | Por qué se escala en horizontal y qué ganas (rendimiento, disponibilidad) |
| 1.3 Almacenamiento | a) | Relacional, NoSQL, almacén de informes, lago; y, desde cero, ACID, CAP y BASE |
| 1.4 Procesamiento | a) / d) | Paralelo frente a distribuido, lotes, stream; operar el día a día frente a analizar |
| 1.5 Arquitectura y ecosistema | a) | Capas (ingesta → visualización) y el “paisaje” de herramientas |
| 1.6 Ingesta de datos | b) | Procedimiento de ingesta (hotel): push/pull/poll, ETL/ELT, reservas+cobros y formato de la carga |
| 1.7 Formatos de datos | c) | Elegir formato (reservas de hotel): Avro, Parquet, ORC, Arrow, DuckDB |
| 1.8 Pentaho | d) / e) | PDI (Spoon/Pan/Kitchen): filtrar, unir, JSON, nube, jobs y BD del hotel |
| Tarea para practicar en clase | RA1 + RA2 | 500 GB con un portátil: concurrente, paralelo, distribuido |
| Autoevaluación | — | 23 preguntas de la unidad (no puntúa en Moodle) |
Sobre el material original
Se mantiene el hilo pedagógico de los paquetes eXeLearning (Introducción, Ingesta, Formatos), de los apuntes de aula de ingesta y formatos, y del PDF Pentaho. El texto se ha unificado, se han corregido imprecisiones (escalado vertical, JSON, matices de ciencia de datos) y se ha alineado cada apartado con un criterio del RA1.
El PDF de prácticas se puede descargar aquí: Pentaho.pdf.