A los efectos del cumplimiento de las políticas de ética y almacenamiento de datos, «datos» significa «información original que se recopila, almacena, accede, usa o elimina durante el curso de la investigación, y el informe final de los resultados de la investigación».
Sus métodos de investigación pueden incluir la recopilación de información (datos) que se puede interpretar o analizar para enmarcar respuestas a sus preguntas de investigación o aumentar el conocimiento de su tema de investigación. Puede recopilar esta información de varias maneras (entrevistas, encuestas, experimentos, observaciones, evaluación crítica de textos, literatura u obras de arte u otros artefactos). Los diferentes métodos de recolección requerirán diferentes tipos de gestión.
La información numérica o cuantitativa se obtiene de métodos de investigación como encuestas de poblaciones o de procedimientos experimentales repetidos. Al registrar los datos, es importante incluir información detallada (por ejemplo, fechas y lugar de recopilación, métodos de medición, unidades de medición) para minimizar la confusión. Los datos numéricos generalmente se registran en hojas de datos impresas, luego se almacenan en formato de hoja de cálculo.
En algunos casos, los datos pueden ser registrados inicialmente mediante computadoras de mano o grabadores de datos especializados que luego se pueden descargar a dispositivos más seguros. Los registradores de datos a menudo se pueden configurar para registrar datos de forma remota, sin el requisito de que los investigadores estén presentes. Dichas técnicas se utilizan con frecuencia en la investigación meteorológica o en situaciones en las que sería demasiado peligroso para que un investigador esté presente (por ejemplo, aplicaciones de química industrial, investigación espacial).
¿Qué es la recoleccion y análisis de información?
Big Data Analytics es el proceso de recopilación y análisis de grandes volúmenes de datos (Big Data) para extraer información oculta. Asociado con análisis comerciales sofisticados, Big Data tiene el potencial de dar gusanos de negocios en las condiciones del mercado [1], sobre el comportamiento del cliente, haciendo que la actividad de toma de decisiones sea más efectiva y rápida que la competencia [2], desviando de las soluciones tradicionales de inteligencia empresarial porque operan en grandes volúmenes de datos y, por lo tanto, requieren una elaboración más lenta y menos eficiente. Hoy hay varias tecnologías y tecnología de análisis para descubrir patrones ocultos y conexiones entre los datos.
Este proceso de análisis le permite operar un análisis predictivo, es decir, le permite saber de antemano qué sucederá: esto se vuelve posible ya que si tenemos un modelo y tenemos suficientes datos históricos, podemos determinar qué sucederá en el futuro cercano. (una tendencia) con bases o bases estadísticas. Sobre la base de estos pronósticos, es posible intervenir en el futuro a través de un análisis prescriptivo, es decir, las condiciones están buscando para que ocurra un cierto evento.
Por lo tanto, los big data representan la nueva herramienta que hace que la sociedad sea «medible»: presionan hacia una nueva ciencia de datos, capaces de medir y, en perspectiva, para proporcionar crisis económicas, epidemias, propagación de opiniones, distribución de recursos económicos, necesidades de movilidad . [3]
Durante muchos años se ha hablado de Big Data, pero solo recientemente muchas organizaciones han entendido su importancia. Capture la innumerable cantidad de datos, que se comparten todos los días en su negocio, permite a una empresa analizar y extraer información significativa y, a veces, vital para sus decisiones.
Inicialmente, incluso antes de que se utilizara el término «big data», las actividades comerciales se basaron en análisis numéricos simples para descubrir información y tendencias ocultas. Hoy, sin embargo, la información es recuperada por enormes volúmenes de datos, donde el análisis, que ahora se ha vuelto rápido, le permite anticipar las opciones futuras de una manera más precisa. En el final, el uso de Big Data Analytics proporciona una planificación y metodologías cada vez más complejas y avanzadas (análisis predictivos y de tiempo real, uso de datos de datos o modelos integrados de almacenamiento de datos, equipos dedicados a la gestión de la ciencia de datos) capaces de afectar Todos los procesos de una organización: comunicaciones personalizadas, optimización de procesos de producción, gestión de emergencias, etc.
¿Cómo se realiza el análisis de la información?
El análisis de los componentes principales (ACP) es una técnica estadística para la reducción del tamaño. En la práctica, se usa cuando dentro de un conjunto de datos hay muchas variables correlacionadas entre sí y nos gustaría reducir el número que pierde la menor cantidad de información posible.
El ACP (en el análisis de componentes principales en inglés o, abreviando, PCA) tiene el objetivo de maximizar la varianza, calculando el peso que se atribuirá a cada variable inicial para concentrarlas en una o más variables nuevas (llamadas componentes principales) que serán Sea una combinación lineal de las variables iniciales.
Esta técnica es muy similar al análisis factorial exploratorio. A menudo en el software estadístico (por ejemplo, en SPSS) incluso aparece como un método para ser seleccionado dentro de las técnicas agrícolas. Sin embargo, existe una diferencia básica entre estos dos métodos: el análisis de los componentes principales tiene el objetivo de extraer nuevos componentes basados en la correlación entre las variables, mientras que el análisis factorial de la identificación de factores latentes.
El análisis de los componentes principales es el método más indicado para reducir las variables solo cuando las variables son cuantitativas.
En algunos casos, sin embargo, también se usa para variables en una escala Likert y para variables binarias. Sin embargo, aunque a nivel numérico, los resultados son muy similares entre sí, en estos casos sería preferible usar métodos alternativos como CATPCA o PCA de logística.
Artículos Relacionados:
